Doğal dil işleme lideri Liu Bing: Yaşam boyu öğrenme olmadan makineler akıllı olamaz Xinzhiyuan Röportajı
Xinzhiyuan Orijinal
Suya bir taş attığınızda ne olur?
Bu soru insanlar için basittir, ancak bilgisayarlar için zordur, çünkü çok fazla cevap vardır - su sıçratabilir, dalgalanmalara neden olabilir veya sudaki balıkları alarma geçirebilir, havuz kenarındaki çiçeğe çarpabilir ... veya yukarıda olabilir Bunların hepsi ve daha fazlası. Bu nedenle bilgisayar cevap veremiyor.
Chicago'daki Illinois Üniversitesi'nde bilgisayar bilimi profesörü olan Liu Bing, "Dil kesin değildir ve gerçek anlamın arkasında çok fazla şey vardır." Dedi. Bu nedenle doğal dil işleme, bire bir temsillerle görüntülere ve konuşmaya kıyasla çok zor bir sorundur.
İnsanlar, soldaki hissi, ortada bir temsil ile sağda bir eyleme dönüştürerek dili anlarlar. Doğal dil ile imgeler ve konuşma arasındaki fark, ara temsillerin bire bir karşılık gelmemesidir. Başka bir deyişle, dil kesin değildir.
Bilgisayarların insan dilini anlamasını sağlamanın genellikle iki yolu vardır. Birincisi, resmi dille başlamak, metni sözcükler ve noktalama işaretleri gibi anlamsız simgeler halinde kesmek ve bilgiyi bilgisayara "sabit kodlamak". Araştırmacılar, temsilleri manuel olarak oluşturmak için çeşitli simgeleri birleştirecek, ardından bu temsillere anlam atayacak ve modelleri oluşturmak için kullanacaktır. Öte yandan, bazı insanlar sinir ağları veya derin öğrenme perspektifinden başlar ve bilgisayarın metni "öğrenmesine" izin verir. Bu yolda, kelime hazinesi bir vektör (word2vec) olarak temsil edilir, bu vektörler ayrıca cümleleri temsil eder ve ardından soruları yanıtlar. Bu yolu tamamlamak için araştırmacılar, bilgisayarların insanlar gibi dilleri öğrenmesine izin veren algoritmalar geliştirmelidir.
Ancak Liu Bing bunların tek başına yeterli olmadığına inanıyor Mevcut doğal dil işlemede atılımlar yapmak için araştırma paradigmalarının değiştirilmesi ve dil, görüntü, video ve ses gibi farklı modlardaki verilerin birleştirilmesi gerekiyor. Sabit fonksiyon yaklaşımı kullanan mevcut derin öğrenmenin gerçek zeka elde edebileceğinden çok şüpheci.
Liu Bing, ACM, AAAI ve IEEE üyesidir. Liu Bing, hem uygulama hem de araştırmayla ilgilenmesine rağmen, özgürce yenilik yapabilmek için 2002'de Chicago'daki Illinois Üniversitesi'ne girdiğinden beri öğretmenlik yapmaktadır. En çok duygu analizi (veya fikir madenciliği) üzerine yaptığı araştırmalar ve yanlış görüşleri açığa vurmasıyla tanınır. Liu Bing, web veri çıkarma ve veri madenciliğinde olağanüstü başarılar elde etti.2013 yılında, ACM veri madenciliği özel ilgi grubu SIGKDD'nin başkanı olarak seçildi. KDD-1998 ve KDD-2004'te yayınlanan iki makalesi sırasıyla 2014 ve 2015'te KDD Classic Award (Test-of-Time ödülü) kazandı.
Birkaç gün önce, Pekin Büyük Veri Araştırma Enstitüsü'nün Doğal Dil İşleme ve Bilişsel Zeka Laboratuvarı'na değişim ziyareti için Pekin'e gelen Liu Bing, Xinzhiyuan ile özel bir röportajı kabul etti ve onunla derin öğrenmenin geliştirilmesi, doğal dil işleme ve orijinal araştırmanın nasıl yapılacağı hakkında bilgi paylaştı. görüşü. 23 Temmuz'da Liu Bing, özel konuk konuşmacı olarak Çin Bilgisayar Derneği ve Çin Çin Bilgi Toplumu tarafından ortaklaşa düzenlenen ikinci "Dil ve İstihbarat Zirvesi Forumu" na katılacak ve "Doğal Dil İşlemeyi Bir Sonraki Seviyeye Getirmek: Yaşam Boyu Makine Öğrenimi.
