文章来源：2025年寒假复旦大学校友走访活动
走访同学：2023级数学科学学院硕士研究生管思桐
汲小溪，复旦大学数学科学学院2011级博士生，现任职于字节跳动。
博士课题：站在机器学习的前沿
“2010年做机器学习探索，就像在荒地上种树。”谈及博士阶段的研究，汲小溪形容那是“早于行业浪潮的探索”。当时利用一些公共的数据集合，以及与医院和科研机构的合作，通过对脑影像和基因数据研究ADHD（多动症）、阿尔茨海默病等疾病。“我们对非结构化数据提取特征，和现在大模型处理多模态的特征提取思路相似，只是当年数据量级和技术条件有限。”这段经历让她形成独特的科研视角：“在实验室分析脑影像时，要像解数学题一样严谨；去医院调研时，又得记住每个数据代表真实的人。这种‘理性+共情’的模式，后来成了我的工作习惯。”
从复旦实验室到互联网大厂，汲小溪的跨界之路始终贯穿着对现实问题的数学化求解。在蚂蚁集团深耕风控的七年里，她将博士期间处理脑影像数据的经验转化为工业级解决方案。面对伪造证件审核的行业难题，传统人工审核需逐帧比对数百个特征点，效率低下且成本高昂。她带领团队引入多模态学习技术，通过图像特征提取、文本语义分析和时空信息关联，构建出分层筛检模型。“这就像当年从海量脑影像中定位疾病标记——核心都是降维与权重分配。”半年内，实现了机器审核覆盖率大幅提升，人工审核压力锐减，同时也沉淀出多篇相关专利。
转战字节跳动后，每天需考虑商家流量获取、用户体验保障以及监管合规要求的三方博弈，她将其抽象为“带约束的实时优化问题”：“规则不是铁板一块，而要根据数据反馈动态调整。”
最令她感慨的是学术与工业的逻辑差异：“实验室追求理论完备性，工业界则要平衡精度与效率。”她以拼多多“无条件退款”机制为例，“极致体验背后可能是复杂的策略体系——如何界定异常订单？怎样避免羊毛党？这需要将用户行为数据转化为概率模型，再通过AB测试验证。”这种“数据驱动决策”的模式，正是数学人擅长的领域：用理性框架驾驭不确定性，在混沌中寻找秩序。
面对就业压力，汲学姐建议在校生尽早明确职业方向，无论是继续深造还是投身业界，都需针对性积累优势。她强调数学专业学生要善用抽象建模与逻辑论证的核心能力，让学科优势成为跨界竞争的“加速器”。求职准备需务实深耕：掌握SQL/Python等实用工具比泛泛的理论更重要，参与Kaggle等竞赛能有效弥补实习短板，面试前则应深入研究目标企业的业务痛点，用具体案例证明解决问题的能力。她特别提醒，实习选择要“重深度轻广度”，三个月扎根本领域远比频繁跨赛道更有价值，同时切忌眼高手低，数学训练赋予的是思维工具而非职业光环，真正的竞争力在于用数据驱动决策的实战能力。
在时间管理上，面对互联网行业高强度的工作节奏，汲学姐以“锚定主线、弹性应对”为核心策略。她习惯以两周为周期设定明确目标，将70%精力分配给核心项目，剩余30%用于处理突发会议或临时需求，确保关键任务不被琐事淹没，“坚持做正确的事，而不是容易的事”。日常工作中，她会利用通勤、会议间隙等碎片时间处理邮件等低耗能事务，为深度思考保留整块时间。面对多线程任务时，坚持“以终为始”原则，当临时需求与主线冲突时，主动向上沟通确认优先级。周末则通过运动、看展以及桌游等方式等放松，认为“高效续航的关键不是压榨时间，而是保持张弛有度的节奏”。
同学感想：与汲学姐对话最深的触动，并非来自那些耀眼的技术成果，而是她身上蓬勃的生命力。当谈起通宵优化算法时的神采，分析电信诈骗话术时的犀利，甚至吐槽“夺命连环call”时的调侃，她始终带着数学家特有的求知兴奋感。这种活力或许源于她独特的“解题式”生活哲学——把职业挑战视作待证明的命题，将压力转化为验证假设的动力。即便在互联网大场这样高强度的岗位上，她依然保持着每周的运动、定期组局狼人杀的习惯，“公式推不动时就彻底放空，灵感往往在放松时闪现”。或许这正是数学赋予她的终极馈赠：既能在混沌数据中提炼秩序，也懂得在喧嚣世界里守护内心的纯粹热忱。
