子曰：“三人行，必有我师焉；择其善者而从之，其不善者而改之。”  --  《论语·述而》

    当今社会，科研已经越来越精细化，每个科研人员研究的方向都很专业化和小众。即使在同一个研究小组里，研究生研究的内容也可能泾渭分明。要想形成突破，集思广益，优势互补的 团队合作(teamworking)就成了必然的趋势。以我从事的机器学习方向为例，随便翻翻近几年在相关领域顶会上的文章，就能看到大量成果是通过合作完成的，也经常能看到国际大公司与国际牛校之间的合作成果。这种强强合作的后果，必然是会挤压多数偏好单干的科研人员发表研究成果的空间。因此，寻求合作未尝不是一种好的选择。 

    那么，对于研究生来说，怎么去寻找合作的可能和机会呢，合作时要避免哪些问题呢？我这里探讨下一些可能的形式。 

一、组内合作 

    组内合作是最容易的也是最需要重视的，毕竟同门之间的社交距离(social distance)近不少。如果有共同的研究方向，比如导师让不同年级的学生一起研究某个课题，那么此时的合作是最自然不过的，也有利于保持组内的强势研究方向和接力给新的学生。 

   组内还可以通过集思广义的形式来合作。比如定期组织讨论班，既可以讨论新的进展，在讨论中通过头脑风暴发现新的可合作的方向，也可以让大家汇报自己研究中存在的问题，相互帮助来解决。 

    另外，加强学生间的日常交流也可以促进合作。在网络时代，学生间的面对面沟通可能没有早些年那么通畅。因此，适当的在组内组织一些活动，是有利于拉近同学间的友情，比如定期聚餐、组织唱歌、团建或户外活动。当然，在经费允许情况下，还可以多组织集体去参加一些国内或国际会议。在这些活动期间的相互帮助，都能在无形中提高组内合作的可能性。 

    值得提醒的是，组内的合作需要学生之间能尽量宽容、大度。尤其是涉及到论文发表，关于谁第一谁第二作者之类问题的时候。如果关系没协调好，贡献大小差异又不是太明确的时候，最后闹得不愉快也不是没有可能。 

二、组组合作 

    而组组的合作，相对来说，不如组内那么容易。按机器学习的说法，这是两类，组组的类间距离明显大于组内的类内距离。有的时候，甚至存在校外的合作比校内合作更方便这种“近邻不如远亲”的情况。

    但是，组组合作实际可操作的空间其实挺大的，毕竟研究生之间尤其同年级的交流还是比较频繁。比如我和我博士同学、现福州大学的陈德旺教授。在博士期间我们就经常有生活、学业上的交流。也有共同的爱好，喜欢唱歌。记得有次在寝室里唱歌，结果没唱多久就被隔壁寝室的过来敲门禁唱了。所以，谈起合作研究时很快就一拍即合。从博士期间探讨智能交通和机器学习的融合开始，我们至今一起发表了不少相关的研究成果，包括首次将一维流形应用于交通流的分析[1]，以及通过机器学习方面从低精度GPS数据学习出高精度的GPS定位信息[2]等。 

三、交叉合作 

    研究方向间存在较明显差异时，也有很大的合作空间。一来是知识的互补性强。比如机器学习领域在理论研究方面的一些突破，可能对其他领域来说，还处在未曾深入了解的滞后阶段。那么，其它领域如果要跟进这方面的进展，在知识储备和文献阅读的深度广度上都不见得很充分。寻求与机器学习领域科研人员的合作，就能事半功倍。而对于机器学习领域的科研人员来说，他们也会存在找不到可落地应用、和实际问题的苦恼。此时，如果其它应用领域的人能提出问题时，也有潜力形成交叉合作。我在交叉合作这块还是尝过不少甜头，包括在金融、自来水去混浊[3]、气象预测[4]、肺癌诊断[5]、甚至半导体元件测量[6]等方面的合作，都形成了一些新的成果和突破。 

