《人物》第四期：覃含章

前言

《人物》第四期，我采访了覃含章学长。我和含章学长并不是初识，作为MIT的博士和运筹学优化板块的负责人，很早我就在知乎上阅读过他的文章，被他对于专业的深入理解与对于学校和宗教的一些理解所打动。相比较前三期的嘉宾，他语速更快，思维更活跃，年轻气盛的状态跃然纸上。作为在学校已经呆了近二十年的博士，他自嘲自己的博士纯度最高。作为一个MIT的学长，他却丝毫没有阳春白雪般的那种独傲。采访的过程中，有的时候我会为他所叙述的传奇所惊叹，也有的时候我会被他有趣的回答角度所逗乐。他有着平静而坦然的人生观，也有着和常人一样的想法与纠结。采访结束之后，我没有什么心潮澎湃。写下这段前言的时候我想，或许这就是《人物》的意义：没有什么“造神”可言，MIT的博士可能也没有什么不同。

人物自我介绍：《人物》第四期开放读者提问！

若通过采访稿对人物有了更大的兴趣，欢迎知乎/公众号私信猹哥，我们会考虑进行续更！

采访稿经过采访者与被采访者两次修改而发布，全文共10674字，认真阅读大约需要20-27分钟。

正文

学弱猹：Hi学长，好久不见！

覃含章：是啊，好久不见。

学弱猹：虽然我们之前就或多或少的聊过一些有趣的事情，但是以《人物》的方式来对学长做这么一个正式的采访确实是第一次。

覃含章：是啊，这也是我第一次知道你长什么样。

学弱猹：也是我的第一次哈哈哈。

学弱猹：感觉MIT还是相当响亮的，这次收到了非常多的问题，而且很多问题其实我自己感觉问的还是相当有水平的，所以不知道这一次能从学长那里又多学到哪些有趣的事情。

覃含章：好啊，我也很期待这些问题。

学弱猹：我先来找到这些问题哈，有一些问题其实是比较相似的，而且它们都比较硬核。

覃含章：所以你的读者都比较硬核哈哈。

学弱猹：确实这里有很多非常困难的问题，至少给我回答我是直接两眼一黑的。

覃含章：反正就是聊聊天嘛，有的问题其实给我，我也不一定能回答得上。

学弱猹：其实我自己看这些问题，我会感觉其实大家并没有特别多的关注运筹本身，我觉得这个可能和学长在知乎上的标签有关系，机器学习和数学的优秀答主，结果好多人估计就忘记你是做运筹学的人了。这个很有意思。

运筹学&机器学习：各有侧重，雨露均沾

学弱猹：好的我找到第一个问题了，就是学长在应用机器学习的时候会关注什么。是希望把某种方法用在运筹的场景中，还是希望把机器学习的手段用在一些优化问题中，用于解决一些传统优化无法解决的方法论的问题。这个读者还问了第二个问题，就是在做机器学习相关的交叉研究中，有什么心得和体会。这两个问题算是我们这一期的一个开头吧。

覃含章：这个问题很好啊，当然这个问题也很大。我当然也只能说说我自己的经验，在一个运筹优化的背景下去回答这个问题。对于第一点，其实就是在运筹学中怎么应用机器学习。一般来说我会考虑两个问题。第一个问题涉及到传统优化，传统优化更多关注于建模，也就是说数据其实是独立于你的模型的，比方说排队论。具体点来说，参数其实和你数据什么样没什么关系。像线性规划里面

的限制条件，你不关心

具体是什么，你只是假设有这么一个东西。

覃含章：但是实际中，你怎么用这个模型？你肯定要估计，或者做一些统计推断，你要知道未知的这些量到底是什么，这个自然可以使用机器学习的方法论，也算是我们关注的一个方面的问题。

覃含章：但如果要谈和传统机器学习那批人做的东西的差别，可能在于我们会关注更加具体的问题。一个好的例子是Markov Decision Process，马尔科夫决策过程，也是强化学习的一个基础模型。事实上在我们运筹学中，我们会考虑一个特殊的决策过程，一般来说具备一定的结构。那么在这个结构给你之后，我们希望知道在给定的机器学习的一些理论框架下，我们能不能做出更加精确，高质量的结果，例如更高的计算效率，更快的速度等。

