很多人进入研究领域之后，都会遇到一个尴尬的问题：好像没人真正教过我们“如何做研究”。

导师可能会给你一个方向，课题组可能会给你一批数据，前人可能会留下一套方法。然后你就被默认应该知道接下来怎么走：读论文、设计实验、分析结果、写文章、投稿、修改、继续。

但真正困难的地方并不只是“会不会做实验”或“会不会写代码”，而是：你能不能提出一个值得研究的问题？能不能判断一个方向有没有价值？能不能从失败结果里提取信息？能不能持续修正自己的判断？能不能在长期积累中形成自己的研究品味？

Vivek Nair 的文章《How to be good at research》讨论的正是这个问题。它没有把优秀研究者描述成某种天才，而是把研究能力拆解成一组可以训练的习惯和方法。

读完之后，我觉得它最重要的提醒是：研究不是一种身份，而是一套持续发现问题、修正判断、积累洞察的系统。

一、很多人只是在“模仿研究者的样子”

研究新手很容易陷入一种状态：看起来很努力，也确实很忙，但实际上只是在模仿研究者的外观。

比如，每天刷最新论文，看别人转发的热点，追踪大厂刚发布的模型，记录各种新名词，然后试图在这些东西里找一个自己可以跟进的小切口。

这些行为当然不是错的。问题在于，如果一个人只是被动吸收别人的问题，他就很难真正形成自己的研究判断。

别人为什么选择这个问题？他们期待看到什么结果？什么样的实验结果会让他们放弃这个方向？他们拥有怎样的数据、算力、团队和时间窗口？这些背景往往不会完整写在论文里，也不会出现在社交媒体的总结中。

所以，如果只是看到“某个方向火了”，然后立刻跟进去，很可能已经晚了。你看到的是别人已经公开的结论，而不是他们当初产生问题的过程。

真正重要的能力不是“发现别人正在研究什么”，而是“判断什么问题值得自己研究”。

二、不要只吸收问题，要学会自己提出问题

文章引用了 Richard Hamming 的经典追问：

你所在领域最重要的问题是什么？你为什么不研究它？

这个问题之所以尖锐，是因为很多人其实没有认真思考过“什么问题重要”。他们只是沿着导师、课题组、热门论文或行业趋势给出的路径继续走。

但优秀研究者不能只做问题的接收者，还要成为问题的提出者。

一种常见的研究路径是：先读大量文献，然后在已有工作的不足之处寻找改进点。这当然是一种合理方式，但它也容易让人被现有文献框住。你看到的永远是别人已经定义过的问题。

另一种更有创造性的方式是：先问自己，我希望这个领域里出现什么结果？如果这个结果真的存在，它会改变什么？为了证明它存在，我需要做哪些实验？为了排除其他解释，我需要哪些对照？

这两种方式的区别很大。

前者是从“别人做了什么”出发，后者是从“世界还缺什么”出发。

真正有原创性的研究，往往不是在已有论文后面做一点局部修补，而是来自一个研究者对问题本身的重新定义。

三、研究品味不是玄学，而是预测能力

很多人会说某个研究者“品味很好”。这个词听起来有点抽象，甚至像一种天赋。但文章认为，研究品味并不是玄学，而是一种可以训练的预测能力。

所谓品味，本质上是你能不能提前判断：哪个问题重要，哪个方向可能有结果，哪个实验值得做，哪个现象只是噪音，哪个结论看起来漂亮但其实站不住。

这种能力怎么训练？

最直接的方法是：在看到结果之前，先写下自己的预测。

做实验前，先写下你预期会发生什么。读论文时，先不要急着看结果，而是根据方法部分预测作者会得到什么数据。看到一个新方向时，先判断它两年后是否还重要，然后过一段时间回头检验自己的判断。

这个过程其实是在训练自己的大脑模型。

预测，观察，纠错，再预测。如此循环，判断力才会逐渐变准。

很多人做研究时只是“做完再看结果”，但这样很难提高判断力。因为如果你没有事先预测，就无法知道自己到底错在哪里。没有明确的错误，也就没有明确的进步。

四、信息输入决定了你能想到什么问题

如果所有人都读同样的论文、看同样的摘要、刷同样的社交媒体动态，那么大家很容易同时想到差不多的问题。

而当一个想法所有人都能同时想到时，它的竞争价值就已经下降了。

文章特别强调，研究者需要主动升级自己的信息输入。不要只看最新论文，也不要只看别人总结好的二手内容。真正有价值的信息，常常藏在更深、更旧、更边缘的地方。

比如，很多今天看起来很新的方法，其实在几十年前就已经有了雏形。只不过当时的数据、算力或工程条件还不成熟，所以没有真正爆发。等到外部条件改变，旧思想就可能重新变得重要。

这也是为什么老论文、经典理论、技术报告、附录、失败实验和局限性部分都值得认真读。

论文摘要告诉你作者想让你看到什么，附录和局限性则更可能告诉你这个工作真实的边界在哪里。

除了本领域的新论文，研究者还应该读相邻领域的东西。很多突破不是来自一个狭窄方向内部的线性推进，而是来自不同领域之间的迁移。统计学、系统工程、认知科学、神经科学、经济学、机制设计、软件工程，都可能为一个问题提供新的解释框架。

