晓辉博士 - 如何做好研究
| 项目 | 内容 |
|---|---|
| 来源 | https://www.douyin.com/video/7655373211124165105 |
| 时长 | 7分43秒 |
| 转录时间 | 2026-07-29 23:08 |
| 字数 | 2866 |
| 分段方式 | AI智能分段 |
** AI摘要**：做好研究的关键在于选择比执行更重要，应优先聚焦领域内真正重要的问题，而非盲目跟进前沿热点。同时，要通过升级信息源（如阅读经典、跨学科借鉴）和坚持写作来检验思维漏洞，并建立快速失败、快速迭代的反馈闭环，利用复利效应持续提升研究效率。
【AI分段：引入推荐】
Hello，下班了。
今天跟大家分享一篇文章，是 Anthropic 一个研究员写的一篇《How to be good at research》，讲的就是你怎么样才能做好一个研究。我看了好几遍，我觉得这个不光对我们做研究来说非常有帮助，而且对于普通人去做职业发展，或者是我们做投资、做创业，都有非常直接的启示，因为他讲的道理都是相通的。我推非常非常推荐大家去看原文哈。我想分享一下给我留下非常深刻印象的一些观点。那第一点就是选择研究什么问题，可能比你把这个问题做出来更重要。
【AI分段：选择研究问题的两种方式】
为什么呢？因为很多时候我们选择做某个领域的研究，有两种方式，一种呢是说这个前沿实验室都在做什么研究，你看到了什么论文，你看到了什么非常好的成果，然后你逆向去推，大家哎为什么会做这个研究，大概需要什么条件，然后自己可能也会去尝试。但是这样的问题呢，就是其实你并不知道这些前沿实验室是怎么想的，他的初心是什么，他为什么要去选择这个方向？也许他探索了一段时间就已经转向了，但是你会发现，你知道他成果发布的时候，都已经是人家选择这个方向一年之后才发现的，对吧？可能他提出这个方向就有几千个研究员去扑上去了，它是一个非常拥挤的赛道。但是另外一种问题选择的方向呢，就是首先你去看这个领域最重要的问题是什么。
说当时呢，贝尔实验室有一个很有名的科学家叫 Hamming，他当时呢经常在别人吃饭的时候就坐在别人的餐桌旁边去问他，哎，你研究的是什么领域？你这个领域有什么非常重要的问题？然后他知道之后，哎，说你为什么不去研究这个问题？然后别人就会经常端着盘子离开。他觉得大家其实应该更关注自己这个领域最核心的一些问题。但是很多时候我们其实没有勇气去面对那些真正重要的问题。
啊，就是这是一种，就是先去问你领域内最重要的问题是什么。其实还有一种呢，就是其实每个人都有自己的直觉，对吧？都有觉得自己有一些隐约觉得自己要做的那个重要的问题的方向。那这个时候呢，往往其实是应该去设置一些实验条件，去测试这个方向是不是真的，是不是能够验证你的假设。其实这样的一些方向是更容易让你带来原创性成果的一些方向。对，我觉得这个可能是印象最深刻的一点，也是他开篇就讲到的，选择问题本身是比去做它更重要的一点。
【AI分段：升级信息源：回归经典与跨学科启发】
然后第二点呢，就是要升级你的信息源。因为如果我们看的每天都是这些行业热点，都是大家讨论的这些热点信息，都是一样的观点的话，其实你产生的想法也是非常类似的。所以呢，作者的建议是你要回到经典，你要回到那些经过时间筛选还不褪色的那些研究上。他举了一些例子哈，比如说像MOE这个架构是1991年大家就已经提出来的，像反向传播也是从1986年开始就已经开始流行的，甚至是像这个Richard Sutton那篇《苦涩的教训》，也是在2019年成文，大概就一千多字吧。但是呢，它的预测效果却是比一些上万字的综述要更有效果的。所以他就说，一个领域的经典的论文，其实是可以去常读常新的。
