计算机专业研究生核心能力培养(2)——研究的方式与方法

科研价值不在于“我做得和别人不一样”而在于这种不同解决了什么尚未解决的问题。在前两讲中我们讨论了研究生阶段需要完成的思维转变以及如何通过论文阅读建立领域认识。接下来要进入一个更困难、也更接近科研本质的问题一项研究究竟应该怎样开始很多同学会从模型、模块或者一项新技术出发思考课题我能否把这个模块加进去能否把两种方法组合起来能否把某个模型迁移到新的数据集这些都可能形成研究但如果缺少对问题的理解就很容易变成没有灵魂的技术拼接。研究的方法可以很多但基本逻辑应当一致从现象或需求中发现问题分析问题为什么尚未解决提出有依据的方案再通过实验验证方案是否真正有效。一、理想的研究从现象出发解决一个必要的问题在最理想的情况下一项研究通常包含四个连续环节观察到一种已经存在、但尚未得到充分解释或处理的现象从现象中发现一个有必要解决的科学或技术问题说明解决这个问题能够产生怎样的价值提出新的解决方法并通过证据证明它确实有效。这个过程看起来非常自然真正做到却很困难。首先我们未必能发现值得关注的现象其次即使看到现象也未必能把它转化为明确的问题再次我们可能说不清这个问题为什么重要最后即使问题和价值都很清楚也不一定知道应该如何解决。科研训练的一个重要目标就是逐渐提高自己在这四个环节中的判断能力看见现象、定义问题、解释价值、设计方案。如果我们发现了一个此前没有被研究的问题第一次提出的方法就获得了明显效果并且在多种实验设计和不同场景下都保持稳定那么这当然是一项非常顺利、也很有机会形成重要贡献的研究。但真实科研很少如此顺利。更多时候我们面对的是已经有人研究、却尚未被彻底解决的问题。二、最常见的研究在已有问题上推进一步大部分论文遵循的是一种更常见的研究逻辑某个问题已经被前人提出已经存在一批相关方法这些方法取得了进展但仍有明确缺陷这个缺陷会在特定条件下造成重要影响我们发现了一种可能解决缺陷的新机制或新方法通过实验、分析和比较证明这种方法有效将它作为一个新的候选解补充到该问题的解决方案体系中。这里最关键的不是“提出了一个新模型”而是把中间的因果链讲清楚现有方法为什么不够这个不足为什么值得解决我们的设计为什么可能解决它实验是否真的验证了这一点很多研究的问题不在于实验没有提升而在于这条逻辑链断裂了。例如论文增加了一个模块性能也提高了一些却没有证明原方法的核心缺陷是什么也没有解释新增模块为何恰好能够修复这个缺陷。这种研究容易变成“结果上有效思想上不清楚”。一项成熟的研究不仅要报告结果还要提供一种可以被他人理解、检验和继续使用的解释。三、三种常见的“保底式”研究方法当研究经验不足、暂时找不到清晰问题或者在时间压力下急于形成成果时研究者很容易采用三种相对直接的方式组合、迁移和局部改进。这些方法并非天然没有价值但它们通常更容易被做成低贡献的工作。决定价值的不是方法属于哪一类而是其中是否包含非显然的连接、真正困难的问题和可推广的新认识。1. 组合法把已有方法连接起来最简单的组合是把方法 A 与方法 B 串联、并联或叠加再观察结果是否提高。如果组合缺少清晰动机只是因为“它们都有效所以放在一起可能更有效”贡献通常比较有限。高价值的组合则需要回答A 与 B 分别解决什么缺陷两者之间为什么互补而不是功能重复组合后产生了什么单独使用时没有的新能力这种组合原则能否推广到其他模型或任务组合本身不是贡献解释并验证组合为何必要才可能形成贡献。2. 迁移法把一个领域的方法用于另一个领域将领域 A 中的方法迁移到领域 B是科研中非常常见的方式。如果两个领域非常相近方法几乎不需要调整就能直接使用那么研究更多是在补充适用范围。但当两个领域之间的连接并不显然迁移还面临数据结构、任务定义、评价方式或领域知识等障碍时研究价值就可能明显提高。高价值迁移至少应说明为什么此前很少有人建立 A 与 B 的联系直接迁移为什么会失败为完成迁移解决了哪些关键障碍迁移后是否带来了对两个领域都具有启发性的认识。真正重要的不是“把方法搬过去”而是建立此前没有被看见的连接并解决连接过程中不可回避的问题。3. 改进法对已有方法做局部调整另一种常见方式是修改已有模型的某个模块、参数、损失函数或训练策略使性能获得一定提升。这类工作通常被称为增量式改进。