覃含章：至于第二个问题，我觉得机器学习和很多领域都存在交叉，比方说我MIT的几个生物化学的朋友也在做机器学习，类似之前Deepmind做的那个Alphafold。他们就在研究如何通过计算机，通过强化学习，在已经有了一些数据的情况下，去学习，推断哪些分子组装起来的药物能够具备什么样的性质。本来是个特别生化的问题，但其实可以看出，机器学习也是有些应用的。

覃含章：你是学统计的，对于机器学习肯定也有自己的观点，我也很难说是统计发明了机器学习，还是机器学习发明了统计哈哈。但不管怎么样，我感觉尤其是对于工科，现在都得学习一点机器学习。至少在MIT，最火的课就是Machine Learning，估计每年都起码四五百人选。现在公司里做data的，基本上也可以理解为在应用机器学习。所以我感觉对于这两个问题，第一个问题我从研究的角度回答，第二个问题倒回答的有点开放，有点像对机器学习在人类社会的影响做了一个展望。

学弱猹：了解，对于第一个问题，我自己感觉不仅仅是在运筹学，其实在我们统计系也有类似的情况。大家不是研究一个非常general的问题，而是找到一个具体的问题去提出一些方法上的改进。

学弱猹：所以这个其实也符合了我对于读博的印象，就是会把一个问题做的很深很钻。比方说我们做出一个方法之后，我们可能就围绕着这个新的方法去设计一整套系统就支持这么一个方法。所以我自己感觉这个深和钻，其实就体现在这个创新和idea上，要去把一个问题想的很深。有点年轻时候对于大脑的潜能开发的这样的感觉哈哈。所以一定程度上很多人不敢读博，可能也是因为这种潜能开发所对应的代价并不是那么容易承受的。

学弱猹：不过这么两个问题回答下来，给我的感觉是这是一个博士生，一个教授所回答出来的哈哈，我们之后的《人物》系列可能去采访业界的一些朋友，我相信他们对于一个问题所思考的重点可能会和学长不太一样。

覃含章：是的哈哈，虽然说前几位也都是博士生，但是应该属我在学校呆的时间最长了，应该说这个纯度是最高的！

学弱猹：哈哈哈是的，所以风格就不太一样。

屠龙之前先找龙：寻找问题可能难于问题本身

学弱猹：第二个问题其实我感觉也很大，可能我猜有一部分学长在之前就回答过了。就是在做理论相关的研究的时候，如何去寻找好的问题。我也不知道为什么他觉得学长是做理论的，可能是因为知乎的回答和文章显得很理论？

覃含章：哈哈哈，我确实是做理论的，但是相比较纯数和理论物理还是很应用的。不过我感觉运筹学目前有一种往实证发展的趋势，会做的更empirical。我今年博士毕业，我的博士论文大概关注了两个问题，一个是data-driven情况下的一些learning theory的应用，一个是之前提到的，特殊结构问题下的一些随机算法，主要可以应用到像车辆路径规划（VRP）这样的组合优化问题里。

覃含章：这个问题确实很棒，如果大家都知道这个问题的答案，那大家读博就不会那么痛苦了。

学弱猹：确实。

覃含章：其实很多人在做很多不同的方向，但是我觉得最关键的还是要关注，哪个方向是你要关注的，有了方向才会有问题。其实这一步就已经不太容易了，我觉得做理论是一个浪漫的旅程，但是这是你做出来的前提下，这有的时候也需要点运气。如果找到一个好的问题还没人做，那属于运气特别好。不过好的问题没有人做是为什么呢？基本上都是因为难，对吧？但碰巧如果你知道怎么做，那也算是运气特别好的一种体现了。

