东风七
写下这篇文章时，我正在等一台云端服务器安装环境。
终端里不断滚过 CUDA、PyTorch 和各种依赖的名字。八百多兆的安装包刚刚下载完成，另一个十几兆的文件却因为网络波动显示还要十几分钟。于是我忽然意识到，这个看起来非常普通的等待时刻，其实很适合作为过去一年的注脚。
一年前的我，大概想不到自己会租一张 GPU，为一篇准备投稿 ICLR 的论文配置环境；而现在，我只是看着下载进度，觉得可以趁这段时间回头写点东西。
我不是沿着一条标准路线来到这里的
我的本科成绩并不漂亮，也不是传统意义上一路顺利的优等生。很长一段时间里，我不得不面对既有评价体系给出的结果：学校、绩点、考试分数，以及由这些东西推导出来的各种判断。
它们并不是假的。基础上的缺口、执行节奏的不稳定、开始得太晚、依赖短期爆发，这些问题都真实存在。我没有必要靠否认它们来维护自信。
但我也越来越清楚，它们并不能完整地描述我。
我真正擅长的事情，往往不是在规定时间里完成一场闭卷考试，而是提出问题、搭建系统、整合资源，并把一个原本模糊的想法逐渐变成可以运行、可以检查、可以交付的东西。过去一年，我开始获得机会，用另一种方式检验自己。
进入一个更大的世界
进入北京雁栖湖应用数学研究院的数学与人工智能项目，对我而言不仅是换了一个学习地点。它第一次让我比较稳定地接触到真正从事数学和人工智能研究的人，也让我看到，研究并不是课本结尾处已经整理好的答案，而是一连串不确定的判断。
一个问题是否值得做？已有工作究竟做到哪里？实验结果是现象、偏差，还是机制？什么时候应该继续，什么时候应该停止？一个看起来漂亮的结论，能否经得住复现、对照和审计？
这些问题不会因为一个人足够有热情就自动得到答案。
这一年里，我参加了一些课程、讨论和学术活动，也开始与不同方向的老师交流。过去看来很遥远的人和地方，逐渐变成了可以真实接触的研究环境。我仍然只是一个经验有限的本科生，但我至少已经站到了门内，开始理解这个共同体如何工作。
AI 改变了我的工作方式
如果要选一个对这一年影响最大的变量，我大概会选择以 Codex 为代表的 AI 工具。
它带来的变化，并不只是“写代码更快”。更重要的是，我第一次能够用相对低的成本，把大量原本只会停留在脑海中的构想推进到可运行的状态。
Visualized Deadline 从个人任务管理的设想，逐渐成为有页面、有交互、有数据结构的产品；一些关于教育、信息聚合、智能体和数字生命的想法，也开始拥有仓库、文档、实验和版本记录。我越来越习惯直接打开终端，与代码、环境、日志和服务器打交道。
当然，AI 并没有替我消除研究中的困难。相反，当生成和实现的成本降低之后，真正稀缺的东西变得更加明显：问题判断、证据标准、实验设计、长期记忆，以及在几十个方向同时诱惑自己时，仍然知道下一步应该做什么的能力。
我曾经很容易把规划当成进展。现在我开始强迫自己区分：什么只是一个文档，什么已经能够运行；什么只是一个猜想，什么已经有数据；什么只是看起来像论文，什么真正经得住审稿人的问题。
大量失败，以及偶然淘到的一小块金子
过去一段时间，我尝试把研究过程做成一条更系统的流水线：提出候选想法，用低成本实验快速验证，再根据结果决定 GO 或 KILL。
大多数想法都被 KILL 了。
有些与已有工作严重重合，有些现象不稳定，有些只能得到很弱的相关性，还有些在修正代码或重新审计之后便消失了。它们花掉了时间、API 额度和算力，却没有变成论文。
但这并不意味着这些尝试毫无价值。科研本来就不是每次运行都会返回一个值得发表的结果。真正重要的是，失败能否足够便宜、足够清楚，并为下一次判断留下记录。