对于刚开始科研的学生增量式工作可以帮助熟悉实验流程、建立技术能力也可能是合理的第一步。但如果长期只做局部调整我们会逐渐形成一种习惯看到任何论文首先想到的都是“还能加什么模块”而不是“它真正没有解决什么问题”。判断一项改进是否具有研究价值可以追问改动是否来自对失败原因的分析它解决的是核心限制还是只优化了局部指标提升是否稳定、显著并可复现是否揭示了新的机制、规律或设计原则这种认识是否能够超越当前模型和数据集一次小改动也可能产生重要认识一次复杂改造也可能只是堆叠。关键仍然在于问题、证据与洞见。四、不要把“和别人不一样”当作研究价值很多研究计划会这样描述创新性“别人使用方法 A我们使用方法 B所以我们的工作具有创新性。”但 A 与 B 不同只能说明方案存在差异不能证明 B 更有价值。两种方案可能各有优劣也可能分别适用于不同条件。如果没有统一的目标、评价标准和限制条件就无法判断这种差异是否重要。更有说服力的论证应当是在什么明确场景下现有方法会出现什么问题这个问题造成了怎样的后果新方法针对的是哪一个具体原因在统一条件下新方法带来了怎样的改进除了性能数字它是否还改善了效率、鲁棒性、可解释性、可控性或适用范围。“不同”只是创新的表面“解决了关键问题”才是创新的实质。五、当已有模型需要改动时可以从哪里思考虽然研究不能依靠固定模板生搬硬套但面对一个已有系统时仍然可以使用一套基本框架帮助分析。从信息处理流程来看大多数模型或智能系统都可以拆分为输入、内部处理和输出三个部分。系统环节常见改动方向需要追问的问题输入改变输入形式、增加特征、补充上下文、引入外部知识或监督信息现有输入缺少了什么关键信息新增信息是否真实有用内部处理增强表示、加强信息交互、改变信息流动、加入推理或控制机制当前模型为什么无法利用已有信息瓶颈究竟发生在哪里输出改变输出形式、增加输出目标、扩展输出含义、设计新的评价指标现有输出是否真正对应任务需求评价方式是否遗漏了重要能力输入让系统看到更合适的信息输入侧的改动包括改变数据表示、增加特征、补充历史上下文、引入检索知识或增加多模态信息。其核心逻辑是模型当前失败是否因为它根本没有获得完成任务所需的信息但更多输入并不必然更好。无关信息、噪声和错误知识也可能干扰模型因此还需要研究信息如何筛选、组织和注入。模型让信息得到更有效的处理模型内部的改动通常围绕表示、交互和信息流动展开。例如怎样形成更有效的特征表示不同信息之间如何交互长期依赖如何传递推理过程如何组织以及模型如何在多个工具或模块之间进行控制。在大模型时代这些问题仍然存在只是实现形式可能从神经网络层变成提示、检索、记忆、工具调用、智能体工作流和反馈机制。输出重新定义系统应该完成什么输出侧不只是改变标签或生成格式也可能意味着重新定义任务目标。提出新的评价指标、增加结构化解释、让模型完成可执行动作或者把单轮预测扩展为持续交互都可能形成新的研究方向。有时真正的问题并不是模型做得不好而是我们原来要求它做的事情太简单或者评价指标没有衡量真正重要的能力。输入—模型—输出是一套检查视角而不是创新公式。它可以帮助我们定位问题但不能代替对真实需求和科学问题的理解。六、科研贡献不只有“提出新模型”论文的形式会随着技术条件和研究阶段不断变化。在数据资源稀缺时构建高质量语料库、数据集和标准资源本身就是重要贡献当深度学习模型快速发展时大量研究转向模型结构与训练方法预训练语言模型和大语言模型出现后研究又进一步扩展到对齐、微调、推理、工具使用和智能体系统。这些变化不意味着旧类型的研究已经失去价值而是不同阶段的瓶颈不同。科研贡献至少可以来自以下几个方面。研究类型核心贡献最需要避免的问题数据集、语料库与资源提供此前缺失的数据、标注体系或研究基础只有规模没有质量控制和研究问题模型、方法与系统提出解决明确缺陷的新机制或实现方案只堆叠模块不解释作用机制新任务与新基准定义此前未被衡量的重要能力任务缺少真实需求基准可被表面策略破解应用研究用技术解决具体学科、行业或社会问题只替换数据集没有领域适配与新发现综述与知识组织提供系统分类、证据整合和领域判断只罗列论文没有新的结构和洞见安全、伦理与治理研究能力边界、风险、责任与约束机制停留在泛泛讨论缺少可检验证据立场论文提出值得共同讨论的新观点或研究议程观点缺乏依据无法导向研究行动理论研究解释现象、建立形式化框架或给出可证明结论理论与实际问题脱节研究者不必把自己限制在“必须改模型”这一条道路上。