覃含章：回到这个问题，我用学界的想法回答一下，因为业界所关注的好问题和学界有所不同。学界里面，我觉得好问题是高品位的工作，当然了这不一定代表这个能直接应用，我们更关注一些fundamental的东西，这个工作出来之后会带来很多后续的工作。不过我们做理论的有的时候也会碰到推不出好的结果是问题本身性质不够好的缘故，这也挺可惜。所以你得遇到那个好的问题，我的经验就是平时多积累，不仅仅是看前沿的文献，也得和senior的教授，或者一些冉冉升起的新星教授去交流一下，可能就会有一些好的idea。

覃含章：不过我也没办法说有迹可循，就像我身边做理论的朋友就会感慨自己空有屠龙之术但没有龙，有屠龙之术的人很多，但好像真的没有那么多龙。不过用屠龙之术杀几只鸡倒也能毕业，只是就没有办法做高品位的工作了。所以做理论可能遇到好问题，有的时候也是一件可遇不可求的事情。

学弱猹：明白明白，其实我感觉很多人初期，包括我自己也是这样，可能从一个小领域的小问题开始入手，做一些方法的改进和比较。可能有的人做着做着就博士毕业了哈哈。不过我觉得可能做理论遇不到好问题倒不一定是看运气，也得看自己的综合实力，对整个领域的把握等等。不过除了上一期的微调学长，确实我也不太认识在CS社区里面做理论的人，我不太清楚他们会怎么关注这些理论的问题，会不会也有和学长一样的观点。当然了，这都是后话了。我估计还是得看自己野心够不够大，想法够不够多。

大问题 v.s. 小问题：基础够扎实，初心够明确，做什么我都没有偏好

学弱猹：这里有一个问题我很好奇，学长在MIT这个地方，不可能缺人才，所以好奇这种“空有屠龙之术但没有龙”的情况，在MIT是否常见。那么假如说真的会有这种情况发生，那么建议他们是继续关注大的问题呢，还是先搞点小的问题，意思意思毕业了再说？我相信这个问题应该也会有挺多准备读博的人关注哈哈。

覃含章：也是个好问题，第一个问题，其实我感觉找到最好教职的人不一定是最厉害的那批人，因为做的问题越难，能理解的人越少，就越需要一个伯乐。而且做得太理论不一定会有很多funding过来，在工程系就很鸡肋。

覃含章：关于这个问题还有个有趣的例子，我们这边有一个今年毕业的博士，她做的是多臂老虎机，Multi-armed Bandits，一个很经典的运筹模型。她拿来研究算法的公平性，那么不管你用UCB还是Thompson Sampling，我们都要权衡exploration和exploitation，这个也是强化学习的基本原则。我们要通过不停的去玩这个老虎机得到数据，然后通过数据去了解到这个老虎机的结构，搞清楚怎么样获得最大的奖赏。

覃含章：那么什么叫算法公平性呢？考虑这么一个场景，现在有个新药要上市，你要找小白鼠，那么现在假如说我们有很多人，分成不同的组，那么你怎么把我们的方法应用到人的选择上？你不能够说挑了一个组的人全部都是对照组，另外一个组的人全部都是实验组，这样的话是很不公平的。这个人做了很多的理论上的结果，而且说明了传统的UCB和Thompson Sampling其实是有问题的，需要调整。

覃含章：这个工作非常受欢迎，但其实这个文章并不需要太高的技术壁垒，而且也不一定非要用这个方法来解决公平性的问题，但是没有人之前考虑过这个问题，她的工作里面也并不是说自己的方法就完全是最好的。只是这个工作毫无疑问是属于高品位的工作了，这个人叫Jackie Baek，你可以关注一下。

覃含章：总体来说，要在Ph.D期间做出一个大家都认可的高品位的工作确实不是那么容易，所以很多人实力很强，也做了很多很难的问题，但是可能他们并不会被广泛认可，其实对于MIT来说也是，个人的命运还是要由个人来掌握。

覃含章：对于第二个问题，对于年轻的博士生，首先一个问题是，回到初心，想想为什么要读博，当然了一开始也不一定能想清楚，但慢慢要意识到，自己对做研究有没有热情。人不能自己骗自己对吧，你做了两年左右的Ph.D之后你自己也能感受和明白到，你喜不喜欢做应用，推公式，做dirty work。不喜欢的话，其实业界很香的，能拿很多钱。

