从ZJUI出发，

赴卡耐基梅隆大学深造，

再到微软公司Bing团队投身产业前沿。

作为机器学习工程师，

他参与生成模型技术在搜索场景中的应用探索，

推动核心功能落地，服务亿级用户，

并在准确性、效率与用户体验之间

不断寻找最优解。

从学术探索到产业实践，

他始终追问问题本质，

以技术创造实际应用价值。

今天，让我们一同走近

ZJUI2021届电子与计算机工程专业校友黄家源。

严谨，从反复推敲开始

回望在ZJUI的学习生涯，他常常想起本科时修读的RHET 105 Writing and Research课程。“这门课让我收获的不只是写作技巧，更是一种严谨构建和检验解决方案的思维方式。”

RHET105要求学生在一学期内完成一篇超过25页的研究性论文。从提出观点到最终定稿，每篇文章都要经历多轮修改和反复重写。起初，他觉得这样的过程繁琐，甚至有些枯燥。直到后来参与科研项目时，他才逐渐意识到，这门课所培养的严谨论证与系统思考能力，构成了他后续学习和研究工作的重要基础。无论是设计模型方案、分析实验结果，还是推动功能落地，他都会习惯性地审视方案是否存在逻辑漏洞、数据能否支撑结论，以及不同决策可能带来的影响。“RHET 105让我养成了反复推敲、批判思考的习惯，这种思维方式至今仍在潜移默化地发挥作用。”

在逐步夯实专业基础后，他将目光投向科研实践探索。他坦言，真正帮助他建立起系统科研认知的，是大二阶段参与的由ZJUI教授王宏伟指导的大学生科研训练计划（SRTP）项目。该项目聚焦智能运维领域的故障数据分析与知识图谱构建，也让他第一次较为完整地走完从问题定义、任务拆解、实验开展到结果梳理的全流程科研实践，相关研究成果Knowledge Graph Construction for Intelligent Maintenance of Power Plants（ICEBE 2019）发表于国际会议The 16th International Conference on e-Business Engineering并获得了最佳论文奖。“那段经历让我认识到，做研究不仅是掌握某项技术，更重要的是知道如何把一个模糊的问题逐渐变得清晰。”

大三期间，为拓展学术视野、探索不同研究方向，他参加了加州大学圣地亚哥分校副教授谢彭涛的暑期研究项目，围绕常识知识图谱补全及其在下游任务中的应用展开研究。在新的研究场景中，他进一步学习了如何围绕研究问题设计方法、开展实验并验证结果，并基于这项工作，以第一作者的身份在Transactions of the Association for Computational Linguistics（TACL 2021）发表研究成果Structured Self-Supervised Pretraining for Commonsense Knowledge Graph Completion。这段合作也使他获得了项目导师的推荐，为之后申请卡耐基梅隆大学计算机科学学院提供了重要支持。

两段方向各有侧重的科研经历，让他逐渐明确了继续深造的目标。本科毕业之际，他收到了纽约大学、加州大学圣地亚哥分校等多所海外高校的录取，最终选择进入卡耐基梅隆大学计算机科学学院继续学习。

从科研探索到产业前沿

初抵卡耐基梅隆大学，黄家源便迅速进入了学业与求职双线并行的状态。他不仅需要应对高强度的课程与项目，还要同步筹备次年的暑期实习与毕业求职。如何在这一双重挑战下高效配置时间与精力，成为他直面的第一道难题。

▲黄家源（右二）在卡耐基梅隆大学攻读硕士学位

学业是这段经历的主轴。得益于此前在ZJUI打下的工程训练基础，黄家源很快适应了卡耐基梅隆大学强调理论与实践相结合的教学方式。然而，硕士阶段的学习节奏不断加快，对工程实现和实际应用的要求也更为严苛。学生既要论证方法的可行性，也要考虑系统如何落地、结果能否复现，以及方案在复杂环境中能否稳定运行。

在卡耐基梅隆大学求学期间，黄家源在蒋路教授的指导下参与了论文学术海报自生成项目。“当时，生成式模型尚未像今天这样受到广泛关注。如何让模型理解视觉元素之间的关系，并自动生成合理的版式布局，是项目面临的核心问题。”这段研究经历让他深入接触了生成式模型在真实场景中的应用，也促使他开始关注实验指标之外的问题，包括模型能否准确理解任务约束，以及生成结果能否真正为人所用。

课程与科研之外，求职准备也在同步推进。黄家源需要在有限的时间里完成面试练习、职业规划和岗位申请。卡耐基梅隆大学的同学和职业支持系统为他提供了不少帮助。同学们会分享面试经验、相互进行模拟练习，也会主动交流内推机会。这种互助减轻了独自求职的压力，也帮助他逐渐找到适合自己的节奏。

