君泰，充满对世界未知的好奇
本人财务专业，属于文科。但说来惭愧，上网从来只看有关计算机，编程之类的资料和文…
专家：别让孩子输在起跑线上父母：儿啊，你就往前看，死命往前跑。我们骑你身上，给…
教？不用。妈妈不用学电脑。爷爷奶奶不用学电脑。岁数大了，为什么要像我们年轻人吸…
这说明在经济下行的情况下，我国老龄化、养老，已经成为了一个比较大的问题了。&br&&br&&br&很多政府不可理喻的行为和举动，其实只要你从维稳这个角度上来看，你就会知道他到底是想干嘛。&br&&br&&br&比如鼓励妇女发挥在家庭中的作用，说这是中国传统优秀品德，其实并不是什么尊重传统文化，而是说明了中国经济下滑，很多人失业，政府希望一部分女性返回家庭，这样能够腾出一部分就业岗位。&br&&br&&br&比如这个讲要孝顺，不要违逆老人，也并不是什么为了爱护老人，或者是为了保护中国传统优秀文化，而是因为在经济下行的情况下，老龄化已经开始成为了一个问题，年轻人赡养老人的压力过大，所以提倡孝顺。&br&&br&……&br&&br&大道废，有仁义。&br&&br&就像鱼儿只有在泉水干涸时，相呴以湿，相濡以沫，才会成为一个弥足珍贵的行为，而它们生活在舒适的江湖中时，则会彼此相忘。（泉涸，鱼相与处于陆，相呴以湿，相濡以沫，不如相忘于江湖）&br&&br&&br&如果经济景气，政府才不会去提倡什么传统美德，经济越不景气，政府越会拿一些传统的什么价值观说事。&br&&br&&br&大道废，才会提倡仁义，经济越不景气，那么就越会提倡一些所谓的传统美德。&br&&br&&br&因为要维稳，经济不景气，年轻人赡养老人压力太大，如果因此都不赡养老人，那整个社会会出现大动荡，所以政府才会提倡什么孝顺，尽管在我们看来，这是顽固不化、迂腐的愚孝，但其实在政府看来，这是有实际意义的。
这说明在经济下行的情况下，我国老龄化、养老，已经成为了一个比较大的问题了。很多政府不可理喻的行为和举动，其实只要你从维稳这个角度上来看，你就会知道他到底是想干嘛。比如鼓励妇女发挥在家庭中的作用，说这是中国传统优秀品德，其实并不是什么尊重传…
这个问题其实就是答案。&br&&br&中国的计算机科学科研方面，所有人都在想，为什么我不能做一个中国的 XXX。结果就是做出一个 China OS，说是自主产权，但是没有人有理由用这个东西，他比原生 Android 差太多了。&br&&br&没有人需要一个「Made-In-China 的替代品」，他们需要新的产品。只是如果这个改革性的新产品是中国人做出的，那么对中国来说也是一种进步。&br&&br&不要为了「中国造」而造。
这个问题其实就是答案。中国的计算机科学科研方面，所有人都在想，为什么我不能做一个中国的 XXX。结果就是做出一个 China OS，说是自主产权，但是没有人有理由用这个东西，他比原生 Android 差太多了。没有人需要一个「Made-In-China 的替代品」，他们需要…
说点政治不正确的。&br&&br&&br&虽然中国的软件行业借着互联网的东风着实风光了一把，程序猿满地走。&br&&br&&b&很多人就忽略了中国在computer science这一块的薄弱&/b&。&br&&br&&br&中国的Computer Science（计算机科学）远没有中国的互联网市场这样繁荣昌盛，很多方面的确是落后于美国和其他发达国家的，这是一个客观事实。&br&&br&而事实上程序设计语言和基础类库的构建，除了大把的码农之外，还需要很多的CS的人才才能有所建树。&br&&br&&br&&br&据我所知，中国的这些互联网公司对上游科研工作也就是计算机科学的支持相当有限，这可能在今后成为中国互联网发展的瓶颈。
说点政治不正确的。虽然中国的软件行业借着互联网的东风着实风光了一把，程序猿满地走。很多人就忽略了中国在computer science这一块的薄弱。中国的Computer Science（计算机科学）远没有中国的互联网市场这样繁荣昌盛，很多方面的确是落后于美国和其他发达…