覃含章：假设你发现你确实很明确你喜欢做研究，挑战智力的上限，那其实我感觉，读博与否又和选导师有些关系。其实Ph.D在美国不是那么的灵活的，你的advisor会对你影响很大。比方说如果是一个senior的教授，那么他们脑子里一般想的都是比较大的问题哈哈。但如果是副教授，或者甚至于还没有tenure的AP，那么想的可能都是一些比较容易变成文章的小的idea。不过如果你可以被co-advise，那就找一个junior的找一个senior的教授，两边的油水都沾一沾。

覃含章：回到你的问题，其实我自己没有特别偏好哪一条路线，到底是一开始做一些短平快的工作，还是直接关注一些大的问题，我知道两边都有很成功的例子。和junior你能够学会很多hands-on的经验，这对于博士生来说是非常好的信号。当然跟senior的，可能他们会直接考虑很大的问题，那风险在于可能要在博士第三，第四年才会出一篇文章，但这个文章可能非常大，非常有影响力。你去问他，他可能会觉得，因为自己没做很多小工作，才有精力去做这些大的工作。所以不能一概而论，要看你自己喜欢做什么，还和导师有关系。可能有的人喜欢被管着，有的人喜欢被放养，还得看个人的性格。

学弱猹：哈哈这个回答确实很全面，算是什么样的情况都考虑到了哈哈。我感觉一个很重要的点在于在那里确实什么样的人都有，而且确实是什么样的人都能够成功。

覃含章：所以我不会说哪条路是更好的。

学弱猹：我自己有个推断是，可能确实有的人在博士第三年第四年憋出了一个大招，但是如果他基本的比方说优化，或者一些基本的数学能力都不具备，我是不太相信的。我觉得要做大问题还是得有雄厚的基础的。不然读者看到这篇文章觉得，哎大家都能成功，那我也能成功，然后屁颠屁颠的就去做大问题去，那就有点误入歧途了哈哈哈。

学弱猹：所以我感觉其实不管是大问题还是小问题，基础都很重要。其实我感觉这一点和大家对博士生的印象有些不太一样，大家怕做不出来东西，但其实不管是做什么样的问题，其实都是很多小的问题，或者很多小的想法去堆在一起。其实在之前几期的采访中，我们也已经涉及到了很多这样的观点。即使是想做大问题的人，也一定是思考了很多小问题之后，再去做的这样的大问题的。不可能突然空想就想出来一个大问题，然后就做出来了。

覃含章：是的，我完全同意，如果没有基础，可能做什么问题都会出问题哈哈。

学弱猹：不过能够进MIT，应该基础都会很扎实。我好奇一下，MIT的peer pressure估计是不是比我们这里要大多了？

覃含章：是的，很大很大。

学弱猹：哈哈哈在我们这里，有的美国人也很卷，卷的吓人的。

覃含章：还有一些中东的地方的人，我知道的来自于伊朗的，也都很用功。

学弱猹：对了，学长的老板是哪里人？

覃含章：之前是以色列人，母语是希伯来语。他出生的时候应该是上世纪的60年代。非常动荡的年代。

学弱猹：中东战争就在那个时候。

覃含章：对，他当时在以色列空军服役了5年，都做到了队长，不过我想问他，他也不会讲的。他当时Ph.D也是在以色列读的，后来才来的美国，然后一步一步的做到现在。当然了，他的经历真的很传奇。

学弱猹：真的很传奇。其实有很多研究问题是在军队里面被提出来的。所以其实在想，会不会他的服役经历也给他带来了一些不同的思考。比方说军队里面可能要求出一些短平快的成果，这会push他需要做很多东西。而且我记得学长提过，他自律性非常强好像？

