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：

1. 观察到一种已经存在、但尚未得到充分解释或处理的现象；
2. 从现象中发现一个有必要解决的科学或技术问题；
3. 说明解决这个问题能够产生怎样的价值；
4. 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：

1. 某个问题已经被前人提出；
2. 已经存在一批相关方法；
3. 这些方法取得了进展，但仍有明确缺陷；
4. 这个缺陷会在特定条件下造成重要影响；
5. 我们发现了一种可能解决缺陷的新机制或新方法；
6. 通过实验、分析和比较证明这种方法有效；
7. 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：

1. 现象或需求是什么？我们观察到了什么真实问题？
2. 已有工作做到了什么？当前最有代表性的方案有哪些？
3. 关键缺陷是什么？它在什么场景、数据或条件下失败？
4. 为什么值得解决？如果不解决，会产生什么影响？
5. 核心假设是什么？我们认为问题由什么原因造成？
6. 准备怎样解决？方案如何针对上述原因？
7. 怎样证明有效？需要哪些数据、基线、指标、消融和分析？
8. 预期贡献是什么？除性能提升外，能留下什么新知识？
9. 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：

1. 当前目标以及与上次汇报的衔接；
2. 本周完成的工作；
3. 得到的实验结果或证据；
4. 遇到的问题和已经尝试的方案；
5. 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。