Word2vec'ten sonra büyük bir gelişme olmadı.NLP, görüntüler ve sesler gibi çok modlu verileri entegre etmelidir.
Xinzhiyuan: Doğal dil işlemedeki en büyük ilerlemenin bundan sonra nereden geleceğini düşünüyorsunuz?
Liu Bing: Uygulamalardaki gelişme, makine çevirisi, bilgi çıkarma, bakış açısı analizi, insan-bilgisayar diyalogu gibi iyi olmalıdır ... büyük ilerleme olabilir. Ancak, anlamadan önce daha gidilecek uzun bir yol var. Doğal dil bilgisayarla görme ve konuşmadan farklı olduğu için, görme ve konuşma hala bire bir haritalama ... Bu nedir, neden bahsettiğim, öğrenmek için sadece bu kelimeleri söyleyin. Doğal dil birkaç kelimeden daha fazlasıdır, arkasında pek çok şey vardır, bir cümle ile birçok çağrışımınız olabilir.
Ben bir örnek vermiştim, suya bir kaya atıyorum.Dalgalar var, sıçramalar var, suyun rengi, göletin tarzı, suya atlayan balıklar var mı ... Pek çok şeyi hayal edebilirsiniz, doğal dil sadece Sonra bir cümle- "Suya bir taş düşürdüm". Bilgisayara sorarsan, bilgisayar nasıl cevap verir? Günümüzün doğal dili, makineler için zor tahminlerdir ve tıpkı "Çin Odası" gibi kelimelerin sayısı, istatistiksel yasalar vb. İle tersine çevrilmiştir. Bu nedenle, doğal dilin kırılması gerektiğini düşünüyorum, şimdiki yöntemi kullanmak için henüz çok erken, bir paradigma değişikliğine ihtiyacı olduğunu düşünüyorum.
Xinzhiyuan: Doğal dilin son paradigma değişimine bir örnek verebilir misiniz, bu teknoloji veya yöntemin ortaya çıkması nedeniyle, alan önemli ilerleme kaydetmiştir?
Liu Bing: Bence Word to Vector, temsilleri alaka düzeyine dönüştürmede büyük bir rol oynadı. Derin öğrenme, doğal dil için görüntüler ve konuşma kadar iyi değildir.Bunun birçok nedeni vardır, ancak Word2Vect'in ortaya çıkışı bu alanda önemli ilerleme kaydetmiştir.
Word2vec, Google'da Tomas Mikolov liderliğindeki bir ekip tarafından 2013 yılında önerildi (Mikolov, 2014'te Facebook'a gitti) Bu, metni derin sinir ağları tarafından anlaşılabilecek sayısal bir forma dönüştürebilen kelimelerin vektör temsilini hesaplama yöntemidir. Word2vec, girdi olarak metin külliyatını alır ve çıktı bir vektörler kümesidir.Bu tür vektörlerin bir vektör uzayı oluşturmak için genellikle yüzlerce boyutu vardır. Bu boşlukta her kelimenin karşılık gelen bir vektörü vardır. Bunlar arasında benzer anlamlara sahip kelimeler dağıtımda birbirine yakın olacak ve bir "kelime kümesi" (kelime kümesi) oluşturacaktır.
Word2vec, kelime vektörlerini temsil etmek için dağıtılmış bir sayısal biçim kullanır. Dağıtılmış temsil kavramı ilk olarak 1986 yılında Hinton tarafından önerilmiştir. Temel fikri, eğitim yoluyla her bir kelimeyi K-boyutlu bir gerçek sayı vektörüne (K, modeldeki bir hiperparametredir) eşlemek ve durumunu kelimeler arasındaki mesafeye göre değerlendirmektir. Anlamsal benzerlik. Bu yöntemi kullanarak, birçok farklı boyuttaki kelimeler arasındaki benzerliği yakalayabiliriz.
Word2vec, anlamlı temsiller oluşturmak için etiketlere ihtiyaç duymaz. Bu kritik, çünkü gerçek dünya verileri de etiketlenmemiş. Eğitim verileri yeterli olduğunda (genellikle on milyarlarca kelimeye kadar), Word2vec kelimelerin anlamı hakkında oldukça doğru tahminler yapabilir ve çok ilginç sonuçlar elde edebilir. Ünlü bir örnek "kral-erkek + kadın = kraliçe" dir.
