AI 专业科研入门：科研到底是在做什么？¶

先说在前面，笔者也不是科研特别强的人，写这篇更多是想抛砖引玉。很多内容也只是我自己在做项目、读论文、写论文过程中的一点体会，不一定完全正确，但希望能给刚接触 AI 科研的同学一点参考。

在正式开始之前，先推荐一下彭思达的 pengsida/learning_research：本人的科研经验。这是我目前见过中文互联网里比较系统的一份 AI / CV 科研经验总结，里面从怎么入门科研、建立领域视野，到怎么找问题、想 Idea、做实验、写论文、做 Presentation、Rebuttal，基本把一个 Research Project 的完整生命周期都讲到了。

当然，你看完之后可能还是会觉得一头雾水，这也很正常。科研这个东西，看一百篇“如何做科研”，都不如真的跟着一个 Project 做几个月。所以这篇文章里，我想用尽量简单、直白的话，聊聊我理解的“科研”到底是在做什么。

1. 科研到底是什么？¶

我自己的理解是，大部分时候：

科研，就是发现一个已有方法还没有解决好的问题，提出一个你觉得可能有效的办法，然后通过实验和分析证明你的判断，最后用论文的形式说服社区的人相信这个判断，并从中得到一些新的理解。

举个很简单的例子。

假设现在有一个视觉模型，在正常白天图片上做目标检测很准，但一到夜晚场景，性能就明显下降。刚开始，这只是一个现象。然后你继续分析，发现它可能是因为模型比较依赖颜色、纹理这些信息，而这些信息在低光环境下变化很大。

于是你开始形成一个猜测：模型是不是过度依赖了对光照不稳定的信息？

接下来，你会进一步想：能不能让模型更多利用一些对光照变化更稳定的特征？于是你开始设计方法。方法做完之后，还要通过实验回答一系列问题：性能到底有没有提升？哪些场景提升了？为什么会提升？是不是因为你前面的判断？如果去掉关键设计，效果还在不在？换一个数据集、换一个模型之后，这个结论还成立吗？

当这些东西能连起来的时候，才慢慢形成一个完整的 Research Story。

所以科研通常不是“随便想一个 Module，加到网络里，涨点，然后写论文”。更真实的过程往往是：先看到一个现象，对这个现象产生困惑，提出一个解释，再通过实验去验证。实验过程中又会出现新的现象、新的问题，于是你继续提出新的假设、继续验证。

稍微形式化一点，一个科研项目大概会经历这些环节：

建立领域视野
↓
发现问题
↓
提出 Research Question
↓
形成 Hypothesis / Idea
↓
设计 Method
↓
实现 Prototype
↓
跑通 Baseline
↓
Main Experiments
↓
Ablation / Analysis
↓
形成完整 Story
↓
写 Paper
↓
投稿
↓
Review / Rebuttal

但真实科研基本不会这么顺利。更多时候是：Idea 做出来不 work，回头重新读论文；发现 Baseline 有问题，修完之后结果涨了；做 Ablation 又发现原本以为最重要的模块其实没什么用；于是重新解释、重新设计，最后甚至连一开始想研究的问题都会发生变化。

这些都很正常。科研之所以难，很大程度上就是因为它没有标准答案。

2. 如何培养科研每个环节的能力？¶

这里我不展开太多细节，很多具体方法可以去看前面推荐的链接。我主要想简单聊聊一些基础问题和常见误区。

2.1 建立领域视野¶

很多人刚进实验室，老师会说：“你先看看论文。”

于是每天看一两篇，一个月下来可能也读了二三十篇。但如果这个时候问他：“这个领域到底在解决什么问题？现在有哪些主流路线？每条路线的核心差别是什么？”很多人可能还是说不清楚。

所以，读论文并不只是“把论文读完”。

更重要的是建立一种理解：这个领域最终想解决什么问题？现在主要有哪些方法路线？这些路线为什么会出现？它们分别解决了什么问题，又留下了什么问题？

刚开始不一定要读懂每一篇论文的所有公式和实现细节。很多时候，一篇论文真正值得反复细读的部分可能就那么几块。更重要的是抓住它背后的基本问题。

读论文时也可以带一点批判视角。比如多问几个为什么：为什么需要这个模块？如果去掉会怎样？它真的解决了作者说的问题吗？还是只是为了凑 Novelty 加上去的？实验到底证明了什么？又有哪些地方没有证明？

很多时候，论文里没有解释清楚、没有证明充分的地方，就可能是你继续做的空间。

当你开始从“学习别人做了什么”，慢慢变成“思考别人为什么这样做，还有什么没解释清楚”，你才真正开始接近科研。

2.2 发现问题¶

一个比较好的 Research Question，至少要想清楚几件事：

这个问题到底存不存在？它为什么重要？已有方法为什么没有很好解决？以及，它是不是一个当前阶段可以研究的问题？

其中，“已有方法为什么不行”尤其重要。

本科生刚开始做科研时，我觉得从 Failure Case 入手是一个很好的方式。比如一个方法平均成功率已经有 80%，不要只盯着这个 80%，更要去看剩下那 20% 为什么失败。

