你可能从未系统地学习过如何真正开展一项研究。你得到一张办公桌、一个别人已经选好的问题，加上一句“做出点新成果”——然后全靠自己摸索。大多数人只能通过自己接触到的资料（论文、帖子、公告）来逆向推导研究过程，最终学会的只是如何“看起来”像个研究员，而不是真正“成为”研究员。真正的研究能力，本质上是一系列小技能的叠加，而每项技能都可通过刻意练习打磨出来。

如何主动选择真正重要的研究课题

理查德·汉明在贝尔实验室有一个广为人知的习惯：他总爱在午餐时间问邻座的人：“你们领域里最重要的问题是什么？”接着追问：“为什么你不去解决它？”结果大家纷纷换桌吃饭。这个问题之所以扎心，是因为大多数人都答不上来。我们并不是在主动选择问题，而是在被动吸收问题——从导师那里吸收，从某个大实验室上个季度的公告里吸收，从这周大家都在转发的论文里吸收。

被动吸收来的问题，麻烦在于你只看到了结论，却不知道背后的推理链条。你知道某家著名实验室关注某个方向，但你不清楚他们为什么关注，期望发现什么，以及什么情况下会放弃。等他们转向时，你往往要一年后才察觉。更糟糕的是，在一个已经炒热的问题上，你是在和上千个起步比你早、算力比你多的人赛跑。

约翰·舒尔曼在机器学习研究指南中把研究工作分成了两种模式。第一种，你阅读文献，寻找可以改进的地方。第二种，你选一个自己真正想实现的结果，然后反推去设计实验。他推崇第二种，原因很微妙——这能逼你走出舒适区，创造出真正的原创性。一个你真正关心的目标，会把你拖到任何综述论文都没有覆盖过的领域。

至于“品味”，很多人把它当作天赋来讨论。但它的表现更像一块肌肉。每次实验前先预测结果；遮住论文的结果部分，只看方法猜数据；记下这个月发布的成果里哪些两年后依然重要，以后回头验证命中率。一次预测加一次纠错，重复几百次——每一个好模型都是这样训练出来的，包括你脑子里的那个。

优化你的信息输入来源

共享的阅读清单必然产出共享的想法。如果你的信息口粮只限于arXiv热榜加上群聊筛选后的剩饭，你铁定会跟所有人同时得出同样的结论——而这些结论几乎一文不值。

旧资料的价值被严重低估了。这个领域总在延时重演自己的过去：混合专家模型能追溯到1991年，LSTM到1997年，反向传播在1986年就成了主流。理查德·萨顿在2019年只用了一千来字写出《苦涩的教训》，它对领域发展轨迹的预测，比篇幅长它十倍的综述还准。克劳德·香农在1952年做过一场关于创造性思维的演讲，他的第一招就是把问题缩小到几乎微不足道的程度，破解这个缩小版，然后再把难度一点点加回去。单凭这一招，就能帮你撞破比任何现代生产力建议都要多的墙。

广度和深度同样重要。可解释性研究毫不掩饰地借鉴了神经科学；评测设计就是穿着白大褂的机制设计；只要对GPU到底怎么移动内存有实际认知，你就能在基准测试结果出来之前判断出哪些架构论文注定会失败；而诚实的统计学可能已经是机器学习领域最稀缺的技能了——这里许多公开发表的“严谨”，不过是带误差棒的“感觉”。

还有一件事要记住。去阅读论文本身，而不是读它的总结帖。附录里藏着秘密，“局限性”部分通常是整篇文档中最诚实的一段。

坚持写作记录研究过程

保罗·格雷厄姆说过，一个想法在你试图把它变成文字之前，总感觉已经成熟了。但白纸黑字会暴露出你大脑粉饰过的漏洞：你从未测试过的假设、其实并不连贯的步骤、两个悄悄自相矛盾的主张。费曼的原则是，你必须避免欺骗的第一人就是你自己，因为你最容易上当。写作是有史以来发明的最廉价的反欺骗机制。

达尔文走得更远，他把它程序化了：任何违背他理论的事实都会被当场写下来，因为他发现自己的记忆删除不利证据的速度，远比删除有利证据快。你的记忆对你失败的运行记录也是这样。保持做日志的习惯——假设、设置、预期、结果、更新后的认知。重读上个月的记录会让你极度谦卑，没有任何审稿人能带来这种效果。