这是一点哈。另外一点呢，就是从这个广度上来看，其实我们可以从跨学科去找到很多的启发。比如说大模型可解释性的研究，就来自于神经科学这个领域的一些见解，对吧？然后还有很多例子都是跨领域给你带来的启发。所以其实这样的一些信息源是你真正应该去追寻的。我觉得还有一点就是你独特的经历和你独特的这些成长环境，其实会给你提供很多的养分，让你在选择研究问题的时候，就真正能找到一些差异化的方向。
这个反而是做研究一个非常好的输入。
【AI分段：写作：思维的试金石】
然后第三点呢，就是讲到这个写作，写作是一个帮你去看到你思维中有哪些逻辑不顺的地方的一个很好的方式。那像Paul Graham就是硅谷的创业教父，他经常写他的essay，就写他的文章去分享他对投资和创业的一些想法。他就讲到，其实当你觉得一个idea一个想法已经非常成熟的时候，这个时候你把它写下来，你就会发现有很多逻辑断裂的地方，就能够发现很多逻辑漏洞。包括像费曼他之前也说过，其实你最大的敌人是你自己，就是你自己可能倾向于相信一些东西，但这些东西是没有没有经过验证的。包括像达尔文也是一样，他会倾向于在他的实验观察中把那些跟他的假设或者跟他的直觉不一致的东西都记录下来。他说记录下来本身就会比这个记在脑子里要有效得多，因为人的记忆是倾向于把那些跟你观点不一致的地方去抹掉的。
所以要去写作，去把这些成熟的也好，不成熟也好，这些 idea，这些想法都把它记录下来，这些是你思考过的很好的证明。
【AI分段：建立反馈闭环与复利工程】
然后第四点呢，就是关于复利了，或者说反馈循环。他举到的是 capacity 的例子，比如说一个非常复杂的问题，像 capacity，就是把一个复杂的问题把它拆解，把它简化到一个你能理解和掌握的范畴内，然后你再去做一些实验，去理解它这本质是什么，然后再去做一些 scalable，就是可以扩大它的复杂性的这样的一些事情，用算力去验证。那我这个印象深刻的是他的 LLM101 的那个课程体系哈，他就是从零开始教你训练一个小模型，让你理解大模型的原理。我觉得这个就是一个让你先从小开始，能够抓住小的东西，然后再去把这个复杂性建立起来的一个很好的建议。然后温达呢也是，他建议的是你从这些失败的案例中学习，他就说你想做任何一个领域的研究，你都可以找这个领域一百个失败的样例，然后把它们根据不同的类型去归堆分类嘛，就是相当于识别到最多失败集中的那一个方向，你就去到对着那个方向去做攻坚，去找这个问题所在以及找解决方案。这个时候其实你往往能够解决问题。
这个 idea 我觉得去对我们做研究也好，包括创业也好，其实也非常有帮助哈，就是你去看大家是怎么创业失败的，其实你是可以发现很多规律的，然后你可以去规避这些，然后找到一个正确的方向。所以呢，文章里的一个假设就是你做研究的这个速度其实取决于你失败的速度，就是你失败就会得到教训，那你越快的去建立这种反馈的闭环，你越能够得到一个研究的启发，就是量非常重要。然后最后一点吧，就是讲到这个复利的效果，包括工具，你应该去打磨你的工具，比如说能用一句话去启动实验的，就不要用两句话，就一句话启动实验，一句话做总结回顾。现在有 AI 都可以很方便，但是你要把这个复利体系去建立起来，就是你用一个能够循环的方式去持续的验证你的输出和假设。
【AI分段：总结与适用建议】
我觉得这些 idea 都是非常有帮助的。所以这是如何做好研究。总结一下，就是第一点是找问题比找答案更重要，然后要去寻找那些重要的问题，你感兴趣的问题。然后第二个呢，就是去升级你的信息源，去从历史中找答案，从这个跨领域中找答案。然后第三个呢，就是去用写作这个工具去帮你验证思维中的一些断裂的地方。然后第四个就是去升级你的工具体系，建立这个反馈的闭环。
第五个就是复利工程，就是一定要去追寻的这个方向。好，这是今天跟大家分享，比较硬核，但是我觉得还是启发和帮助非常大的。如果你还是在学校读书的博士生，或者是在 AI 领域做研究的研究员，甚至是在产业研究方向做研究的人，甚至是你在寻找一些职业的解法的人，我觉得都可以从这篇文章中找到一些见解。好，这是今天跟大家的分享，拜拜。