    当然，交叉合作也并非是两拔人走一块，就立马出成果了。记得我读博士期间，有回导师带我们去中科院心理研究所探讨潜在的合作。双方见面时的兴致都很高，然后开始互相介绍各自的成果。为了能让对方听懂，都已经尽可能通俗化了自己的研究方向介绍，但结果还是略有些尴尬。我们讲的时候，我估计对方是一头雾水。而轮到他们讲的时候，我们也只能听得懂科普性的词眼，一到技术细节就完全听不明白了，我导师甚至后来都睡着了。 

    另外，导师也需要注意兼顾实验室或研究小组的整体发展方向、学生的研究兴趣以及寻找交叉合作之间的平衡。因为交叉往往意味着双方都需要花比较长的时间去找合作点，很有可能有比较长的时间看不到任何潜在的突破。所以，在一个相对陌生领域进行交叉合作探索时，需要双方的相互理解和信任。 

四、国际合作 

    国际合作也是合作中必不可少的环节，它能帮助提升科研成果的档次。那如何获得国际合作呢？一方面也许是通过导师的合作渠道，一方面也可以自己主动去寻找。 

    参加国际会议，主动交流是一个好的办法，因为这样比较容易碰到志趣相投的朋友或合作者。记得2006年在昆明开的ICIC国际会议，我去参加时，就刚巧碰到一位外国学者Uwe Kruger在做主曲线的报告。认真听完后，感觉和我当时研究的方向非常一致，于是便上前去和他讨论其中的问题，并因此建立了联系。一晃14年过去，我们之前有过很多论文方面的合作[2,5]。我也邀请过他来复旦大学访问过两次，也推荐了学生去他所在的学校从事博士后工作。 

    除了会议，也可以申请去国外的高校访问或求学，比如通过国家留学基金委CSC的联合培养博士项目、青年教师可以考虑的各省或CSC的访问学者项目等等。由于与合作方的交流时间一般都比较长，更有利于双方充分了解。所以，这类项目往往能促成长期而稳定的合作，并且能更好地施展各自的长处来形成更好的成果。 

    不过今年因为新冠疫情的原因，我想大部分的国际会议，有可能会延期或改为网上的虚拟会议。去国外交流也存在同样交流不畅的问题。这不能不说是种遗憾，因为对学生来说，除了了解学术进展外，可能还少了能建立潜在长期合作的机会。 

   另外，要注意的是，由于距离受限、面对面交流又不畅的原因，远程的国际合作很容易产生分歧，甚至合作中断。尤其是学生，更要注意把握分寸。有些合作的中断，往往是因为学生过份好奇或自信，太相信自己判断的准确性，倾向否定合作中对方提出的想法或观点。一来二去，就拖延了合作课题的进展，最终导致双方的信任度减分。所以，这类合作需要双方都能适当做些折衷，才能有长期合作的可能。 

五、同行合作与强强合作 

    除此以外，不同单位的同行之间也存在合作的空间。但要进行长期的合作，要么就是朋友关系，要么可以通过参加各种专业委员会来逐渐熟悉，要么就是通过联合申报项目的方式来实现。前两者和组组的合作差不多，后者则容易形成比较稳定的合作关系，但也应避免申报完后，又各干各、以至于整体等于局体之和的情况。 

   以机器学习领域为例，从国际上近几年论文发表的情况来看，单位之间的合作已经明显增加了。究其原因，还是因为专业的细分，以及彼此间存在强的互补性。另外，合作的各个单位的实力似乎都很强，有一种强强联合的趋势。因此，国内如果希望能尽快超车，采用强强合作的方式也是有必要考虑的。 

六、科研孤狼 

    虽然合作很重要，但合作是需要花时间磨合的，并非合作了，就一定能成功和让双方满意，失败的情况也不少。所以，既要有耐心，也要放宽心。也并非百分之百就一定是合作就胜于单干。还有，不是所有人、所有方向都适合通过合作的形式来产出成果。所以，不必因为别人合作了，自己没合作，就以为自己的研究会处于劣势。有的时候，重要的成果或灵光一闪的成果就是一个人做出来。比如阿基米德浮力定理的发现。再比如一些重要数学定理的证明，可能多数情况就只能一个人独立完成。 