这段双线并行的经历，也让黄家源更加关注一项工作最终能够解决什么问题、产生怎样的价值。而进入企业后，他也对“产出”有了更具体的认识。

“在学校，学习成果通常通过作业、论文和项目报告呈现。到了企业，技术成果需要进入真实系统，被团队采用，并最终转化为用户体验的改善。这意味着，一个方案需要综合考虑实际效果、运行效率、系统稳定性、协作成本和上线风险。”

在科技浪潮中寻找坐标

目前，黄家源在微软Bing团队担任机器学习工程师，主要通过数据分析和模型优化提升搜索体验。工作涵盖信号挖掘、实验设计、模型训练与评估、小模型后训练，以及将研究成果转化为线上产品。“这个岗位既需要研究能力，也需要工程落地能力。模型取得良好表现只是第一步，最终还要转化为真正影响用户的功能。”

▲黄家源在微软公司

利用生成式模型为搜索结果生成内容总览，是最能体现这一点的项目之一。传统搜索通常提供一系列链接，用户需要逐一浏览并整合信息。搜索内容总览则根据用户的问题组织信息，直接呈现结构化结果，帮助用户更高效地获取答案。面对庞大的用户群体，团队需要在准确性、时效性和使用体验之间不断权衡。哪些内容可以直接呈现，哪些结论需要谨慎处理，如何避免结果引发新的误解，每个决定都要经过反复思考和验证。

技术探索本身充满不确定性，而团队如何应对这种不确定性，恰恰决定了创新能走多远。在微软，黄家源深切感受到团队对试错的包容。项目结果偏离预期时，大家不会急于追责，而是共同复盘原因、提炼经验，为下一次迭代积累方向。这种氛围让成员敢于提出更具探索性的方案。与此同时，同事之间乐于主动分享知识，反馈也始终聚焦于如何把事情做得更好。在他看来，微软所倡导的成长型思维，并非抽象的口号，而是渗透在日常协作与一次次项目复盘之中。

融入这样鼓励开放交流的团队，也促使黄家源主动调整自己的表达方式。初入美国职场时，他习惯于先倾听、后发言。但在技术讨论中，及时亮出自己的判断至关重要——只有让不同观点充分碰撞，团队才能更快形成有效方案。"学会主动发声需要一个过程，"他说，"适应之后我发现，倾听和表达其实可以相互促进，先认真理解对方的观点，再清晰说出自己的判断，沟通效率反而更高。"

随着项目不断深入，黄家源愈发意识到，搜索技术的演进正在重塑行业对人才的需求。过去，搜索引擎的核心是提供相关链接，信息的筛选与整理交由用户自己完成。如今，以搜索内容总览为代表的智能系统，已经能主动理解用户意图，整合信息、调用工具，直接给出较为完整的答案。当信息整理、系统衔接与基础转换类工作逐步被智能工具承接，依赖这些技能的岗位将面临更大的不确定性。因此，他建议学弟学妹尽早构建更具长期价值的能力壁垒，可以深入用户场景，真正理解并解决实际需求，也可以扎根技术底层，参与系统的构建与优化。

在快速变化的行业中，专业能力决定一个人能走多深，适应能力则决定他能在多短的时间内进入状态。多年海外学习与工作的经历，让黄家源对"国际化"有了更为具体的理解——它不仅意味着扎实的专业功底，更意味着能迅速读懂不同环境的规则，与不同背景的人高效协作。"我很感谢ZJUI提供的国际化成长环境，"他说，"四年全英文授课、多元化课堂与项目训练，让我早早习惯了与不同文化背景的人并肩学习和合作。也正因为这段经历，后来无论是出国深造还是进入职场，我都能更快理解新规则、融入新团队。"

毕业多年，黄家源始终关注着学院的成长。日益壮大的师资队伍、日益精进的课程体系和不断拓展的国际合作网络，让他真切感受到这所年轻学院向上生长的蓬勃力量，也为自己曾是其中一员而深感自豪。回望求学与工作的一路历程，黄家源最想叮嘱学弟学妹的是：面对行业变化，不必焦虑追赶每一个风口，而要保持耐心，把时间投入真正重要、能够长期沉淀的事情中。技术迭代永不停歇，但扎实的专业基础与持续学习的能力，永远是应对不确定性最坚实的底气。"潜其心，观天下之理，"他说，"四年很短，但只要愿意沉下心踏实积累，ZJUI会带给每位同学超出预期的收获。愿大家都能不留遗憾地走过这段时光。"