INFO
作者：BugBuster 喵
链接：https://www.zhihu.com/question/367370829/answer/2042600143984268271
看看他在面对不确定性时的本能反应。
科研的本质就是在一个没有答案的荒原里找路。在本科阶段，你面对的所有问题都是有标准答案的，不管是期末考试还是课程设计，哪怕题目再难，你心里清楚肯定有一个解法在那里等你。但是到了研究生阶段，尤其是在现在这种技术迭代按天计算的领域，你面临的课题很可能根本就是一个伪命题。
我经常会给刚进组的新生一个非常开放的方向。比如我会说，你最近去看看多模态大模型在时序数据上的对齐问题，看能不能搞点新东西。这就完了。没有具体的论文列表，没有现成的数据集，更没有明确的实验步骤。
这时候，缺乏潜力的学生会陷入长达几周的迷茫期。他们会疯狂地在各大数据库里搜索，然后试图把所有相关的论文都读一遍。过了半个月来找我开会，给我列了一个长长的文献综述，把各个方法总结得头头是道。这种学生很勤奋，但这不叫潜力。在现在这个时代，这种总结工作 Claude 或者 Kimi 花十分钟就能做得比他好得多。
真正有潜力的学生是完全另一种做派。他们听到这个模糊方向后，也会去查文献，但他们绝对不会陷入阅读瘫痪。他们会迅速挑出最新也是最具代表性的两三篇工作，直接跳过那些繁琐的证明和背景介绍，直奔作者开源的代码和数据集。可能才过了三天，这个学生就会跑来找我，告诉我他用一个开源的极小规模的模型在一个公开数据集上跑了一个最简单的基准测试，发现现有的某个主流方法在特定条件下完全不 work，并且他基于这个失败的现象，提出了一个小小的假设。
这就是特别难得的科研直觉。有潜力的人懂得快速建立最小可行性实验闭环。他们不追求在理论上无懈可击后再动手，而是习惯用最脏最快的方法去试探这个课题的边界。在 AI 时代，大模型能够帮你补齐很多理论推导和代码实现的细节，但大模型没法帮你去感受数据里的异常。那个能迅速地把模糊概念转化为具体行动，哪怕这个行动很粗糙，也是真正科研潜力的核心体现。
紧接着这一点，我想重点强调一下现在这个大模型时代里，判断潜力的另一个核心维度，那就是对 AI 工具的驾驭能力以及对 AI 输出结果的极度不信任感。我这里用了一次极度，是因为这种不信任真的至关重要。
这听起来有些矛盾，但恰恰是当下最真实的现状。现在没有任何一个正经搞科研的人不用 ChatGPT 或者 Cursor 这类工具。如果一个学生跟我骄傲地说他所有的代码都是自己一个字母一个字母手敲出来的，我会觉得他脑子进水了，因为他在浪费宝贵的科研生命。
有潜力的研究生是重度工具使用者。他们知道怎么用特定的提示词让大模型帮他们把繁琐的数据清洗脚本写好，知道怎么用 AI 辅助快速理解一篇晦涩难懂的英文文献的逻辑主干。这里我强烈建议所有研究生去熟练掌握几个核心资源。比如学术文献检索不要再只盯着谷歌学术瞎搜了，去用 Connected Papers 或者 Litmaps，输入一篇核心文章，直接看整个引用网络的拓扑图，这能让你在一个小时内摸清一个子领域的演进脉络。阅读长篇论文和复杂的综述时，把 PDF 直接喂给 Kimi 或者 Claude 3.5 Sonnet，不要让它给你写摘要，而是直接问它这篇文章的核心创新点到底解决了什么具体场景下的痛点，以及实验部分有没有偷换概念。代码层面就不用说了，GitHub Copilot 或者 Cursor 是标配。
但是，重点来了。判断他究竟是未来的学术之星还是一个只会依赖工具的庸才，关键在于他拿到 AI 结果后的动作。
缺乏潜力的学生会把 AI 生成的代码直接复制粘贴，跑通了就觉得万事大吉，一旦报错就再次丢给 AI 去修，陷入一种盲目的死循环。他们对论文的理解也停留在 AI 给出的总结上，别人问起细节一问三不知。
而那个真正有科研潜力的学生，他对 AI 的输出永远带着一种强烈的怀疑。他用 AI 写出了一段复杂的损失函数代码，他绝对会自己拿笔在纸上把张量的维度变化手动推演一遍，确认没有任何隐蔽的维度广播错误。他用 AI 辅助读论文，当 AI 说这篇论文在所有数据集上都取得了最优效果时，他会本能地去翻看原论文的附录，去寻找那些作者刻意隐藏的失败案例和消融实验里表现不好的部分。