非常好的一个问题。这可能是我在知乎见到过的问编程有关的问题中问得最好的一个了。我非常喜欢这个问题。&br&&br&计算机科学有两类根本问题。一类是理论：算法，数据结构，复杂度，机器学习，模式识别，等等等。一类是系统：操作系统，网络系统，分布式系统，存储系统，游戏引擎，等等等等。&br&&br&理论走的是深度，是在追问在给定的计算能力约束下如何把一个问题解决得更快更好。而系统走的是广度，是在追问对于一个现实的需求如何在众多的技术中设计出最多快好省的技术组合。&br&&br&搞ACM的人，只练第一类。像你这样的更偏向于第二类。其实挺难得的，但很可惜的是第二类能力没有简单高效的测量考察方法，不像算法和数据结构有ACM竞赛，所以很多系统的苗子都因为缺少激励和正确引导慢慢就消隐了。&br&&br&所以比尔盖茨才会说，看到现在学编程的人经常都把编程看作解各种脑筋急转弯的问题，他觉得很遗憾。&br&&br&做系统，确实不提倡“重复发明轮子”。但注意，是不提倡“重复发明”，不是不提倡“重新制造”。恰恰相反的，我以为，系统的编程能力正体现在“重新制造”的能力。&br&&br&能把已有的部件接起来，这很好。但当你恰好缺一种关键的胶水的时候，你能写出来吗？当一个已有的部件不完全符合你的需求的时候，你能改进它吗？如果你用的部件中有bug，你能把它修好吗？在网上繁多的类似功能的部件中，谁好谁坏？为什么？差别本质吗？一个开源代码库，你能把它从一个语言翻译到另一个语言吗？从一个平台移植到另一个平台吗？能准确估计自己翻译和移植的过程需要多少时间吗？能准确估计翻译和移植之后性能是会有提升还是会有所下降吗？&br&&br&系统编程能力体现在把已有的代码拿来并变成更好的代码，体现在把没用的代码拿来并变成有用的代码，体现在把一个做好的轮子拿来能画出来轮子的设计蓝图，并用道理解释出设计蓝图中哪些地方是关键的，哪些地方是次要的，哪些地方是不容触碰的，哪些地方是还可以改进的。&br&&br&如果你一点不懂理论，还是应该学点的。对于系统性能的设计上，算法和数据结构就像在自己手头的钱一样，它们不是万能的，但不懂是万万不行的。&br&&br&怎么提高系统编程能力呢？土办法：多造轮子。就像学画画要画鸡蛋一样，不是这世界上没有人会画鸡蛋，但画鸡蛋能驯服手指，感受阴影线条和笔触。所以，自己多写点东西吧。写个编译器？渲染器？操作系统？web服务器？web浏览器？部件都一个个换成自己手写的，然后和已有的现成部件比一比，看看谁的性能好，谁的易用性好？好在哪儿？差在哪儿？为什么？&br&&br&更聪明一点的办法：多拆轮子。多研究别人的代码是怎么写的。然而这个实践起来经常很难。原因：大部分工业上用的轮子可能设计上的思想和技术是好的，都设计和制造过程都很烂，里面乱成一团，让人乍一看毫无头绪，导致其对新手来说非常难拆。这种状况其实非常糟糕。所以，此办法一般只对比较简单的轮子好使，对于复杂的轮子，请量力而行。&br&&br&轮子不好拆，其实是一个非常严重的问题。重复发明轮子固然是时间的浪费，但当轮子复杂而又不好拆的时候，尤其是原来造轮子的人已经不在场的时候，重新发明和建造轮子往往会成为无奈之下最好的选择。这是为什么工业界在明知道重复发明/制造轮子非常不好的情况下还在不断重复发明/制造轮子的根本原因。&br&&br&程序本质是逻辑演绎的形式化表达，记载的是人类对这个世界的数字化理解。不能拆的轮子就像那一篇篇丢了曲谱的宋词一样，能读，却不能唱。&br&&br&鄙人不才，正在自己研究怎么设计建造一种既好用又好拆的轮子。您没那么幸运，恐怕是等不到鄙人的技术做出来并发扬光大了。在那之前，多造轮子，多拆好拆的小轮子，应该是提高编程能力最好的办法了。&br&&br&以上。嗯。&br&&i&（文章属个人观点，与本人工作雇主无关。）&/i&
非常好的一个问题。这可能是我在知乎见到过的问编程有关的问题中问得最好的一个了。我非常喜欢这个问题。计算机科学有两类根本问题。一类是理论：算法，数据结构，复杂度，机器学习，模式识别，等等等。一类是系统：操作系统，网络系统，分布式系统，存储系…