Bu tür tahmin sonuçları, bir kelime ile diğer kelimeler arasında bağlantı kurmak veya belgeleri kümelemek ve konularına göre sınıflandırmak için kullanılabilir. Bu kümeleme sonuçları, arama, duygu analizi ve öneri algoritmalarının temelidir ve bilimsel araştırma, araştırma ve kanıt toplama, e-ticaret, müşteri ilişkileri yönetimi ve diğer alanlarda yaygın olarak kullanılmaktadır. Word2vec uygulaması yalnızca doğal dili ayrıştırmakla kalmaz, aynı zamanda genomlar, kodlar, sosyal medya görüntüleri vb. Gibi diğer diller veya sembol dizileri için de ayrıştırılır ve ayrıca içlerinde var olan kalıpları etkili bir şekilde tanımlayabilir. Çünkü bu veriler kelimelere benzer ayrı bir durumdadır.
Xinzhiyuan: Doğal dil alanında derin öğrenme ile dilbilim arasındaki karşıtlık hakkında ne düşünüyorsunuz?
Liu Bing: Doğal dil, dilbilimden ayrılamaz, ancak insan dilbilimi makine öğrenimi ile aynı şey değildir. İnsanlar dilleri çok küçük birimlerden, babalardan, annelerden öğrenirler ... bütün bir cümleden veya uzun bir denemeden değil, basitten karmaşığa kadar şeyler gibi bir müfredat (müfredat) vardır. Makine öğreniminin mevcut yöntemi, konuşmanın tamamını, tüm makaleyi girmek ve ardından bilgisayarın kendi kendine tahmin etmesine izin vermektir.
Doğal dil işleme, bunun anlambilim yapan biri tarafından yapılması gerektiğini düşünmüyorum. Kendim de biraz deneyime sahibim. Tamamen dilbilimsel bir kişi olarak yaptıkları hala anlaşılabilir, dolayısıyla makineler için yardımları Çok küçük, bulguları "operasyonel hale getirilemez".
Xinzhiyuan: Bir şaka var ki, makine çevirisi yapmaktan atılan her dilbilimci için doğruluk oranı yüzde birkaç arttı.
Liu Bing: Bu biraz aşırı olabilir (gülüyor). Ancak, dilbilimcilerin bilgisayarlara yardımı pek de iyi değil. İnsan dilbilimiyle makine dilbilimiyle aynı şey olmadığı için bu sorunun yeniden değerlendirilmesi gerekebilir. Dahası, insan dilbiliminde sınıflandırma ve analiz, dili anladığınız varsayımına dayanır. Ancak şu anki hesaplamalı dilbilim, dilbilimini bilgisayar perspektifinden, makinelerin merkezde olduğu bir perspektiften düşünmektir.
Dahası, dilbilim tek başına yeterli değildir - dilbilim hala anlambilimden söz eder ve anlambilimin arkasında pek çok şey vardır. Örneğin, göremiyor ya da duyamıyorsan, sadece dokunabilirsin, ne kadarını bilirsin? İnsanlar dünyada yaşıyorlar, istedikleri zaman izleyip dinliyorlar, çeşitli bilgiler alıyorlar ve aynı zamanda geri bildirim alıyorlar, böylece çok şey öğrenebilirler. Bilgisayarın da böyle bir geri bildirim sistemine ihtiyacı var.
Xinzhiyuan: Verileri görüntüler ve konuşma gibi farklı modlarla birleştirerek doğal dil işlemenin faydaları nelerdir?
Liu Bing: Doğal dil işleme tamamen bir dil sorunu değildir. Dil, görme ve duyma ile de bağlantılı olabilir, böylece makine dünyayı anlayabilir, içinde en az bir sahne vardır, bir şey olduğunu hayal eder. Dil dünyadaki her şeyi tarif edemez, bir şeyleri tarif ettiğimizde odaklanırız. Bu araba sürmek gibi ... Araba sürerken dünya hakkında her şeyi bilmeme gerek yok, sadece öndeki kırmızı ışığa ya da yanımda kimse var mı diye bak. Ancak odağı değiştirdiğimde, o sırada fark etmediğim, araba kullanırken geçtiğim dükkanlar gibi başka şeyleri de tanımlayabildim. Böylelikle daha kapsamlı bir sunum yapılırken odaklanma da sağlanabilir.