在如今这个信息爆炸和 AI 生成内容泛滥的环境里，批判性思维已经从一个加分项变成了生死存亡的及格线。有潜力的人把 AI 当成一个干脏活累活的底层外包团队，他自己永远牢牢掌控着项目架构的评审权和最终结果的质检权。他清楚地知道，AI 会产生幻觉，会在逻辑链条的薄弱处一本正经地胡说八道。能够敏锐地捕捉到 AI 的逻辑漏洞，并且有能力去修正它，这就是当下绝对稀缺的科研素养。
我们再来聊聊科研生活中非常真实也相当残酷的一面，那就是面对连续失败时的情绪韧性。这也是我淘汰掉很多高分考生的主要原因。
很多人对科研有一种浪漫的滤镜，觉得科研就是在明亮的实验室里喝着咖啡，突然灵光一闪，写下一个改变世界的方程。现实完全不是这样的。真实的科研，百分之九十的时间是在处理枯燥、琐碎甚至让人绝望的失败。
你提出了一个自认为绝妙的想法，逻辑上挑不出毛病，你兴致勃勃地写好代码，跑了三天三夜的模型。结果出来一看，性能不仅没有提升，反而比那个已经存在了五年的基础基准模型还要差百分之十。你反复检查代码，找不出任何 bug。你换了超参数，依然不行。这种情况在你的研究生生涯里会发生无数次。
这时候，你怎么反应，直接决定了你适不适合吃这碗饭。
没有潜力的学生在这种时候会迅速崩溃。他们会陷入严重的自我怀疑，或者开始抱怨硬件不够好，抱怨数据集太脏，抱怨导师给的方向不对。他们会跑来找我，情绪低落，希望我能给他们一个明确的解决方案。如果我给不出，他们就会在接下来的几周里彻底摆烂，失去所有的动力。
有潜力的学生同样会感到沮丧，但他恢复理智的速度异于常人。他不会停留在情绪的发泄上，而是立刻转入绝对理智的解剖模式。他会把模型在验证集上的预测结果全部导出来，一个一个地去看那些预测错的样本。他会花一整天的时间盯着枯燥乏味的原始数据看，试图从几百个失败案例里找出共性。
我曾经带过一个学生，现在已经在顶尖大厂的 AI Lab 做研究员了。他当年做毕业设计的时候，实验连续失败了整整两个月。眼看就要错过顶会的截稿日期，我都有点替他着急了。有一天深夜他给我发消息，没有抱怨，只有几张密密麻麻的数据对比图。他告诉我，他把几千条模型预测错误的文本全部手动标注了一遍，最终发现根本不是我们设计的网络架构有问题，而是那个业界公认的标准数据集里，存在着一种特定模式的标注偏差。他果断地调整了数据预处理策略，加上了一个简单的规则过滤，模型的性能瞬间超越了当时的最高水平。
那种能在泥潭里不带太多情绪地徒手挖泥巴找线索的能力，就是最顶级的科研潜力。科研不需要玻璃心，科研需要的是一种近乎冷酷的钝感力。你的想法被数据打脸了，那就认错，找原因，接着干。没有这种心理素质，在如今内卷到极点的学术圈是活不下去的。
提到学术圈的内卷，就不得不说现在的论文产出速度。在大模型的加持下，随便一个什么想法只要稍微包装一下，借助 AI 的润色和代码辅助，很容易就能灌水出一篇看起来像模像样的论文。这就引出了判断科研潜力的另一个关键点，也就是所谓的学术品味。
学术品味听上去非常玄乎，但其实在实际操作中很好辨认。一个没有品味的研究生，他的课题选择永远是在追逐热点。今天大模型微调火，他就去搞微调，明天文生视频火，他立刻就转去搞视频生成。他读论文永远只看顶会录用的最新文章，并且盲目迷信那些被大牛引用的工作。他给自己设定的目标非常功利，就是怎么把 A 领域的一个微小改动搬到 B 领域去，再凑几个数据集跑出稍微好一点的指标，然后疯狂投递。这种人在短期内可能会刷出几篇文章，但他的科研天花板很低，一旦离开导师的庇护或者脱离了当下的热点，他连自己该干什么都不知道。
而真正有科研潜力的学生，他具备一种看透事物本质的审美能力。他懂得分辨什么是真正有价值的问题，什么是纯粹为了发论文而生造出来的伪需求。
我平时在组会上会经常让学生分享最近读到的工作。当你问他觉得这篇文章怎么样时，大多数学生会复述一遍文章的摘要，说这个方法提高了多少个点，非常厉害。但那个有潜力的学生，他会一针见血地指出这篇文章的局限性。他会说，虽然这篇文章在公共榜单上刷到了第一，但它所依赖的计算资源在实际部署中根本不现实，或者它解决的那个问题在真实的工业界场景里根本就不存在。