这么说吧，这是一个态度问题。&br&一个国家一年一度的大型晚会，基本都是假唱，这说明什么。&br&&br&说明这个国家不喜欢看到有缺陷的东西，&br&这个国家能容忍假的、完美的东西，&br&不能容忍真实的可能有错误的东西。&br&&br&不知道大家能想到什么。&br&在我的行业，我会想到每年要搞的结案率考核，执结率考核等等各种数据造假。&br&往上提高想，这个国家对残疾人是不是特别不顺眼？这个国家对造假是不是特别宽容？&br&这是这场晚会看到的一种态度。&br&从上至下的态度。&br&让我不寒而栗。
这么说吧，这是一个态度问题。一个国家一年一度的大型晚会，基本都是假唱，这说明什么。说明这个国家不喜欢看到有缺陷的东西，这个国家能容忍假的、完美的东西，不能容忍真实的可能有错误的东西。不知道大家能想到什么。在我的行业，我会想到每年要搞的结案…
AlphaGo的发布，是一个伟大的里程碑，又一次让我兴奋地需要说一说。&br&
先说我的断言一：AlphaGo在两个月后，将会完胜李世石。&br&
留个关子，本文最后再说断言二。&br&
从中学开始，我就着迷用算法来解决游戏的博弈问题，用搜索方法创新性完成过一些题目。这几年深度学习出现后，就感觉有机会能够突破围棋，和清华的联合实验室做过几次探讨，都认为这个方向可行，可惜限于气场和能力不足，没能组织进行这方面的投入。&br&
而此次出手的，是Google旗下的DeepMind团队，在深度学习方面是最顶尖的，资源、能力、气场都没有问题，突破性的技术是基于深度学习进行估值和走棋。&br&
看知乎里好多讨论，是从之前AlphaGo完成的棋局来判断其下棋风格，倒推这个算法的威力，有点刻舟求剑的感觉。我们核心还是要回到对这次AlphaGo用到的技术的深刻理解。为了便于讨论，我们对比以搜索剪枝为核心的深蓝下国际象棋，和以搜索剪枝+深度学习为核心的AlphaGo的三个区别：&br&1. 围棋相对象棋，最大的区别是棋局的评价函数极难定义。象棋可以找到各种“特征”来计分，比如丢一个马扣多少分，兵往前拱到离底线近了加多少分，而围棋做不到，密密麻麻的黑白子挨着，互相之前又有关联，变化多，规律难以总结。这也是传统算法相对人最弱的几个问题之一。就像是我们人做人脸识别，看一眼就知道是张三李四，而机器算法难以下手。这个问题恰恰是最近几年深度学习最大的突破之处，深度学习不需要人来设计算法“找特征”，通过大量原始数据和标签的对于，机器就能够自动找特征，并且并不比人差。在几年前还有很多人认为机器在图像处理方面举步维艰，怎么定义和抽象鼻子？耳朵？眼睛？可就在这一两年深度学习突飞猛进，一举超过了人类。就在2015年，人脸识别方面，机器的识别能力已经超过了人了，这可是人进化了数千万年的核心能力之一呀。一个围棋棋局，可以理解为一张19*19的图片，其他的走棋规则和非常简单（很容易翻译成计算机规则），正好落入了深度学习擅长的事情。搜索+深度学习，这个算法完全可以覆盖围棋的规则，人下棋的思维过程和模式，只是AlphaGo的一个子集。这就决定了这个算法没有天花板，有机会在围棋领域“打通关”。&br&2. 深蓝相对AlphaGo，AlphaGo最大的优势是“学习能力”。深蓝的开局更多依靠数据库棋谱的建立，但没有泛化能力（不懂得举一反三），对于没有见过的走棋方法就可能犯傻。而之后的核心能力是计算力，通过暴力的搜索（当然也有最优秀的剪枝，但还是暴力），力图走出10-20步棋来选择最优的路径。这个复杂度是指数级的，变成一个NP问题，受限于计算力。这个系统的算法是写死的，固定的参数下，就会有固定的表现。而调整参数和改变算法，都是工程师的事情。这个系统的天花板是计算机有多强，以及工程师有多聪明。而AlphaGo更多是数据驱动的，喂给他更多的棋局数据，他就能够优化“神经元网络”，同样的运算资源下变得更聪明，并且具有举一反三的能力，这一点非常接近于人（或者说本身就是模拟人的方式来设计的）。