Ayrıca, gerçek hayatta, iletişim kurduğumuzda, genellikle çok az bilgiye ihtiyaç duyarız ve söylemeyeceğimiz çok fazla içerik vardır. Film dizilerini, oyuncuların diyaloglarını izliyorsunuz ve metin çok özlü ve hatta monoton, ancak ton, oyuncunun ifadesi ve arka plan müziğiyle farkı hemen hissedebiliyoruz. Makinelerin insanlarla iletişim kurmayı öğrenmesi için insanlara benzer bir ortama mı yerleştirilmeleri gerekir? Gelecekte, doğal dil işlemenin ayrıca görüntü, ses ve video gibi farklı modların verilerini entegre etmesi gerekiyor.
Araştırma yaparken ileriye dönük düşünün; derin öğrenmenin geleceği hayat boyu öğrenmedir
Xinzhiyuan: Giderek daha fazla şirket akademik zirvelere katılıyor. Bunun bir nedeni, çok fazla araştırmanın çok fazla bilgi işlem gücü gerektirmesi ve çoğu zaman bunu yalnızca şirketlerin sağlayabilmesidir. Şirketinizde derin öğrenme araştırmasını nasıl yapacağınızı düşünüyor musunuz?
Liu Bing: Her zaman daha fazla katılım gösteren bir girişim olgusu olmuştur. Bunun iki sebebi var: Hesaplama gücüne ek olarak veri de var. Yapay zeka basit bir algoritma değildir, yine de çok fazla veri gerektirir ve insan öğrenmesi aynıdır, tüm gün izlemeniz, tüm gün okumanız ve tüm gün dinlemeniz gerekir. Büyük veri olmadan zeka imkansızdır. Bunun sektörde büyük avantajları var. Elbette bilgi işlem gücü aynıdır. Bu kadar büyük miktarda hesaplama gerektiren bir araştırma yapmadım, ancak kısıtlamalar hala açık - şimdi bir makale yazmak için erken hazırlanmam gerekiyor. [Model] birkaç gün önemlidir. Sonucu bilmiyorum ve yanlışsa revize etmem gerekiyor. Hesaplama büyük bir sorundur. Ancak, Google gibi şirketler hala çok sayıda araştırmayı destekliyor ve bunlar tamamen uygulamalara yönelik değil. Bu nedenle, sanayi ile işbirliği iyi bir yoldur. Özellikle veriler için, akademinin gerçek verileri üretmesi zordur, bu nedenle endüstri ile işbirliği yapması gerekir.
Öte yandan, ileriye dönük düşünebilirsiniz, mevcut yöntemi [mevcut sorunu çözmek için] kullanmak zorunda değilsiniz, daha iyi ve daha yeni yöntemler var. Akademi ileriye dönük ve yenilikçi olmasıyla tanınır. Örneğin, şu anda yaptığım ömür boyu makine öğrenimi bu kadar büyük miktarda veriye ihtiyaç duymuyor. Yaşam boyu makine öğrenimi kavramı, bir şeyle, farklı alanlarda farklı görevlerle her karşılaştığınızda, öğrendiklerinizi yavaşça biriktirebilmenizdir. Bu sayede yeni bir durumla karşılaşırsanız çok fazla yeni veriye ihtiyacınız olmaz. Sanki bir insan bir cep telefonunu biliyor. 10.000'e bakmanıza gerek yok. İki ya da üçüne bakarak "cep telefonunun" ne olduğunu anlayabilirsiniz, çünkü daha önce cep telefonlarının işlevlerinin ve şekillerinin çoğunu görmüştük. Bu bir çözümdür.
Xinzhiyuan: Yaşam boyu öğrenmeyi ayrıntılı olarak tanıtabilir misiniz?
Liu Bing: Şimdi, ister sinir ağları isterse diğer algoritmalar olsun, aslında hiçbir şey hatırlanamıyor ve hepsi tek başına öğreniyor. Mevcut transfer öğrenimi sürekli değildir. Mevcut model hala bilgi biriktiremiyor, yeni bir problemle karşılaşıldığında, öğrenmeye baştan başlamak gerekiyor. Yapmak istediğimiz şey insanlar gibi olmak, böylece makineler öğrenmeye devam edebilsin. Bu öğrenme mekanizması mevcut olandan farklıdır: biri öğrenmek, hatırlamak ve uyarlamaktır (uyarlamaktır) Yeni bir durumda bilginizi nasıl kullanırsınız; yeni bir durumda, yalnızca öğrendiğiniz bilgileri kullanmakla kalmaz, aynı zamanda yeni problemler de keşfedersiniz, çünkü gerçek dünyada daha önce öğrendiğiniz problemlerle karşılaşırsınız , Bu olası değildir.