覃含章：对，他年纪很大了但依然是我们组最努力的人，所以你想他年轻的时候多可怕。所以真正成功的人可能还是有一些特质的，使得他们和芸芸众生相比，有些不同吧。

做理论是困难又浪漫的事情

学弱猹：然后我们进入下一个问题。其实这个问题回到了之前所说的关于理论研究的话题，但这个问题更加具体。第一个问题是，会不会出现一个情况就是你看理论的paper的证明什么的，他的每一步都是正确的，但是你不知道它背后的idea是什么。第二个问题是，会不会在做理论的时候卡在了某一个问题上，这种情况又应该如何解决？是再多花一段时间，还是说做一些子项目去舒缓舒缓心情哈哈哈。

覃含章：估计应该也是一个Ph.D问出来的，非常应景。第一个问题相当于就是说，知其然，但不知其所以然。这个我自己知道做理论的人，他们的法宝也确实是不轻易示人的。有一些人可能文章思路很简单，但非要写的绕一点。比方说让审稿人觉得没有那么trivial什么的，或者不希望大家懂，希望自己再做一些之后的follow-up什么的。所以你看不懂未必是你的问题，有的文章写得好，但是不是所有文章都写得好，发到顶刊也不一定。虽然我觉得，对于作者来说应该是要写出所以然的。

覃含章：不过也有个情况是他自己也写不出来，没有到这个水平。确实能够把自己的问题想的很透彻的人并不多。就像爱因斯坦说科学家其实就是运动员一样，事实上只需要自己跑得很快，不太需要关注别人在想什么，他们并不是教练，也不是领队什么的。很多人可能先用最自然的方法去尽快把内容发出来，但是你说他有没有搞明白为什么这么做，其实不一定的。可能这就是一个很机械化的一个做法。

覃含章：即使在我这个领域，在我身边，我知道的写好文章的作者也不多见。有的人的文章读起来真的叹为观止，赏心悦目，可能也就是一些top school里会有这样的faculty。他可以发十篇文章，但是他就发了一篇，展示了一些最本质的结果。他有能力告诉你为什么可以证明，有什么idea，有什么intuition，有什么延伸，那这水平就真的很高了。所以最终你就应该看这些人的文章，没有必要看机械化的证明文章，不如你记住一些结论然后你自己去推导。

覃含章：但确实，要想有这等功力是需要花很多功夫的，就像你说的不可能拍一拍脑袋就知道所以然了。你要去琢磨去思考，然后你也自然会有更深层次的理解。

覃含章：对于第二个问题，我自己第一个project的时候也卡住过很长时间的，差不多一年吧，那个时候我和我的合作者都很绝望，他甚至比我还绝望。那么这个时候不如就搞一搞别的projects，反正你也卡住了，再多花时间也没什么意义。但是我当时是搞了几个月的side project然后又有一次，突然去看了一眼我当时写的论文草稿。当时我以为所有的可能性我都已经试过了，但是好像那天我发现，哎，好像还有一条路，然后我就试出来了。

覃含章：当然了，更本质的问题是，有没有更深层次的理解。其实我当时也就是几个方法一个一个的试一下，之前一段时间我又重新深层次的思考了一下，现在明白了为什么当时为什么有的方法不成功，有的方法就可行了。

学弱猹：哈哈哈卡一年真的是很不好受的，至少我自己感觉是相当难过的。我感觉现在每个人都在想什么是最容易的道路，然后在寻找这个最容易的道路的时候其实就会忽略那些困难的部分。然后过一段时间这些梦魇又会展现在面前。我们系也有个学长，当时也是卡了一年，也想放弃了，结果过一段时间还是试出来了，发了篇JASA哈哈哈。

覃含章：对，我们那篇最后发到了Management Science上。

学弱猹：关于intuition，大体上来说大家都说要看基础或者什么，但是或许也许真的也要靠点运气。也许因为没看到有的paper它所提出的idea，或者单纯有的paper的引用量太低了，借鉴也找不到什么的哈哈哈。不过我也没问，所以我们也不多猜了。