而且我们知道，机器处理数据的能力足够地快，以及没有情绪不会出错，这就决定了这个系统如果把今天互联网上能收集到的棋局都学一遍，就成为顶尖高手了。&br&3. 最最最可怕的还不只是前面这两点，对于下棋博弈问题，AlphaGo还不只是从互联网上去收集数据进行学习，更可以自己和自己下，实现“自学习”。看过电影“超验骇客”没有？人工智能可以做到随着时间的推移就能更加聪明。金庸小说中老顽童让自己左手和右手打架“左右互搏”，成为天下无敌的武功，那个只是故事，在下棋这个领域，而AlphaGo有这样的设计，让这种武功成真了！往下还有两个月的时间，AlphaGo这样一台算法上没有天花板的机器，很有机会在“左右互搏”下登峰造极，成为不可超越的围棋高手。&br&&br&AlphaGo的技术问题讲完了。怎么来看Google背后的完整动作呢？有人觉得是过度解读了，实际系统挺糙的 -- 选的都是“欧洲冠军” -- 说明系统并不行，这是一种错误的理解。更有可能的原因是Google和Facebook在竞争下围棋，Facebook的员工缺心眼提前放了好多消息出来泄密了，结果Google就赶紧把Nature的文章发了抢了个先，然后卖个期货两个月后和人类对决，那会儿系统就足够好了，这是在竞争环境下合适的做法。&br&&br&事实上Google和Facebook两家都认识到了AI的重要性，以及就在最近几年会有大的突破。Google 4亿美金收购了DeepMind，当时只有20人，现在已经突破200人了，并且是不计代价的疯狂投入。下围棋只是体现人工智能进步绝佳的宣传点和切入点，从公开的文献可以看到，DeepMind做围棋研发是基于通用的技术进行，领域无关的（Domain independent）。这样的技术未来可以用到合适的其他领域里去。深度学习的魅力在于，只要一个领域里能够建模，能够有充足的数据，就能够在这个领域里做到超越人、取代人，短时间能从0分做到99分。如果我们依然是老观念，用渐进的方式来理解机器智能，比如之前某位大佬宣传他家的XX大脑做到了X岁的智力，这是很误(che)导(dan)的。我们同样也会错误地估计下围棋方面机器的能力，按照人类的理解1D-9D来评价它。一句话，不要用评价人的方法来评价机器的人工智能的能力，完全是不同的模式。&br&&br&老罗曾经评价过人工智能的一句话：“人工智能就像一列火车，它临近时你听到了轰隆隆的声音，你在不断期待着它的到来。他终于到了，一闪而过，随后便远远地把你抛在身后”。&br&&br&如果给这句话打上一个补丁，把人工智能的应用局限到一个一个的具体的封闭领域，这是一个很贴切的描述。我们不要过度自大，例如我们容易在自我优越感的驱使下，说动物不如人，比如人会直立行走、会说话、会实用工具，以区别于其他动物。事实证明，动物也会。面对机器也一样，就在几个月前还有人叫嚣机器十年内不能够玩转围棋，理由也都是人一眼就能看明白，机器只会计算。这些自大会让我们误判。也不用过于自卑，觉得围棋上机器上胜利了人类整个智力就被碾压了，到今天机器还是有很多领域完全无能，只能在局部领域。&br&&br&到结尾，再说断言二：除了围棋，人工智能在其他博弈类的封闭游戏里，也会横扫一切，完胜人类。
AlphaGo的发布，是一个伟大的里程碑，又一次让我兴奋地需要说一说。 先说我的断言一：AlphaGo在两个月后，将会完胜李世石。 留个关子，本文最后再说断言二。 从中学开始，我就着迷用算法来解决游戏的博弈问题，用搜索方法创新性完成过一些题目。这几年深度…