   鲁迅说过:猛兽总独行,牛羊才成群。如果你觉得自己各方面都更适合做科研上的孤狼，那也没问题。只要你能坚持和认准一个方向，不动摇，迟早也能闯出名堂。

张军平

2020年3月28日

参考文献：

1. Dewang Chen, Junping Zhang, Shuming Tang, and Jue Wang. Freeway Traffic Stream Modelling based on Principal Curves and its Analysis. IEEE Transactions on Intelligent Transportation Systems, vol.5, no.4, pp.246-258,2004. 

2. Junping Zhang, Dewang Chen, and Uwe Kruger. Adaptive Constraint K-segment Principal Curves For Intelligent Transportation Systems. IEEE Transactions on Intelligent Transportation Systems, vol. 9, no. 4, pp. 666-677, 2008. 

3. Yiqun Liu, Yiwei He, Shumao Li, Zhenghui Dong, Junping Zhang, Kruger Uwe. An Auto-Adjustable and Time-Consistent Model for Determining Coagulant Dosage Based on Operators’ Experience. IEEE Transactions on Systems, Man and Cybernetics: Systems, accepted, vol. xx, no. xx, pp. xxx-xxx, 2020. 

4. Lei Chen, Yuan Cao, Leiming Ma, and Junping Zhang. A Deep Learning-Based Methodology for Precipitation Nowcasting With Radar. Earth and Space Science, 7, e2019EA000812. 

5. Yiming Lei, Yukun Tian, Hongming Shan, Junping Zhang, Ge Wang, Mannudeep K. Kalra.Shape and Margin-Aware Lung Nodule Classification in Low-dose CT Images via Soft Activation Mapping. Medical Image Analysis. accepted, vol. xx, no. xx, pp. xxx-xxx, 2020. 

6.Haiping Zhu, Youngjoo Lee, Hongming Shan, Junping Zhang. A maximum contributed component regression for the inverse problem in optical scatterometry. Optics Express, vol. 25, no. 14, pp. 15959 - 15966, 2017.

延续阅读：

19. 读研秘技十九：兼听则明的评审与回复

18.  读研秘技十八：完美主义的排版

17.  读研秘技十七：虎头蛇尾与画蛇添足的结论

16.  读研秘技十六：完备的实验

15.  读研秘技十五：创新 -- 从亨廷顿舞蹈病说起

14.  读研秘技十四：综述东来顺，引用西太后

13.  读研秘技十三：引人入胜的开场白

12.  读研秘技十二：重灾区的论文摘要

11. 读研秘技十一：论文的选题与选题目

10. 读研秘技十：不对称的压力与科研流水线

9. 读研秘技九：讨论班与综合科研能力

8. 读研秘技八：泡泡糖与脱口秀

7. 读研秘技七：高徒出名师

6. 读研秘技六：正说寻师 -- 四个维度

5.  读研秘技五：从射雕戏说寻师

4.  读研秘技四：湖南人的霸蛮与荷尔蒙

3. 读研秘技三：我的想象力飞了起来

2. 读研秘技二：时商与基础误区

1. 读研秘技：你能更优秀（一）：时商，从爱多士说起

张军平，复旦大学计算机科学技术学院，教授、博士生导师，中国自动化学会混合智能专委会副主任。主要研究方向包括人工智能、机器学习、图像处理、生物认证及智能交通。至今发表论文近100篇，其中IEEE Transactions系列21篇，包括IEEE TPAMI, TNNLS, ToC, TITS, TAC, TIP等。学术谷歌引用3600余次，ESI高被引一篇，H指数30。

出版科普著作《爱犯错的智能体》，曾连续24次推荐至科学网头条，曾五次进入京东科普读物新书榜前三名。关于人工智能发展趋势的观点曾被《国家治理》周刊、《瞭望》、《科技日报》、《中国科学报》等媒体多次报道。连载的《读研秘技》至今被科学网推荐头条18次。