一个可靠的数据集、一个定义准确的新问题、一套真正能够区分系统能力的评价方法或者一项带来科学发现的跨学科应用都可能比小幅修改模型更有价值。七、从模型竞赛走向任务、基准与真实应用在一段时期内人工智能论文经常围绕模型结构展开不同的 CNN、RNN、LSTM 与注意力机制相互组合预训练语言模型出现后又涌现出大量基于 BERT 的变体大语言模型兴起后研究重点进一步转向微调、对齐、推理与智能体模块。今天模型和方法仍然是主流研究内容但另外两类工作正在变得越来越重要。1. 新任务与新基准基础模型能力不断扩大之后我们需要提出新的问题来判断它到底会什么、不会什么。新的任务和基准可以帮助研究社区识别能力边界、发现系统性缺陷并推动后续方法发展。但一个基准的价值不在于取一个新名字、收集一批样例而在于是否对应真实且重要的能力数据和评价协议是否可靠是否能够区分不同方法是否避免数据泄漏和简单投机是否能持续推动新的研究。2. 跨学科与真实应用传统自然语言处理往往按照句法分析、情感分析、问答、对话和机器翻译等任务划分。大语言模型把许多能力整合到统一接口中后研究边界开始发生变化。一条重要路线是把人工智能从“解决计算机科学内部的问题”进一步扩展到科学研究、医疗、生物、材料、环境和其他真实领域即通常所说的 AI for Science 及更广泛的跨学科智能应用。高质量应用研究并不是把通用模型直接运行在新的数据集上。它需要理解领域问题、尊重专业知识、重新设计任务和评价方式并证明人工智能确实带来了原领域无法轻易获得的新能力或新发现。八、综述为什么更多了也为什么更难做好了大模型能够帮助研究者检索、摘要、分类和组织论文使综述的生产效率显著提高。正因为“把论文罗列出来”变得更容易高质量综述的标准反而会继续上升。真正有价值的综述不能只回答“有哪些论文”还应回答为什么要采用这种分类方式不同路线之间存在什么内在关系哪些结论具有充分证据哪些仍有争议领域发展的关键瓶颈是什么下一步最值得研究的问题在哪里。大模型可以帮助完成信息加工但领域结构、证据判断和研究洞见仍然需要研究者负责。九、为什么安全、伦理与治理会成为研究问题当人工智能能力发展得很快时系统能做什么往往先于我们对其风险、责任和边界的理解。模型可能在偏见、隐私、版权、虚假信息、可控性和社会影响等方面带来新的问题。因此安全与伦理研究不只是技术发展之外的附加讨论而是在回答系统的能力边界在哪里哪些行为应当被允许或禁止风险如何被识别、测量和降低人与模型之间如何分配决策权和责任技术如何在真实环境中被可靠地使用。这类研究同样需要清晰的问题、可验证的方法和充分的证据而不能只停留在价值判断或故事描述上。十、大语言模型出现后自然语言处理“消失”了吗大语言模型兴起后曾经出现过“NLP 是否已经消失”或“NLP 是否已被大模型取代”的讨论。这个问题的关键在于不要把研究领域与技术手段混为一谈。自然语言处理研究的是机器如何理解、生成和使用人类语言统计模型、深度学习、预训练语言模型和大语言模型则是不同时期用于解决这些问题的技术路线。新的技术可能替代一部分旧方法但并不会自动消除问题本身。就像统计 NLP、深度学习 NLP 和大模型时代的 NLP 使用了不同工具它们仍然面对语言理解、交互、推理、生成、评价与社会影响等研究问题。如果自然语言处理已经不存在那么大语言模型中的语言能力、对话能力和评价问题又属于什么领域因此更合理的理解是大语言模型没有终结自然语言处理而是改变了自然语言处理的问题边界、方法体系和研究尺度。过去无法解决的问题可能获得新的方法过去不敢提出的问题可能变得可以研究过去难以落地的应用也可能具备实现条件。十一、大模型为研究带来了哪几类新机会大模型的影响不只是把旧模型做得更大。它至少带来了四类研究机会。1. 提出新的问题模型拥有更强的生成、推理、交互和工具使用能力之后新的失败模式与能力边界也随之出现。长程对话、智能体协作、记忆、个性化、事实可靠性与复杂任务执行都可能成为新的研究对象。2. 用新方法重新解决老问题很多问题长期没有被彻底解决并不是问题不重要而是过去缺少足够有效的方法。大模型为问答、机器翻译、对话系统、信息抽取和知识密集型任务提供了新的技术条件也让旧问题能够被重新定义和重新检验。