然后继续问：为什么会失败？这是这个模型自己的问题，还是同类方法都会遇到的问题？如果是一类方法都会遇到的问题，那它就有可能慢慢变成一个值得研究的方向。

很多好的问题，不是凭空想出来的，而是从大量失败现象里一点点挖出来的。

2.3 Idea：先想清楚为什么，再想怎么做¶

一个很常见的误区是，看到一个问题之后，马上开始设计网络：

Problem
↓
设计一个新 Module

但更合理的过程应该是：

Problem
↓
为什么会出现？
↓
Hypothesis
↓
怎么验证或解决？
↓
Method

也就是说，一个 Idea 最重要的地方，不一定是结构有多复杂，而是背后有没有一个清楚的判断。

一个很简单的方法，如果它解决的是一个明确的问题，并且能够带来新的理解，那也可以是很好的科研。反过来，一个很复杂的结构，如果只是把已有模块堆在一起，但说不清楚它到底解决了什么问题，那就很难让人信服。

所以，想 Idea 的时候不要一上来就问“我能加什么模块”，而是先问：“这个问题为什么会发生？我相信什么？我怎么证明这个判断是对的？”

2.4 做实验：实验是用来回答问题的¶

本科生最早接触科研，大部分时间可能都在做实验。所以很容易把“实验能力”理解成会写代码、会调参、会跑服务器。

这些当然都很重要。但更重要的是：你要知道自己为什么要做这个实验。

一个实验不应该只是“试试看能不能涨点”，而应该是在回答一个具体问题。比如：这个模块到底有没有用？性能提升是不是来自这个设计？模型是不是在某些特定场景下更容易失败？增加更多历史信息到底是帮助了模型，还是反而引入了干扰？

做实验时也很建议养成记录的习惯。至少要写清楚：这次实验想验证什么，改了什么，结果怎样，观察到了什么，下一步打算做什么。

很多实验单看结果好像没用，但几个月后回头看，经常会发现里面有很重要的信息。

失败实验尤其如此。

比如你本来觉得 Memory 越长效果越好，结果发现 5 帧是 70%，10 帧是 69%，20 帧反而只有 65%。这不是一个“废实验”。它可能说明，更多信息并不一定更好，过多历史反而会带来冗余和干扰。

于是新的问题就出现了：到底什么信息才值得被记住？

这就是实验的价值。实验不只是为了得到一个数字，更是为了帮助你理解问题。

2.5 写论文也是科研的一部分¶

很多人会觉得，实验做完了，科研就结束了，剩下只是把结果写成论文。

但其实真正开始写的时候，经常会发现很多之前没想清楚的问题。

写 Introduction 时，你可能突然发现：为什么要研究这个问题，自己其实说不清楚。写 Method 时，你可能发现某个模块没有明确的设计动机。写 Experiment 时，你可能发现自己声称解决了长程问题，但根本没有针对任务长度做分析。

所以写论文不是简单地包装结果。它也会反过来逼你重新梳理整个工作。

一篇论文最终至少要让一个没有参与这个 Project 的人理解：你发现了什么问题，为什么这个问题重要，之前的方法为什么不够好，你的核心判断是什么，你做了什么，实验是否真的支持了这些判断，以及最后我们从中学到了什么。

如果这些东西讲不清楚，有时候不只是写作能力的问题，而是这个科研工作本身还没有想清楚。

3. 本科生更适合如何做科研？¶

看到这里，你可能会想：“那我是不是得先把数学、机器学习、深度学习、PyTorch、Transformer 全部学完，才能开始科研？”

其实完全没必要。

科研很难等到“准备好了”再开始，因为你永远都会发现自己还有很多东西不会。对本科生来说，更现实的方式是：边做 Project，边补知识。

3.1 第一个 Project，最重要的是完整经历一次科研¶

第一次做科研，目标不一定非得是“发一篇顶会”。更重要的是完整经历一次 Research Project。

比如从读论文、配环境、复现 Baseline 开始，到第一次遇到奇怪的 Bug，第一次跑了很多组实验发现全部没用，第一次组会被老师追问“为什么”，第一次自己设计 Ablation，最后再到整理结果、写论文。

这些过程本身就是科研训练。

本科生早期可以先掌握基本的 Python / PyTorch 和深度学习知识，然后找一个自己感兴趣的具体方向，读几篇代表性论文，再跟着老师或者学长学姐进入真实 Project。

刚开始可以先复现 Baseline、做一些实验、整理结果。之后逐渐负责一个 Sub-problem，最后再尝试自己推动一个比较完整的问题。

不用一上来就要求自己独立选题、独立想 Idea、独立做实验、一作顶会。这些能力本来就是慢慢长出来的。

3.2 先把基本能力练起来，再尝试 Lead 自己的科研¶

如果你还没有真正完整做过一个 Project，一上来就想自己独立 Lead 一个方向，通常会很痛苦。

不是说不可以，而是你会发现自己很难判断：这个问题重不重要？这个 Idea 靠不靠谱？实验该怎么设计？结果不好是因为方法不行，还是代码有 Bug，还是 Baseline 没调好？

