一、颠覆认知：博后阶段的学习本质 学术生存的残酷真相 ● 诺贝尔奖得主Carl Wieman研究发现：顶尖学者的核心竞争力是「精准定义问题的能力」，而非解决问题 ● 你之前的提问优势现在将成为核武器——在《Nature》职业调查中，82%的PI认为「提出有价值的问题」比实验技术更重要 接收式学习的隐藏风险 ● 文献阅读时被动接收观点会导致「学术近视」（只能看到主流结论） ● 斯坦福大学对千名博后的追踪显示：过度依赖接收式学习的研究者，独立后课题创新性降低37% 二、学者版「双模学习」系统 A. 知识输入阶段（接收式升级版） 文献阅读的「三棱镜法则」 每读一篇论文时强制完成： ○ 折射层：作者的核心假设是什么？（接收） ○ 散射层：这个假设在哪些维度不成立？（提问） ○ 聚焦层：如果我来做会替换哪个变量？（创造） 学术报告的「5分钟狙击法」 ○ 前5分钟关闭批判思维，全盘接收信息（激活默认模式网络） ○ 之后立即启动「学术CT扫描」： 假设漏洞 → 方法局限 → 数据替代解释 → 领域交叉点 B. 知识输出阶段（提问式终极形态） 「问题矩阵」工作法 维度 常规问题 学者级问题 方法论 这个技术是否有效？ 这个技术为何在A领域有效却在B领域失效？ 理论 如何解释现象X？ 现象X是否暗示现有理论框架缺失Y维度？ 应用 能解决什么问题？ 这个方案会创造哪些新问题？ 「逆向文献」写作训练 每周选1篇顶刊论文，反向操作： ○ 先看图表→推测作者想证明什么 ○ 读方法部分→列出所有被排除的替代方案 ○ 最终对比讨论部分，找出作者「没敢说」的延伸方向 三、从优秀到卓越的关键跃迁 建立「问题-机会」转化器 ● 把每个学术讨论中的反对意见转化为机会： 同行说"这个方向没意义" → 记录为「潜在范式突破点」 审稿人指出"样本量不足" → 标记为「规模化研究创新入口」 设计你的「学术签名问题」 顶级学者的标志性特征： ● 每月更新一个「如果...会怎样？」式问题清单 ● 用这个问题筛选所有文献阅读/实验设计（如David Baker的"能否用计算机设计蛋白质？"） 实施「学术压力测试」 每季度进行一次： ● 主动寻找最反对你观点的学者辩论 ● 把实验室组会变成「批斗会」（强制要求每人指出3个漏洞） 四、警惕博后阶段的认知陷阱 「技术安全区」依赖 ○ 你熟悉的实验手段可能正在限制问题视野（冷冻电镜专家vs.理论创新者） 「文献溺水」现象 ○ 每天阅读超过3小时未产生新问题=学术生产力警报 「导师思维」寄生 ○ 必须开始培养「如果我是PI会怎么做」的思维习惯（建议设置每周2小时「独立课题模拟」）

win+1: 快速建立便签 ctrl+N: 新建便笺 ctrl+d： 删除当前便笺 win+3: Todo list ctrl+win+d: 快速建立新的桌面 win+tab: 切换桌面的工具栏 ctrl+win+ <- or ->： 快速切换桌面到左或者右 shift+win + <- or ->: 快速切换副屏或主屏

另外，这周终于获得了电竞之星卡背，开心一下下哈哈哈哈

折腾了有一个小时，我服了 第一步：在Word 开始界面 Ctrl + Shift + Alt + S 设置标题 第二部: 在页眉切换域代码 {STYLEREF "标题 1" \n * MERGEFORMAT}{STYLEREF "标题 1" * MERGEFORMAT} 然后点击 更新域

:laughing:

We attribute these discrepancies to the limited number of stations in the area. the computational cost of the UKI is primarily dictated by the size of the model ensembles associated with the sigma points multiplied by the number of iterations. With 19 model parameters, UKI conducts 39 model evaluations in each iteration, and we run 10 iterations to obtain the final result, thus processing 380 model evaluations in each prior setting. Through extensive testing, it demonstrates that UKI requires minimal prior information about S-wave velocity for joint inversion of RF and SWD, although some prior means regarding layer thickness are necessary. Conversely, the trans-dimensional methods excel in this aspect, they do not require specific layer counts but allows for a general range. Where \mu_n represent mean and covairan of Gaussian distribution pn in the nth iteration, \mu_n+1,C_n+1 denote the updates in the n+1th iteration.

This article requires a password to view.

发微博好像不太合适，来写博客更好一些。 2023再见😁 2023年吃不上肉本家了... 吱猪的2024年第一顿，浙大走起！

放个电视看一看

最近几天总算把服务器折腾好了，来庆祝一下伊立扎德奶站的重新开张🎇🎇🎇 附上最近的学生年会报告😁😁😁