Özellikle, ne yapması gerektiğini anlayabilen ve daha önce hiç görmediği şeyleri bilen bir model oluşturmayı umuyoruz. Bunu yaparsak, yeni şeylerle karşılaştığımızda öğrenmeye devam edebiliriz. Basit bir örnek olarak, bir otelin girişinde konukları "Merhaba deyin" diye selamlamak için bir robot yapmak istediğimi varsayalım. O, otelde yaşayan insanları tanımalı ve aynı zamanda yeni gelenleri ayırt edebilmeli ve yeni gelenlerle tanışırken inisiyatif alabilmelidir. Soruşturma, ayrıca fotoğraf çekebilir ve ders çalışabilirsin ... böylece bir dahaki sefere gördüğünde, bu kişiye en son nasıl olduğunu söyleyebilirsin.
Genel zeka dünyayı keşfetmektir ve işte öğrenilebilir. Örneğin bir model oluşturmak için modelin bazı yerlerde kullanılabileceğini ve bazı yerlerde kullanılamayacağını bulmak istiyorum.Dünya bu modelin kapsamına girmiyor; ayrıca onu kullanma sürecinde öğretmen gibi geliştirilebilecek bir yer olup olmadığını öğreniyorum. Size matematiği öğrettikten sonra anlarsınız ve hala problemleri yaparken öğrenmeye devam edersiniz.
Yaşam boyu öğrenmenin yapay zeka ve makine öğrenimi için gerekli bir adım olduğuna inanıyorum. Onsuz, makinenin gerçekten akıllı olma ihtimali düşüktür. Doktora öğrencim ve ben 2016 yılının sonunda "Yaşam İçin Makine Öğrenimi" adlı bir kitap yazdık. İlgileniyorsanız, bir göz atabilirsiniz (https://www.cs.uic.edu/~liub/lifelong-machine-learning-draft.pdf).
Xinzhiyuan ile ilgili rapor: [Kuzey Amerika'daki Çin Bilgisayar Bilim Adamlarının İlk Yıllık Konferansı] Liu Bing, Illinois Üniversitesi: Yaşam Boyu Makine Öğrenimi (45PPT)
Xinzhiyuan: Derin öğrenmenin doğal dil işlemeyi nasıl etkileyeceğini düşünüyorsunuz?
Liu Bing: Derin öğrenmenin, içinde zeka içeren bir algoritmayı temsil edip etmediğinden henüz emin değilim. Ben öyle olmadığını düşünme eğilimindeyim. Derin öğrenme aynı zamanda bir tür fonksiyon yaklaşımı ve haritalandırmadır.Genel olarak bazı örneklerle bu örnekler arasında bazı ilişkiler vardır.Bir yaklaşım yapmama izin verin. Daha önce görmediğim bir şeyle karşılaştığımda ne yapmalıyım [için] ömür boyu makine öğrenimi ve "uyarlama" ile ilgili içerik hakkında daha çok endişeliyim. Ama derin öğrenmenin kendisi de gelişiyor ve coşku da çok yüksek, herkes dikkat ediyor, onun gelecekteki yönünden emin değilim. "Zeka" nın henüz böyle bir algoritma olmadığını hissediyorum. [Derin Öğrenme] 'de çok fazla parametre var, ancak algoritmadaki bilgiyi gerçekten nasıl zenginleştirebilirim? Gelecekte, küçük bir değişiklik [yeni problemleri çözebilir]. Bilmiyorum. Derin öğrenme bunu yapabilir mi, şu anki derin öğrenmenin henüz yapmadığını hissediyorum. Birikmiş bir şekilde öğrenebilmek, geçmişi unutmadan yeni şeyler öğrenebilmek ve geçmişte öğrendiğim bilgileri daha hızlı ve daha iyi öğrenmeme yardımcı olmak için kullanmak ... Şu anda yapmak istediğim araştırma bu.
Dikkat! Büyük Düşün, Soyut Düşün
Xinzhiyuan: Endüstriden çok araştırma yapmayı tercih ettiğinizi söylediniz mi?