所以本科生更现实的路径是：先在一个真实项目里训练基本能力，包括读论文、复现、实验、分析、写作、讨论。等这些能力慢慢有了之后，再尝试自己提出问题、设计方法、推动完整项目。

科研里的很多判断力，不是听几次讲座就能获得的，而是在一次次真实项目中长出来的。

3.3 不要沉浸在辅助性工作挂名里¶

本科阶段当然可以追求更多论文经历，但我觉得更应该关心的是：自己到底有没有真正做懂一个 Project。

有些工作可能只是帮忙跑了几组实验、处理了一些数据，最后挂了个名。这样的经历当然也有价值，但如果一直停留在这种状态，就很容易只是在“参与科研”，而不是“理解科研”。

真正深入做懂一个项目，往往比浅浅参与很多项目更有价值。

你要尽量问自己：这个工作的核心问题是什么？方法为什么这样设计？实验为什么这样做？每个结果说明了什么？如果 Reviewer 质疑这个工作，我能不能解释清楚？

如果这些问题你都能回答出来，那这段科研经历才真正变成了你的能力。

4. AI 时代下，如何做好科研？¶

这里也很推荐看看香港中文大学（深圳）韩晓光老师分享的关于什么是好的科研的一些思考。

现在做 AI 科研和几年前已经很不一样了。

以前不会 PyTorch，要自己查文档；不会配环境，要折腾 CUDA；论文看不懂，要一点点搜资料。现在很多事情都可以直接问 AI。读论文、写代码、Debug、查资料、整理实验、润色论文，AI 都可以帮上很大的忙。

所以 AI 确实大幅降低了科研里的执行成本。

但我反而觉得，这会让另外一些能力变得更重要：提出问题、判断问题、形成 Hypothesis、设计有说服力的实验，以及从结果里得到真正的 Insight。

4.1 AI 可以让你做得更快，但不能替你判断什么值得做¶

以前想到一个 Idea，可能要花几天才能写出 Prototype。现在借助 AI，可能几个小时就可以开始跑实验。

这当然是好事，因为你可以更快验证自己的想法。

但当实现变得越来越容易之后，真正困难的问题反而变成了：为什么要做这个 Idea？这个 Problem 真的存在吗？为什么这个方法可能有效？它到底是在解决一个问题，还是只是在堆已有模块？

AI 可以一次生成十几个“创新点”，但它很难替你判断哪一个问题真正值得投入几个月。

这就是 Research Taste 越来越重要的原因。

Research Taste 很难通过看几篇“科研教程”直接获得。它更多来自读论文、真实做项目、不断失败、和老师同学讨论，然后一点点形成自己的判断。

4.2 用好 AI，但不要把思考外包出去¶

我觉得科研里完全应该大量使用 AI。

读论文时，可以让它帮你解释概念、对比方法、整理领域脉络；写代码时，可以让它帮你搭 Prototype、Debug、写数据处理脚本；做实验时，可以让它帮你分析异常结果和可能原因；写论文时，也可以让它帮你润色表达、检查逻辑。

你甚至可以把自己的工作交给 AI，让它扮演一个严格 Reviewer，专门挑 Novelty、实验设计和 Claim 上的问题。

但一定要自己思考。

第一，你要知道代码到底做了什么。否则实验出了问题，你很难判断到底是 Idea 不对，还是实现错了。

第二，核心 Research Story 最好自己先想清楚：Problem 是什么？为什么值得解决？核心 Insight 是什么？实验到底证明了什么？

AI 可以帮助你更快完成很多事情，但不要让它代替你形成判断。

5. 写在最后¶

如果要把前面所有内容浓缩成一句话，我觉得科研大概就是：对一个问题产生好奇，然后认真地把它追下去。

本科生刚开始做科研，不需要一上来就定义一个新领域，也不需要立刻想着解决一个世界级问题。第一次 Project 最后没有 Paper，也不代表这段经历没有价值。

如果你真的经历过这样一个过程：发现一个奇怪现象，想知道为什么，提出一个猜测，写代码验证，发现自己猜错了，再重新思考、继续实验，最后终于对这个问题多理解了一点，那其实就已经是在做科研了。

韩晓光老师在文章最后给本科生的一段建议，我也很喜欢：如果一个问题大到让你完全不知道从哪里开始，它可能暂时对你太大；如果一个问题小到让你一点兴趣都没有，它可能又太小。

对本科生来说，比较合适的可能就是找到一个自己暂时够得着、但又需要稍微踮一踮脚的问题，然后认真做下去。

尤其是在 AI 越来越强的今天，代码会越来越容易写，论文会越来越容易读，信息也会越来越容易获得。但发现一个真正值得研究的问题，形成自己的判断，设计可信的证据，并且知道自己为什么相信最后的结论，我觉得这些东西依然很难，也依然是科研训练真正重要的部分。