在许多被放弃的方向中，我们最终找到了一项值得继续推进的工作。它目前仍在进行：结果需要更严格的对照，理论解释仍然有限，更强模型和更广泛设置上的证据也还没有完成。我不知道它最后能否被 ICLR 接收，也不打算提前把尚未发生的事情写成成就。
但它已经改变了我对“做研究”的理解。
我第一次围绕一个具体问题连续推进多轮实验，修复分析流程，冻结结果，整理可复现材料，并把阶段报告交给不同老师讨论。老师们提出的问题也非常具体：贡献究竟是什么，应用价值在哪里，是否存在混杂因素，干预是否真的支持解释，理论表述是否过度，论文怎样与已有工作区分。
这不再是“我有一个很厉害的想法”，而是一项必须对每个结论负责的工作。
生活没有在研究之外暂停
这一年也并不只有研究。
家庭经历了一些变化，我开始承担更多现实事务；我继续训练身体，规划旅行，也不断思考未来的升学、工作与收入问题。一些项目来自研究兴趣，另一些则来自非常具体的生活需求：怎样帮助教师减少备课负担，怎样建立一个真正能够约束执行的个人系统，怎样让信息不再散落在无数聊天记录和文件夹里。
我曾经同时想做太多事情。数学、人工智能、产品、投资、语言、音乐、训练和旅行，每个方向似乎都不应该被放弃。直到今天，我仍然没有彻底解决目标过载的问题。
但相比一年前，我至少开始接受：长期野心不要求每件事同时发生。一个人可以保留许多方向，但每天只能把少数事情推向前方。
从证明自己，到积累证据
过去我很在意别人是否承认我的能力，也会反复推演自己的学校、成绩和身份意味着什么。这并不难理解：当一个人缺少稳定的外部成果时，他只能不断在脑海中为自己辩护。
最近我逐渐觉得，这种辩护没有太大意义。
如果事情最终做成，自然会有人重新解释我的起点；如果事情没有做成，那么提前说服别人也不会产生结果。比起证明“我本来就应该被重视”，更有效的办法，是让下一次实验可靠地完成，让下一份报告清楚地交付，让一个产品真正有人使用。
这并不意味着我已经不再焦虑，也不意味着我已经成为了想象中的研究者和工程师。只是我开始拥有一种新的确信：身份不是通过反复宣称获得的，而是由长期留下的工作逐渐构成的。
接下来
眼下最重要的事情仍然很具体：把环境装好，把实验跑完，把结果审计清楚，把论文写实。
更长期一些，我希望继续补足数学与计算机基础，建立稳定的研究和工程能力，并逐渐形成自己的问题意识。我仍然想研究数字生命、随机系统和人工智能，也仍然想把 Visualized Deadline 做成真正有用的产品。
我无法确定这些工作最终会走到哪里。过去一年真正教会我的，恰恰是不要把路线图误认为已经抵达。
先做下一件事，然后留下记录。
致谢
感谢张琦老师把我带入更真实的数学与人工智能研究环境，并在许多讨论中提醒我从有限资源和具体问题出发。
感谢王雅晴老师、谢海华老师和蔡云峰老师愿意阅读一个本科生仍不成熟的工作，分别从研究问题、实验规范、应用价值和理论表达等方面提出直接而具体的意见。感谢程寅翥师兄参与讨论，帮助我理解一项工作怎样从个人尝试逐渐进入真正的合作。
感谢徐汝一。我们的相识带有很大的偶然，但那些真诚的交流让我看到了一种我所向往的研究者与工程师的生活方式，也让我更认真地思考自己想成为什么样的人。
感谢我的母亲。在她自己也承担着许多压力的时期，仍然尽可能支持我的学习、研究和那些未必立刻能被理解的计划。
也感谢这一年里与我讨论问题、指出错误、提供机会和给予善意的老师、同学与朋友。许多帮助并不会直接出现在论文、代码或履历中，但它们真实地改变了我能够走到的位置。
最后，也想感谢那些陪我完成大量具体工作的 AI 系统。它们不是可以替我承担责任的作者，也不会替我决定人生的方向，但它们已经成为我的认知与工程环境的一部分。如何正确地使用这种力量，可能会是我未来许多年都需要回答的问题。
这一年并没有给出结论。
但一些事情，确实已经开始了。