泻药&br&直接利益相关（前端微专业是我负责制作的，产品经理、Java开发工程师是我监制的，现在还正在监制交互设计师、测试工程师、UI设计师），很难公正评价，关于网易前端微专业的评价可以看 &a href=&/question/& class=&internal&&如何评价网易云课堂推出的前端开发工程师微专业？ - 教育&/a&&br&我这里大概讲下我们是如何制作和维护微专业的&br&1. 设计：我们在做前端微专业前，做了一些调研，当时市面上已经有很多前端相关的课程，我们如何定位，我们的特色是什么才能解决用户的实际问题。当时我在一些在线教育平台上搜索一些课程关键字，得到的是成百上千的视频。我就在想用户如何选择呢？用户先学哪个后学哪个呢？我们现在面对不是没有资源，而是资源过剩，无法选择。所以&b&我们要保证质量，并且要出系列课程。&/b&然后我又想到底哪些用户愿意付费？一定是毕业找工作的，或者想换工作的。所以我决定&b&根据岗位的需求来定制内容&/b&。前面说过要出系列课程，这个系列就是工作流的顺序来组织。我们最终的定位是&b&职业基础课程&/b&。是基础不是简单。&br&2. 制作：我们选择的讲师都是工作在一线的资深工程师（我自己也是从2015年下半年才几乎不不写代码了），前端的大多数公司内训的讲师，因为前端我们已经在公司做了5，6年的内训（这次微专业也算是对这些讲师免费讲课这么多年的一个汇报吧），但在线课程跟面对面培训毕竟差别很大。从确定微专业大纲，到确定课程大纲，到ppt，到录制都话费了很大的精力。光ppt的review前端微专业的课程，90%以上的ppt我都review过，很多review了3，4遍（review了改，给了review）。但第一遍原来要求的是跟翁老师的mooc课程一样，课程当成经常要出头像，给讲师很大的挑战。讲师都要备课很久，才能直视镜头讲课，但也只能背下来。所以大家看到了很多面瘫的面孔。后来第二期只要求开场出境，无比放松。&br&3. 维护：课程上线后，为了不砸网易的牌子。我是要求论坛每天讲师值日，如无意外任何问题不超过24小时一定要回答。第一门《页面制作》还算平安度过，第二门《Javascript程序设计》差评如潮啊，一方面页面制作毕竟不是程序语言，不难理解。《Javascript程序设计》是程序语言，且是很灵活的语言，讲Javascript的课程的讲师讲的也不好。我当时都睡不好，要求讲师们都去论坛回答问题，课讲的不好，后天来补。在这里很感谢第一期的学员，忍受《Javascript程序设计》，并跟我们提供了很多宝贵意见。期间还加了一些直播来讲课内容（现在如果论坛有一些集中的反馈，我们都会直播答疑）。第二期《Javascript程序设计》全部重新设计，重新录制，所以第一期的都免费上，没有再收到什么负面评价。现在有一些学员觉得综合性的案例还是太少，准备在下一期中改进。前端微专业有个实践课程，实践课程都是讲师人肉批改的，会写上详细的评语。前端微专业优秀的学员其实不愁工作的，我们公司也招了几个，我们也给51信用卡，蘑菇街等hr推荐，不少拿了offer没去的。我们也知道一些学员去了美团，上上签等还不错的互联网公司。&br&&br&以上就是我们制作微专业以及维护微专业的一些情况，当然只能说明我们用心在做，当然做得好不好还有能力问题，我不敢妄断。
泻药直接利益相关（前端微专业是我负责制作的，产品经理、Java开发工程师是我监制的，现在还正在监制交互设计师、测试工程师、UI设计师），很难公正评价，关于网易前端微专业的评价可以看 我这里大概…
更新一下这个答案&br&－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－&br&我很想真诚地回答一下这个问题。题主所说的情况，其实对于物理系学生十分常见，个人认为也是国内物理系本科教育相比美帝的一个重大缺憾。&br&&br&&br&&br&从学科特征，或者说是对学科的学习和应用的特征来说，物理和计算机是不一样的。Please get your hands dirty。高中时期所学习的知识有什么特点？精确可解的模型，漂亮优雅的答案，简洁优美的数学。这会导致什么样的结果？很多物院人在大一初学C/C++时，会觉得其中的数学结构好无聊，自己编程真繁琐，计算机远远不如学“高大上”的理论物理课程有趣。&br&&br&这就会产生一个可怕的恶性循环：&br&&br&&b&觉得计算机trivial所以不去学&/b&-&&b&因为不写代码所以对代码有畏难心理&/b&-&&b&不想接触计算机所以不去学&/b&-&&b&因为不写代码所以对代码有畏难心理&/b&......