这种学生有一套自己的价值判断体系。他不会因为一篇文章发在了多厉害的期刊上就照单全收。他更关注的是这项工作背后的核心动机。他更喜欢去挖掘那些当前可能并不那么热门，但具有长期底层价值的基础问题。对于这种学生，我极力推荐你们多去关注一些顶级学者的个人博客或者是他们在推特上的讨论，不要只盯着正式发表的论文。那些未经过渡打磨的、带有强烈个人偏见的学术探讨，往往包含着最前沿的直觉判断。你可以去追踪比如 HuggingFace 的 Daily Papers，但不要看排行榜，去看看社区里的人在评论区里到底在争论什么。这种沉浸式的学术环境熏陶，能实实在在地提升你鉴别好问题和烂问题的能力。
很多时候，学生来找我定课题，我只要听他陈述五分钟，就能基本判断出他的天花板在哪。平庸的学生会说，导师，我看了一篇论文，他们用了方法 X 解决问题 Y，我想把方法 X 改进成 X+，也去解决问题 Y。而有潜力的学生会说，导师，我观察到一个特别反常的现象，现有所有的理论都解释不了这个现象，我想设计几个实验去探究一下这个现象背后的根本原因，如果我的假设成立，我们现有的很多基础模型可能都需要重新设计。
你看，前者的落脚点在方法，后者的落脚点在问题。能够提出好问题，在这个机器可以批量生成答案的时代，是你唯一能够保值的核心资产。
接下来我想谈谈一个很现实但也经常被忽视的维度，那就是向上管理导师的能力。这也是我这几年带学生越来越深刻的体会。
很多初入师门的研究生对导师存在一种严重的误解，把导师当成了高中的班主任。他们习惯性地等待导师分配任务，等待导师规定死线，在研究中遇到任何阻碍都会立刻停下来等待导师的下一步指示。这其实是非常可怕的学生心态。
在一个运转良好的实验室里，导师的时间和精力永远是稀缺的资源。我手下可能有十几个学生，我每天要处理无数的行政事务、申请项目、开会评审，我根本不可能清楚地记得你那个具体的代码 bug 到底出在哪。
有科研潜力的研究生，从研一进组的第一天起，就把自己当成了一个独立项目的负责人，而把导师当成了一个可以随时调用的高级咨询顾问和资源提供方。
这体现在日常细微的交流方式上。平庸的学生找我汇报，通常会说，导师，我上周跑了那个模型，结果不太好，你看接下来怎么办。这种汇报不仅没有任何信息增量，还会把解决问题的猴子直接扔回给导师。
而一个具有很强科研潜力的学生，他的汇报方式是结构化的。他会事先整理好图表，直奔主题。他会说，导师，基于上周的讨论，我设计了三组对照实验。结果显示，假设 A 和假设 B 都不成立，但意外发现现象 C 非常明显。基于现象 C，我自己分析了三个可能的原因，并且我查阅了相关文献，认为原因二是最大的可能。所以我接下来的计划是集中精力验证原因二，但我目前缺乏某个特定数据集的访问权限，需要您帮我联系一下某某实验室拿数据，另外我打算先试运行两周，如果还是不行，我们就立刻掉头换方案。
看到区别了吗。他不仅抛出了问题，他还给出了分析过程、潜在的选项、自己的推荐方案，并且清晰地指出了需要我提供什么具体的帮助。这种学生很懂如何榨取导师的价值。他不害怕向导师提出要求，他甚至会为了争取计算资源而在组会上跟我据理力争。我非但不觉得这是一种冒犯，我反而很欣赏这种主动掌控局面的攻击性。科研本来就不是请客吃饭，你不主动去争抢资源，资源凭什么要倾斜给你。
如果你现在还是一个研究生，我强烈建议你认真审视一下自己和导师的沟通模式。把每一次汇报当成一次正式的商业路演，你的目的不是去展示你有多辛苦，而是去说服你的投资人继续为你的这个烂摊子投入资源。
说到展示，这就自然过渡到了科研潜力的另一个关键硬指标，那就是将复杂逻辑进行极简表达的能力，也就是写故事的能力。
不要以为搞理工科科研只要把数据跑出来就够了。现在的学术界，酒香也怕巷子深。每天 Arxiv 上涌现出几万篇新论文，大家的时间都被大模型的信息流给撕碎了。如果你的文章不能在第一页的引言部分立刻抓住审稿人和读者的眼球，你的工作做得再扎实也有可能被直接扔进垃圾桶。
很多理科生对文字工作有一种固执的抵触情绪，觉得那是文科生干的事，只要我的数学公式够多够复杂，我的论文质量就高。这种想法在现在是致命的。
