这周不要脸的和老板一起去了 ChinaSys，可以说整个中国搞系统最nb的一批人的学术交流了。一圈报告听下来， 有几点心得，不多，可能也没有那么深刻。
系统领域的开源框架并不多
搞系统和搞AI，搞算法不同，搞系统不仅需要一个好的 Idea，更看重能否实现出来。之前在接触 AI 时，常常说别人的数据同样的开源代码 train 不出来相同的结果，但是现在搞系统的时候，更多的是并没有现成的框架搞，如果在做系统级的实验，可能需要自己从源码开始实现，对代码能力的要求极高。之前 AI 是可能无法复现相同的结果，现在甚至是无法跑出实验。可能具体到某个具体的领域，各个组之间的侧重点也不同，就不会出现一套可复用的，满足大部分需求的整体框架出现。
搞系统的也有和 AI 结合的趋势
今年有好几个 talk 都是和 AI 相结合，听下来都是和强化学习结合，利用强化学习来对后续的行为作出一定的预测。还有用强化学习对 DB 做 best config，最终的效果也是惊人的好，甚至超过了经验很深的 DBA。但对于 DL 这个领域而言，现在火的侧重点都在 GAN 上，听说 ICLR 都快成了 iGAN 了（233333）。同时感觉 DL 在系统上可能会在某些决策上作出一定的提升，然后带来系统性能的进一步提升。但是搞系统的可能更多的还是在做 trade off 或者是在新的领域上做探索，这些方面 AI 的提升性可能并不是很强。同时如果用 DL 那一套传统的海量数据集去暴力 train ，如何解决数据集的问题也是需要考虑的方向。所以如果使用 AI 的话，可能更多的是使用 RL 的方法。
做研究的时候不要错失小点
会下听到有个老师在说他们这篇论文的来源竟然是在做组里传统研究的时候，发现的一个小的技术点。从而发掘到了一个新的小坑，迅速研究了下，然后就出了一篇顶会。这个文章是关于 ARM Barrier的，具体细节不是很懂，但如果放在我的话，可能只是避开平时工程上的坑就好了，没想到他们会继续深挖下去，令人敬佩。可能这也需要一定的敏感度吧hhhh
优化敢于放在最底层去看
有一篇研究 Block Chain 系统的论文，讲的是如何发现并优化区块链系统的性能的。具体的数学没太听懂，但最后竟然放在了指令 level 上进行分析，然后得到了不同类型指令的影响大小，并且发现关于并行这部分的指令并不是主要的影响因素，从指令集层面上去看如此庞大的系统，然后得到一个 impressive 的结论，也是令人敬佩。
总的而言，能够分享的论文都是在相关领域做到了一定较大程度的推进的，虽然隔行如隔山，系统研究的方向那么多，但是能从别人的研究分享中看到他人的闪光点，也是对自己日后的水平有大大的长进的。
另外做系统代码能力真的要求好高啊 5555555