3. 让过去难以实现的应用成为可能零样本和少样本学习、开放域问答、自然语言控制工具以及能够操作软件或计算机的智能体在过去往往依赖大量规则和脚本。大模型具备更强的语义理解、规划和泛化能力后这些应用获得了新的实现路径。但“可以演示”不等于“可以可靠使用”。如何提高成功率、降低成本、保证安全并处理长流程中的错误仍然是重要研究问题。4. 推动硬件与交互方式变化技术范式变化还可能进一步影响计算系统本身。图形计算推动了 GPU 的发展大规模张量计算又促进了 NPU、TPU 等专用加速器以及软硬件协同设计。未来还可能出现更适合模型推理、记忆和智能体执行的新型系统架构。软件交互也可能从主要依赖鼠标、键盘和固定界面逐渐转向语音、视觉、动作及其他多模态信号驱动的自然交互。模型不再只是被动接收指令的工具也可能成为理解意图、调用软件和协调任务的交互层。这些变化仍处在发展过程中但它们提醒我们研究不必只盯着模型中的一个模块也可以关注模型如何改变计算基础设施和人机关系。十二、研究计划应当怎样表达开始一个研究课题时可以先用一页纸回答以下问题现象或需求是什么我们观察到了什么真实问题已有工作做到了什么当前最有代表性的方案有哪些关键缺陷是什么它在什么场景、数据或条件下失败为什么值得解决如果不解决会产生什么影响核心假设是什么我们认为问题由什么原因造成准备怎样解决方案如何针对上述原因怎样证明有效需要哪些数据、基线、指标、消融和分析预期贡献是什么除性能提升外能留下什么新知识风险与备选方案是什么如果假设不成立下一步怎么办如果这些问题无法回答往往说明项目还停留在“有一个技术想试试”而没有形成完整的研究设计。一个好的研究计划不是提前写出最终答案而是让问题、假设、证据与行动形成可检查的关系。十三、让组会汇报成为研究推进工具组会汇报不只是展示结果也是在固定周期内检查研究逻辑、暴露问题并获得反馈。如果一次个人汇报大约半小时可以将内容集中在两个方面。1. 论文阅读与知识输入如果本周还没有实质实验进展可以分享近期阅读的关键论文。重点不应是逐页复述而是说明论文解决了什么问题对当前课题有什么帮助它改变了自己的哪些判断是否带来了新的方法或研究问题。这不仅是个人知识积累也能帮助团队拓展视野。2. 当前进度、问题与讨论进度汇报应尽量精炼核心内容控制在大约五页幻灯片内。页数过多往往说明还没有完成信息筛选。一种简单结构是当前目标以及与上次汇报的衔接本周完成的工作得到的实验结果或证据遇到的问题和已经尝试的方案下一步计划以及需要团队讨论的问题。汇报的重点不是证明自己“做了很多”而是让大家清楚看到研究处于什么位置、为什么出现当前结果、接下来最需要解决什么。让每周进展形成连续轨迹研究成果往往不是某一周突然完成的。即使每周只推进一步一个学期持续十五周也已经走出了十五步。如果每次汇报都能与上一次建立联系我们就会获得一条可以回顾的研究轨迹哪些想法被提出哪些实验失败哪些判断被修正问题如何逐渐收敛最终方案又是怎样形成的。这种过程记录不仅有利于导师和团队提供建议也会成为以后撰写论文、整理实验和复盘项目的重要材料。十四、检查一项研究是否真正成立在投入大量时间之前可以用下面的问题进行自我检验我研究的是一个明确问题还是只想使用某项新技术这个问题真实存在还是由我为了写论文而构造出来的现有工作为什么不能充分解决我的方案针对了哪个具体原因组合、迁移或改进是否具有非显然性实验设计能否验证核心假设而不只是比较最终分数如果性能没有提升我是否仍能获得有价值的结论这项工作能够为后续研究留下什么最后一个问题尤其重要。好的研究不仅给出一个数字还应留下可复用的数据、方法、基准、解释、规律或新的问题。结语从“使用一种方法”走向“解决一个问题”研究初学者容易把创新理解为“换一种模型”“增加一个模块”或“迁移到一个新数据集”。这些做法可以成为科研训练的起点却不应成为长期思维方式。真正成熟的研究始终围绕一条主线展开观察现象定义问题解释价值分析原因提出假设设计方法用证据验证再把获得的新知识交给后来者。数据集、模型、基准、应用、综述、安全伦理和理论工作只是不同的成果形式。无论采用哪一种形式最终都要回答同一个问题我们究竟推进了人们对什么问题的理解与解决当研究者不再从“我会什么方法”出发而是能够从“什么问题值得解决”出发科研才真正从技术练习走向科学探索。