在运筹学，合作者与我是同等贡献的

学弱猹：现在我有个引申的问题，关于合作者，我现在做项目我也会有合作者，但是我很好奇，就是合作者到底是一个什么样的存在？因为不管怎么合作，其实你最后的博士论文什么的，都是要独立完成的。所以我好奇，是两个人共同一作，还是说主要还是你自己做，然后合作者只是帮你看点代码改改错误什么的？

覃含章：对，这个其实每一个领域也是不一样的，在我们领域，其实大家是按照字母序来编号的，所以理论上没有什么一作，通讯作者什么的。当然了，我们组因为我老板太senior了，所以他不会给你任何手把手的建议，很多东西你都要自己做，就像我一般都和他的学生一起做项目，这个时候我们是很平等的。当然有的时候可能我对某些问题很熟悉，比方说证明或者写draft。那这个时候可能他会做一些仿真，simulations什么的，总体工作量均等。类比的话可能和理论计算机，应用数学比较类似。我不知道有没有回答这个问题哈哈。

学弱猹：哈哈已经回答的差不多了，确实要看不同的领域，像统计，医学院还是有明确的一二三四作的。

覃含章：因为运筹的规定，所以我们一般不推荐很多人做一个工作，五个人就已经足够多了，两三个人最常见了。

学弱猹：我觉得可能两个人还是最理想的，尤其是做理论我感觉一个人也太难了吧？

覃含章：哈哈哈，年轻的时候你要独立作者发了一篇顶刊，你可能就是为了证明一下自己，但是其实效率不高，有那时间你可能都已经和合作者发了两三篇顶刊了。

学弱猹：哈哈哈，意义上不大，至少我是这么感觉的。

覃含章：对，不是所有人都是张益唐。

学弱猹：你也学不来他。

学弱猹：我看到群里有一个问题，问学长去nus呆的办公室在哪儿哈哈哈。

覃含章：好问题哈哈，我也不知道，我只知道我在ISEM系，我也会加入IORA，这是个很好的地方，我顺便打个广告哈哈。

学弱猹：哈哈我自己试过一次，不也碰壁了吗。

覃含章：你申请的那一年竞争太激烈了，也很正常。

学弱猹：所以我说也得看看老板是什么风格，比方说当时面试我的那个老板对我的现有的projects其实完全不关心，而且他问了我的当时本科大学的排名，我觉得还是有点冒犯的。

覃含章：I see。

学弱猹：不过我当时如果去了新加坡其实现在来想还真不一定是一个特别好的事情，不过这都是马后炮了。

覃含章：对于你这种喜欢到处转转的人来说，新加坡就不是很适合了，但如果对于那种喜欢大城市的人来说，新加坡还是不错的。

学弱猹：哈哈其实美国有的地方也可以满足这样的需求的，比方说像纽约其实就还不错，所以要辩证地看哈哈。

博士后不一定是更差的选择

学弱猹：下一个问题主要是我自己想问，就是学长在NUS入职之前还会在亚马逊再做一年博士后，请问为什么要做出这个选择？

覃含章：我会加入亚马逊的SCOT组（Supply Chain Optimization Technologies），相比学界的博士后，我觉得业界的博士后对于我这样主做供应链方向的研究者来说更有实际意义。当然，发文章是很重要的，但是除了学术文章本身之外最好也能接触实际的供应链问题，有实际处理数据的能力。从这点来考虑，亚马逊基本上对我来说是最佳选择。他们对我也很慷慨，我是亚马逊今年新的博后项目决定招募的第一个人，公司内部会有一个VP级别的科学家来指导我，而且也会全力支持我发一篇学术文章。

覃含章：关于postdoc，其实这也是一个趋势，用一年时间先做个博后。好处就是可以积攒更多的文章，增长一些connection，对于tenure的评定其实也有帮助，相当于往后推了一年。不过其实对于运筹学的领域，大部分人都不用做博后就能够找到比较好的教职了。