有潜力的科研苗子，在动手做第一个实验之前，其实已经在脑子里把这篇论文的核心故事写好了。他清楚地知道自己的工作在这张巨大的学术拼图里处在什么位置。他知道怎么通过设置悬念来引出当前的痛点，怎么顺理成章地提出自己的方法，以及怎么在实验部分一步步地论证自己的优越性。
在指导学生写作的时候，我特别看重他们对逻辑链条的把控。没有潜力的学生写论文，就像是在记流水账。第一部分我做了什么，第二部分我又做了什么，最后得出了什么结果。句子之间没有任何内在的逻辑关联。
而有潜力的学生，他的论文读起来是有很强推背感的。每一段的最后一句必然是下一段的引子，每一个图表都恰好出现在读者脑海中刚刚产生疑问的那一刻。他在写作时会展现出很强的同理心，他清楚地知道对于一个完全不了解他工作的同行来说，看到哪里会产生困惑，然后提前在那个地方做好铺垫。
关于提高这种表达能力，我不仅要求学生多读顶会的最佳论文，我甚至会推荐他们去读一些经典的写作指导书，比如那本老牌但依然适用的 The Elements of Style。在排版上，去熟悉 Overleaf 里的各种高级模板，学会用清晰的矢量图和简洁的伪代码来替代长篇大论的文字说明。你完全可以用 AI 来帮你润色语言，比如丢给 AI 一段干瘪的描述，让它帮你改写成更加地道和连贯的学术英文表达。使用 AI 辅助写作没任何毛病，但整篇文章的核心论点、逻辑框架和章节之间的起承转合，必须是你自己大脑里长出来的东西。如果你连自己要讲一个什么故事都搞不清楚，任何 AI 工具都救不了你。
讲到这里，我其实已经刻画了一个在当下环境中极具科研潜力的研究生画像。他不仅有着敏锐的直觉能迅速定位问题，能熟练且警惕地使用大模型工具，拥有在连续失败中不崩溃的强悍神经，具备不盲从热点的独立学术品味，懂得高效地利用导师资源，还能够把自己的成果包装成一个精彩的故事。
但如果你问我，所有这些特质里，如果只能保留最后也是最根本的一项，我会选什么。
我会毫不犹豫地选择对未知的纯粹好奇心以及与之伴随的极度专注。
这听起来像是一句老套的正确的废话，但在我这么多年的观察中，这是唯一能够支撑一个研究者走过漫长黑暗期的终极动力。
现在的学术大环境确实浮躁。太多的学生把读研当成了一个纯粹的跳板，为了拿到大厂的算法岗 offer，为了凑够毕业的学分，为了评选奖学金。这些功利的目标本身没有任何错，现实压力摆在那里，谁都需要生存。但是，如果一个学生心里装的全部都是这些算计，他在科研上是走不远的。
因为科研的反馈周期十分漫长，且充满变数。你可能努力了两年，一无所获，而你隔壁桌的同学仅仅因为运气好，碰巧在一个容易出结果的方向上蹭到了热点，发了两篇顶会，拿了国奖，早早拿到了高薪 offer。这种时候，功利驱动的学生内心会彻底失衡。他们会陷入巨大的焦虑和怨恨中，动作会变得完全变形，为了出成果甚至开始在数据上做手脚。
而那个真正有潜力的学生，他当然也会羡慕，也会焦虑，但他内心的核心驱动力不是外界的评价，而是那个尚未解开的科学谜题本身。当他深夜坐在屏幕前，看着一行行滚动的数据，看到那个困扰了他几个月的 bug 终于被修复，模型跑出了预期甚至超出预期的结果时，那种从脊椎底端直冲大脑的纯粹的智力快感，是任何金钱和荣誉都无法替代的。
我见过一个很有潜力的学生，他当时研究的一个方向比较冷门，不仅没发什么好文章，找工作也没有任何优势。但他就是觉得那个问题非常有意思，每天沉浸在里面乐此不疲。即使在面临毕业压力很大的时候，他依然能够静下心来去推导一个复杂但短期内看不到任何实用价值的数学证明。那种对知识本身的敬畏和渴望，是装不出来的。
后来事实证明，他坚持的那个冷门方向，在几年后成为了大模型底层架构优化中关键的一环，他当年打下的扎实理论基础，让他在那个风口到来时，几乎是以碾压的姿态成为了那个子领域的权威。
所以，怎么知道一名研究生有没有科研潜力。抛开所有外在的伪装、工具的加持和简历的包装。你只需要在他疲惫、沮丧、所有的外在激励都失效的那个深夜去观察他。
看他是不是依然愿意紧皱着眉头，死死盯着屏幕上那堆乱码般的数据，非要把这个折磨人的问题给彻底弄清楚。
如果有，那他就是天生的研究者。如果没有，那拿个学位早点去工业界赚钱，也是一个很明智的个人选择。科研不仅不适合所有人，它甚至不适合绝大多数人。认清现实，找到自己真正擅长和享受的战场，这本身就是一种难得的潜力和智慧。