How to be an AI Researcher in 2025 深度访谈

开场先点出 AI 在印度的潜在应用价值，认为印度有空气污染、疾病、贫困等真实且困难的问题，AI 研究不应只服务于已经特权化的生活。主持人介绍 Dr. Vidhi Lalchand 的背景：曾在剑桥大学学习并完成博士，现在是 MIT 与 Harvard Broad Institute 的 Schmidt Fellow，此前还曾在 Citadel 等量化金融机构工作。Vidhi 随后说明，她目前研究生命科学 AI，主要关注机器学习在系统生物学和药物发现中的应用；她的博士方向是概率机器学习，虽然现在研究领域发生了转向，但仍会使用概率机器学习的思想。

Vidhi 将自己的转型根源追溯到高中和本科前的学习经历。她坦言高中时并不觉得自己特别出众，成绩好更多代表纪律性，而不等于真正的理解力。她对印度高中教育中过度强调正式流程、考试、纪律和不断刷题感到强烈挫败，因为这让学生很少有时间真正坐下来理解知识本身。她举例说，学习微积分时只是学会做求导，却没有真正理解什么是 calculus。她一直感觉课堂停留在表层知识，而自己想要抓住更深层的直觉和逻辑。

高中结束后，Vidhi 由于反感记忆导向的学习，决定转向数学。她认为数学具有逻辑性、普遍性和连接不同科学领域的基础作用，因此即使高中阶段曾在数学上挣扎、需要补习，她仍选择继续学习数学。她没有走传统印度大学路径，而是通过伦敦大学外部项目在印度自学本科课程，在 British Council 报名并参加考试，试卷送到英国 LSE 批改。她形容这些年基本靠自己学习，最终完成本科并取得不错成绩，之后才前往伦敦攻读硕士。

主持人将 Vidhi 的经历与印度和美国教育中的课堂差异联系起来，提到国外课堂可能有更多可视化和应用导向。Vidhi 谨慎表示自己不了解英美高中体系，但希望它们更重视概念理解，而不是流程、形式和结构。她认为相比自己上学时，如今情况正在改善，YouTube 和互联网让真正想深入学习的人可以打开电脑自行探索。她回忆自己上学时主要依赖图书馆和教材，而现在包括 IB、CBSE 和国际课程在内的教育路径可能更强调概念搭建，而不只是熟练套用方法解题。

话题转向 Vidhi 的量化金融经历。她解释自己最初在 Credit Suisse 做 quant，并不是因为真正热爱金融，而是因为这类工作同时满足技术性、数学性和高薪三个条件。她真正感兴趣的是数学和建模，而非金融市场本身，这也导致她在行业中没有真正 thrive。她认为量化金融高度重视形式、纪律和结构，需要长期掌握非常具体的知识，并日复一日重复应用，还要信任机构会在未来认可自己的工作。她指出，如果一个人喜欢结构、愿意学习并精通被要求掌握的内容，那么可以在量化金融中有很好发展；但对她来说，这种环境限制了自由探索和创造性思考。

主持人追问她是哪一天意识到量化金融不适合自己。Vidhi 表示这不是某个瞬间的决定，而是四年半工作经历逐渐让她清楚自己是谁、边界在哪里、能力在哪里。她承认自己不具备在金融业长期 thriving 的特质，也一直在等待合适的机会转向。由于签证和现实约束，她不能直接辞职，必须先找到下一站。于是她申请了 Oxford、Imperial 和 Cambridge 的第二个机器学习硕士项目，前两个被拒后，Cambridge 给了她面试机会。她几乎没有准备，也觉得自己缺少明确的预先资格，但最终完成了这次关键转向。

关于为什么选择 Cambridge，Vidhi 表示自己并没有系统研究各校排名、图灵奖数量或计算机科学声誉，而是更多凭直觉和可连接的背景做决定。她申请的是 scientific computing 项目，因为它和自己在 LSE 的应用数学、算法、博弈论、密码学等经历有松散但真实的关联。她在 Cambridge 的 Cavendish 物理系读 MPhil，认为 Cambridge 仍是学习物理的世界级地点。她也提到，离开伦敦、进入一个噪音更少的新环境，对她非常重要。虽然入学时已接近 20 多岁后期，但这些年仍成为她人生中极具塑造性的阶段。

主持人询问她转向 AI 有多少受到行业热潮影响。Vidhi 回答说，开始 MPhil 时她喜欢这个项目主要是因为其中有数学模块，觉得自己具备进入该方向的基础。她当时并没有主动用 AI 或 machine learning 这些概念规划未来，而是在课程和论文方向中逐渐被分配或吸引到机器学习主题。她最早的机器学习经历是在机器学习与高能物理的交叉领域。她强调自己的人生选择很少是严格战略设计出来的，而是先大致瞄准一个方向，再进入其中，通过实际体验继续调整。