来源：分析测试百科网

　　 名片：李德仁，中国工程院和中国科学院院士，首创国际测量学界“李德仁方法”、创下德国斯图加特大学博士论文得分最高纪录，指导的博士生论文5次入选全国百篇“优博”。

　　开栏语

　　如果由麻省理工的毕业生和教师创办的公司组成一个独立的国家，其创造的收入将使该国成为全世界第二十四大经济体。如果将麻省理工换成北大、清华或者其他大学，那么，其创造的收入又能够排到第几呢？

　　决定这一排行榜的关键性因素，是教师，尤其是名师。正如哥伦比亚大学教授安德鲁·德尔班科指出，大学存在的伟大目的，不是帮学生为就业做准备，而是点燃他们的思想。本版特开设专栏，邀请名师论教，畅谈他们“点燃年轻人思想”之道。

　　在我的读书时代，教育理念是延续了几千年的传统模式，强调传承，“熟读唐诗三百首，不会做诗也会吟”。但现在的教育尤其是高等教育，所处的时代是“后摩尔定理”时代，该定理揭示了信息技术进步的速度。

　　“摩尔定理”在教育上同样适用。在农业经济时代，学科发展速度缓慢，人才培养方法是渐进式的，注重传承，年轻人跟在导师后面，一步一个脚印朝前走。但进入工业革命和后工业革命时期，学科发展呈现出碰撞、交叉、融合趋势，人才培养更注重传承基础之上的创新。

　　传承和创新相辅相成，不能厚此薄彼，传承是基础，创新是目的。举个例子，电子技术的变革经历了“电子管——半导体——集成电路”过程，如果培养学生时，先教“电子管”，再“半导体”，继而“集成电路”……这是一个缓慢的过程；而且在这个过程中，新技术还在不断产生。如果只注重传承，相当于让年轻人重走一遍导师的学术道路，想要做出有影响力的科研成果，难度无疑是比较大的。

　　但是，如果导师谙熟学科发展趋势，能看准学科发展的方向，能预测到学科未来的前沿领域，在把“电子管”“半导体”和“集成电路”的基本原理讲透之后，将年轻人带入“集成电路”之后的新材料领域如石墨烯，他们做出新成果的概率则非常大。

　　想培养出优秀的年轻人，导师必须能看清学科发展方向，制订好项目的方向和路线，把最新鲜、最有难度、最有挑战性的问题交给年轻人，同时激励他们，严格要求他们去创新。我在德国留学时，导师阿克曼教授说过，“像我这个年龄的人，已经老了，我跟我的学生比，在具体的问题上都不如他们。他们在每个学科方向点上钻研，已经超过我了，我要向他们学习。但是我为什么还要存在呢？因为我在高处看方向、做指挥，看他们怎么走，这是我的本事。”

　　当下有些导师，满足于争取小的横向项目，把年轻人当作“劳动力”，让他们整天沉浸在重复的没有挑战性的劳动中，没有成就感的同时又承担着各种生活压力，慢慢地科研兴趣就淡了，年轻人就此被耽误了。

　　还有些导师，学术造诣很深，但只注重自己埋头用功，年轻人跟着只是打打杂做做下手，学不到高精尖的东西，自然也没有成长机会。这也是一个误区，是中国封建科举制度遗留下来的固定思维。

　　什么样的年轻人适合放到科研一线？这需要导师“知才善用”。科研一线挑战大，出成果的机会多，导师要有意把年轻人推上去。但要注意的是，那些敢想敢为、基本功好的年轻人，导师要鼓励他们去一线试水；那些盲目自信、心浮气躁的年轻人，导师要带他先练好传承的基本功和踏实严谨的学风。

　　我的学生张过，是一名“75后”教授。他读博期间是很让“第二导师”头疼的问题学生：淘气，想法多，不好管，不愿意做导师分配的项目。作为“第一导师”，我找张过单独聊。他告诉我，自己对重复性的、简单的项目没兴趣，想做创新的、有难度的项目。问清楚他的研究兴趣和想法后，成立了单人小分队，顺着他感兴趣的研究领域指了一个新方向，不久就取得了创新性成果，连着发表了几篇高水平论文。

　　如果把年轻人比作小孩，导师就要像父母一样，既要善于培养他们的创造力，又要注意帮助他们克服浮躁情绪。

　　对年轻人而言，宽容的成长环境十分重要。当学生的实验方法与导师的方法不一致时，不要直接否定学生的想法，可以“拿结果说话”。有些项目的研究周期很长，一时半会出不了成果，在年终考核时，年轻人该有的福利要照发，甚至要向年轻人倾斜，让他们不为生计发愁才能安心开展科学研究。

　　【对话】

　　武汉大学弘毅学堂本科生 李溪芮：作为一名对科研有兴趣的本科生，学校鼓励我们大一就进实验室，接受科研导师的指导和师兄师姐的帮助。这是很好的外部条件，您认为，我自己该怎么做呢？

　　李德仁：读书、思维、创新、实践，要记住这8个字，并在平时的学习和科研活动中反复运用。读书与思考是科学家的两大特点。有了读书和思考的功底，创新才有源头。而创新可能是一个新概念、新理论、新观点，所以创新之后就一定要勇于实践。

　　武汉大学测绘遥感信息工程国家重点实验室博士生 肖长江：作为博士生，面临的论文压力很大，而实验又总是失败，挺焦虑的。您有什么好的建议？

　　李德仁：研究过程中要反复实验，并且要重视失败的实验。假如10次实验中有2次数据很好，8次数据不好，千万不能只拿好的2次数据去发文章，而将不好的8次数据给抹掉。一定要重视这8次失败的实验，找出失败的原因并进行优化，也许会发现意想不到的新东西。