Liu Bing: Evet. Sektörde para kazanma ve ürün üretme misyonu var, hayal etmek ve kendi araştırmanızı yapmak için çok fazla boş alan yok. Bu, pratik uygulamalarla ilgilenmediğim anlamına gelmiyor - yapay zekanın hem uygulaması hem de araştırmasıyla ilgileniyorum, ancak ne yaparsanız yapın, özgün düşünceye sahip olmanız ve yeni ve yaratıcı fikirler üretmeniz gerektiğini düşünüyorum. Belirli bir algoritmayı belirli bir işleve dönüştürmek gibi sadece saf bir uygulamaysa, ilgilenmiyorum. Tabii eğer yaratıcıysanız hem araştırma hem de uygulama ile ilgileniyorum.
Xinzhiyuan: Son zamanlarda, Dikkat mekanizması doğal dil işlemede çok fazla ilgi gördü.
Liu Bing: Aslında, Dikkat kavramı uzun süredir ortalıkta dolaşıyordu, ancak şimdi "Dikkat" adı insanların hayal gücünü daha iyi yakalamak için kullanılıyor. Adlandırma meselesi sandığınızdan daha önemlidir. Size bir örnek vereyim, Çin sık sık WeChat'in şu anda çok güçlü olduğunu, bunu yapabildiğini ve çok şey yapabildiğini söylüyor ... Ama bunu soyut bir kavram olmadan tarif etmek anlamsız. Joseph Nye "yumuşak güç" terimini ortaya attı ve kavramı hemen özetledi. Kesin ve canlı bir isim almak, konunun özünü kavramak ve herkesin "Ah!" Duymasını sağlamak çok önemli ve büyük bir katkı. Ben yüksek lisans öğrencisiyken, öğretmenim - yıllardır ondan hatırlayabildiğim tek şey - Özet'e ihtiyacınız olduğunu söyledi. Bunu yapabileceğimi ve şunu söyleyemem ... Soyut, temsil, genelleme yapabilmeli ve soyut olmalıyım.
Xinzhiyuan: ACM, AAAI, IEEE Fellows ve birçok klasik makalenin yazarı olarak, araştırmacıların iyi araştırma yapmaları için ne tür önerileriniz var?
Liu Bing: En önemli şey yeniliktir. Bir şeyler yapmakta cesur olmalısınız ve araştırma yapmak için cesur olmalısınız - uçurumdan atlamayın. Zor bir şeyden korkmayın, kendiniz için imkansız olduğunu düşünmeyin. Eğilimi çok fazla takip etmeyin, sadece bir makale yazmak için makaleler yazmayın. İtmek istediğiniz büyük fikrin ne olduğunu bulmak için, doğal olarak makaleler olacaktır. Başkalarının makalelerini bütün gün okursanız ve "Evet, burayı iyileştirebilirim" hissini veren bir yer görürseniz, iyileştirmek mümkündür, ancak büyük bir gelişme olmalı. Çin'de çok zeki öğrencilerle tanıştığımda kendimi cesur hissediyorum. Bazen pek çok şey düşünmediğimden değil, düşündüğümden ama yapmaya cesaret edemediğimden, "Vay canına, başkaları yapmadıysa çok mu zor yoksa anlamsız mı?" Diye hissetti. Ayrıca yeniliğin bu kadar zor olduğunu düşünmeyin, diğerleri batıya giderse gitmezsiniz. Çok düşünür ve dikkatlice düşünürseniz, farklı bir şey bulabileceksiniz. Bilgisayar bilimi bir hayal gücü alanıdır, düşünmeye ve diğerlerinden farklı olmaya cesaret etmelisiniz. Sadece biraz farklı düşünmeyin, en azından bir dalı uzatmanın bir yönü olmalı, bir ağacı dikmek kolay değildir, ancak yeni bir dalı uzatmak için böyle bir arayış gerekir.
Ayrıca, bir şeyler yapmak için soyut bir kavram olmalıdır. Çinliler, Batılı teorik olanlar kadar güçlü değil, pratikliğe çok önem veren bir millettir. Özellikle araştırma yaparken hiçbir zaman saf uygulamaları düşünmeyin, soyut fikirleri düşünün, genelleme ve süblimasyon yapın, kavramlar ortaya koyun, insanlar bunları hemen anlasın ve bilgi oluşturun.
Son olarak, genç akademisyenlerin daha özgün, teorik ve temel katkılarda bulunabileceğini umuyorum.
* Xinzhiyuan orijinal raporu
İş ayrıntılarını görüntülemek için orijinal metni okumak için tıklayın ve katılmanızı dört gözle bekleyin ~
Xinzhiyuan'ın işe alım bilgilerini görüntülemek için orijinal metni okumak için tıklayın
