新加坡国立大学面试被问住，我用项目经历扳回一城

屏幕右下角的计时器跳到18分07秒时,Prof. Lim推了推眼镜 ，问出了那个让我后背瞬间发凉的问题：“你在个人陈述里说，技术应该服务于真实的人
，如果你的模型部署后准确率突然下降，你如何判断是数据漂移、标注错误 ，还是用户行为改变？ ”

我的大脑像被拔掉电源,准备过的术语在舌尖打结：协变量偏移 、概念漂移、因果图……它们全变成模糊的碎片
，我听见自己说了一个“I think”，然后停住 ，视频会议里安静得能听见电流声
，另一位教授低头翻材料，笔尖在纸上划了一下 ，那声音像判决 。

这是NUS MSc in Data Science and Machine Learning的面试
，我的GPA不算亮眼，本科学校也不是985 ，能进面试
，全靠文书里那个“乡村英语离线语音评测
”项目，可此刻 ，我恨自己把它写得太漂亮，漂亮到面试官以为我什么都懂。

我几乎要道歉,说“对不起
，我有点紧张”，但就在那一秒 ，我想起了云南腾冲那间漏雨的教室
，想起阿月，那个总把“apple ”读成“阿婆
”的女孩 ，想起旧平板上那个笨拙的App
，和它第一次在真实教室里崩溃的样子
。

我深吸一口气,说：“教授，我不敢说我能立刻判断 ，但我经历过一次真实的失败。”

Prof. Lim抬起头 。

“大二暑假
，我们做了一个离线英语发音评测App，给云南两所乡村小学用 ，在实验室
，模型准确率92%，可到了学校 ，只有61%，孩子们对着平板不敢开口
，老师觉得它还不如自己带读，我们差点放弃
。 ”

“后来我们做了三件事 ，第一
，不躲在机房调参，去教室后排录了2000条真实音频 ，有风声
、雨声、桌椅声
，还有孩子们紧张时的呼吸声，第二 ，把错误分类：环境噪音占六成
，方言口音占两成半，剩下的是设备延迟和不敢开口 ，第三
，我们没做复杂的因果推断，而是设计了一个置信度阈值：模型不确定时 ，不判错，只鼓励孩子再说一遍
，老师每周给我们反馈，我们每周更新一次现场数据。
”

Prof. Lim身体前倾：“所以你怎么区分数据漂移和标注错误？”

“靠对照 。 ”我说 ，“我们把训练集和现场音频的MFCC分布画出来
，发现高频噪音和语速差异很大，这是漂移 ，但标注错误也有
，早期我们把孩子们的连读标成了错误，后来我们请当地英语老师复核了500条 ，才把标准调对
，我承认，当时我们没有能力做严格的因果分析 ，但我学会了先承认模型会错
，再让真实的人参与修正
。
”

会议室里的空气松动了,Prof. Tan笑了一下：“如果重来一次，你会怎么做？”

“从第一天就做用户研究。 ”我几乎没有停顿 ，“不是先写模型，而是先坐在教室最后一排
，看孩子们怎么用，技术不是从论文里长出来的 ，是从泥地里长出来的 。
”

面试结束时,Prof. Lim说：“你的项目不完美
，但你知道它为什么不完美
。”我关掉视频，发现手心全是汗 ，窗外天已经黑了
，我租的小房间里只有冰箱在响，我躺在床上 ，觉得自己可能还是没戏
，因为第一个问题我明明卡住了那么久。

两周后,我在便利店买饭团，手机震了一下 ，邮件标题是“Offer of Admission ”
，我没有尖叫，只是把手机递给收银员看 ，又觉得好笑，赶紧收回来
，妈妈打电话来时，我正在过马路 ，她说：“你哭啦？”我说：“没有
，风大 。
”

我坐在NUS的图书馆里,窗外偶尔下雨，每次经过COM1 ，我都会想起那个卡住的18分07秒
，很多人以为“扳回一城”靠的是漂亮的项目名称，或者一句机智的回答 ，但我知道
，真正救了我的，是那个夏天在泥地里录下的两千条音频 ，是阿月第一次对着平板大声说出“apple ”时
，教室里突然响起的掌声
。

被问住不可怕,可怕的是，你从来没有真正做过一件事 ，以至于当别人追问细节时，你无路可退
，项目经历不是简历上的一行字，它是你摔过的坑 、熬过的夜
、被拒绝过又重新敲开的门 ，它们在你最狼狈的时候
，替你说话。