学弱猹：所以相当于说postdoc其实不一定是一个更差的选择？

覃含章：对的，不一定。

学弱猹：这个观点确实对我来说比较新。我可能会比较关注年龄，尤其是对我这种没有什么学术追求的人来说哈哈。因为到了年龄就要关注生活啊家庭啊事业啊什么的。我目前能想到的既不担心生活家庭事业，又能够一直专注在一个领域做很长很长时间的，又不在意什么回报和物欲的好像也只有geek了。

学弱猹：所以我自己感觉我变化比较大的一个点在于，我不会再去把一个光鲜亮丽的人再内心里神话一下，觉得这是一个不可接近的人。其实做这个《人物》系列也是为了祛魅，就是告诉大家，其实看起来光鲜亮丽的人和看起来很普通的人，他们所追求的东西其实没有什么本质的区别，所思考的东西其实也差不多，不是一定会有什么真正意义上“神一般的存在”，也没有必要“造神”。

覃含章：我同意。

双学位：别人选择了润，我想了想还是留了下来

学弱猹：好了，我们进入到最后一个问题，是关于学长硕士期间所修读的两个学位，就是硕士期间的学习有没有对后续的博士申请产生影响。其实这个和我有关系，我如果要读博士的话，我也会有修第二个学位的打算。不过这里的CSE学位好像不太允许修，我印象中没有成功的例子，因为我们学校的CS排名其实非常高，最近已经超过UCB了哈哈哈。

覃含章：哦这样啊，这好问题啊。我硕士期间修读的是交通和计算机，一个Transportation一个EECS，这个组合确实不是很常见。不过要先声明我的经验也是好多年前了哈哈，未必适用于现在。我是15年申请的博士，我后来选择了MIT的硕士，最大的原因当然是没法拒绝MIT的offer哈哈，不过这个master项目本身就是一个学术型的项目，本身就是为了博士项目的过渡。我当时申请的是交通，但其实只要找到advisor原因给你钱，那就不用自己出钱，相当于全奖的硕士。

覃含章：其实你可以直接转为交通方向的博士，也很flexible，我记得一半的人会去工作。但其实如果你工作了几年回来，这个比较像微调（第三期）的情况，你依然能够来读博士，虽然大部分人其实不会回来的哈哈哈。我虽然“纯度很高”，但我确实很多朋友都在业界，确实需要很热爱学术才有可能回来。我自己对很应用的交通领域的工作兴趣不大，还是希望往更理论的方向去走。

覃含章：对于双学位，我们当时MIT还是很宽松的，修EECS没什么门槛，和他们申请一下就行，多做个thesis，多上点课，找个CS的advisor就行。后来上了很多优化概率的课之后，我就觉得还是希望读个Ph.D，大概是这样。

学弱猹：哈哈确实，和我们这里还不太一样，不过其实我知道的修双学位的人并不是很多，估计可能是修不下来哈哈哈。

覃含章：对的，不过你要能够修一个CS master其实你就可以直接去做码农了，我们MIT的公司招聘会那一层楼有的人就会举一个牌子，说我们只要Course 6的人，这里6代表EECS是学院编号，我们MIT课程编号是这样的，比方说6.824就是很经典的MIT设计的分布式课程。

覃含章：不过我当时也是少见的修了EECS然后没跑的，所以还是要搞清楚，人生阶段到底希望追求什么东西。

学弱猹：是的，就像我们这里其实转码的氛围就非常淡。一开始以为统计系和CS也算比较接近了，后来发现哎，好像并不是这样。

覃含章：可能你们系学术氛围比较浓厚哈哈。

学弱猹：好啦，所有的问题就是这些了。确实问了很多问题，大家的热情都很高。当然这也侧面说明了，大家对于MIT还是没有办法拒绝呀。

覃含章：对啊，我当年也这样呀，本来就可以躺平了，最后没选。其实还是很辛苦的，上很多课还得想到底做什么，中间也经历了很多。

学弱猹：也是属于个人选择和背景加成了。资源已经在这里了，看你有没有能力去取。

覃含章：没错，是这样的。美国就是资源很多，但是要看你的能力。

学弱猹：非常感谢学长接受采访！我们今天就到这里，祝学长之后的道路一切顺利！

覃含章：你也是呀，拜拜！