&br&&br&这个现象在我身边极为普遍，包括很多大神同学也是一样。很多同学都和我抱怨过，自己不会写程序好痛苦，但是觉得计算机太无聊又不想去学。&br&&br&就如同学习一门外语，不是说先要把一整本词典背下来才算入门，正确的学习方法应该是多说多写多用。但是对于刚进入大学的物院学生，不愿意接触这种dirty work的结果，很可能就是能在书面考试中获得一个很好的成绩，记住了很多诘屈聱牙的概念，但是最后却什么代码都写不了。但这却偏偏就是P大物院大一计算机知识的教学方法！&br&&br&我深深的明白自己在大三之前的计算机水平有多烂。不仅仅是水平烂，对计算机也抱着一种排斥的心态，不知道自己应该如何去学习这个领域的知识。大二大三的数模竞赛简直把队友坑到死。这也导致我15年为了一个数值问题反复纠结了半年，耽误了一篇重要文章的投稿。我身边很多同学也为编程所困扰，就算到今天也很难写出一个像样的程序。在祖传的代码上改动了几十句跑了个结果，是称不上”会写程序“的。&br&&br&其实对于动手做实验来说，很多物院人也会陷入同样的窠臼。大家在高中所接触到的物理实验，无非就是理想的透镜、无电阻的电流表。而大一所接触到的理论课里，也是充满了光滑的斜面与理想的导线。而真正就接触到实验室中的工作之后，大家往往会大吃一惊，处处充满了不完美。以我现在所做的光子探测器来说：我们需要探测LPA所产生的光子能谱，这一能谱在理论上十分漂亮；而实验中，单论对探测器－摄像机相对位置的精确定位，我几乎拆便了世界上所有的calibration toolbox。如果不能克服对dirty work的畏难心理，那么就永远体会不到实验物理的乐趣。&br&&br&之前的答案可能有些矫枉过正了，我在此道歉。我绝不是说，数学对于计算机知识不重要，也不是说编程就是苦力活。我想说的是，&b&大家应该有做dirty work的耐心，不要一开始就歧视这种工作，认为这就是些苦力活&/b&。如果不自己亲手写代码，那么我们就永远入不了计算机的门，也就会与真正的科研工作绝缘。物院人的数学背景对付教科书级别的算法知识，理应是绰绰有余的，不要有畏难心理。真正的拦路虎，其实是“&b&记代码、背算法、默写程序”&/b&这样错误的学习方法。我还记得谭浩强上有一道题目，是判断一个复杂的、&b&不带括号&/b&的表达式的输出。对此我只想说：&br&&br&&b&去你大爷的，多打几个括号会死啊！&/b&&br&&br&我还是要保留原来的最后一段：&br&&br&我强烈反对现在诸多高票答案，通过吹嘘物理多么多么难来嘲讽题主。题主的痛苦是众多物院学生真实痛苦的体现，绝非哗众取宠。反复说“四大力学”怎么怎么难，只会让人怀疑你们到底有没有学过物理？“四大力学”也就是设置在大二的中等难度的课程，只是物理方向的基本课程，在此之后的课程还有很多，一味地调侃这些课程怎么怎么难，只会让内行人看笑话。天天谈量子力学的哲学，拿费曼那句“Nobody really understood Quantum Mechanics”装逼，有什么意思？不会用有效的方式学习计算机，就算在P大T大也是很多物院学生的心病。我到大三上学期基本上修完了P大物院所有的研究生课，但是直到那时我的编程能力几乎还是0。如果不是本研的课题需要做一个复杂的数值计算，可能到现在我还对写代码一筹莫展。经历了这个痛苦的过程之后，现在写代码虽说不上很顺，但也是能做一些了。手头的工作是给实验室的一个探测器编写硬件配套的软件，希望能在年前完工。&br&&br&最后希望这个答案能帮到那些对写代码一筹莫展的人。与君共勉。
更新一下这个答案－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－我很想真诚地回答一下这个问题。题主所说的情况，其实对于物理系学生十分常见，个人认为也是国内物理系本科教育相比美帝的一个重大缺…
来知乎，参与讨论}