输入越同质，输出越平庸。输入越有差异，越可能形成自己的判断。

五、把想法写下来，因为写作会暴露漏洞

很多想法在脑子里看起来很完整，但一旦写下来，就会发现逻辑并没有那么顺。

这也是文章反复强调写作的原因。

写作不是研究完成之后的包装，而是研究过程中的思维工具。它会迫使你把模糊的直觉变成清晰的论证，把隐含的假设摆到台面上，把跳跃的逻辑补完整。

尤其是失败实验，更应该写下来。

人的记忆有一个很危险的倾向：它会自动美化自己的判断，淡化那些不方便的证据。一个和你预期相反的结果，如果没有及时记录，很快就会被遗忘，或者被你重新解释成“不重要”。

所以，研究日志非常重要。

一条好的研究记录至少应该包括：当时的假设是什么，实验设置是什么，预期结果是什么，实际结果是什么，看完结果之后自己的判断发生了什么变化。

长期坚持之后，你会看到自己的思维轨迹。你会发现自己在哪些地方经常高估，在哪些地方经常忽略变量，哪些判断是反复被数据推翻的，哪些方向则逐渐显示出真正的价值。

写作的另一个好处是，它能让别人看到你的思考过程。清楚地解释一个困难问题，本身就是一种贡献。公开写作不是研究之外的附属品，而是建立声誉、吸引反馈、连接合作者的重要方式。

六、研究速度不是忙碌程度，而是发现错误的速度

研究中的“快”，并不是指一天做了多少事情，也不是指跑了多少大实验，而是指你多快能发现自己错了。

很多研究进展缓慢，不是因为人不努力，而是因为反馈循环太长。一个想法从产生到验证，中间要经过漫长的准备、运行、整理、分析和复盘。等到结果出来，可能已经过去很久。

如果这个想法本来就是错的，那么这段时间就被浪费了。

所以，优秀研究者会不断缩短反馈循环。

能用小实验验证的问题，不要一开始就做大实验。能用小样本暴露的问题，不要拖到完整流程才发现。能自动化的步骤，就不要每次手动重复。能标准化记录的配置，就不要散落在不同文件夹里靠记忆回溯。

工具链不是低级辅助，而是研究能力的一部分。

一个好的研究流程应该让你快速启动实验、快速查看结果、快速比较版本、快速复现旧结果。否则，大量精力都会消耗在文件管理、参数查找、结果整理和重复操作中。

研究真正需要的不是“看起来很复杂的流程”，而是能够不断降低试错成本的系统。

七、不要只看漂亮指标，要盯着失败样本

很多研究者喜欢看最终指标：准确率、AUC、P 值、loss 曲线、显著性结果、汇总表、热图。

这些当然重要，但它们也很容易制造幻觉。

一个漂亮的总指标，可能掩盖了许多失败样本。一个看起来下降的 loss，可能只是数据泄漏、样本偏差或实现错误。一个显著的统计结果，也可能来自边界条件、异常值或不恰当的对照。

文章强调，研究者应该认真看输出，尤其是失败案例。

不要只看模型平均表现，要看它到底在哪些样本上失败。不要只看总体趋势，要看异常点。不要只看结果表格，要回到原始数据。不要只问“有没有提升”，还要问“提升来自哪里”。

很多真正有价值的信息，都藏在失败结果里。

一个实验失败了，并不代表它没有价值。没有价值的是你没有从失败里提取任何信息。相反，如果一个失败结果能帮助你排除一个假设、发现一个 bug、修正一个判断、重新定义一个问题，那么它就是有效的研究进展。

研究不是不断证明自己是对的，而是不断找出自己哪里错了。

八、不要过早把自己困在一个小领域里

文章还有一个很重要的提醒：不要过早把自己锁死在第一个进入的子领域。

很多人最初进入某个方向，可能只是因为导师安排、项目需要、实验室传统或偶然机会。但这个起点并不一定代表你真正适合那里。

研究者需要给自己一些有目的的游荡时间。

所谓游荡，不是漫无目的地乱看，而是在相邻方向上进行真实接触。读一些核心论文，复现一些小实验，和不同方向的人交流，尝试理解他们的问题意识和方法体系。

只有在几个地方都真正花过时间，才更容易知道自己适合什么。

有些人擅长提出问题，有些人擅长做系统，有些人擅长设计实验，有些人擅长解释结果，有些人擅长把混乱的数据整理成可靠结论。不同研究者的优势并不一样。

找到自己的优势，需要尝试，也需要比较。

与此同时，不要轻易爱上自己的第一个想法。一个想法出现之后，应该尽快做一个最小版本去验证，让弱想法早点死掉。好的研究不是保护想法，而是筛选想法。能被早早推翻的想法，就不要拖到投入大量时间之后才承认它不成立。

九、强对照比漂亮故事更重要

很多研究看起来很有说服力，是因为对照不够强。

如果 baseline 很弱，一个新方法很容易显得有效。但一旦把对照调好，所谓的提升可能就消失了。

这也是文章强调强 baseline 和消融实验的原因。

真正可靠的研究，不能只是证明“我的方法比一个很弱的方法好”，而是要证明：在足够强、足够公平的对照下，我的方法仍然有价值。

消融实验也同样重要。一个复杂方法里可能包含很多模块，但真正起作用的也许只有其中一部分。研究者必须知道结果到底来自哪里，而不是只讲一个完整但未经拆解的故事。

漂亮故事很容易写，可靠证据更难获得。

研究的诚实性，往往体现在你是否愿意用更强的对照、更严格的设置和更不舒服的问题来挑战自己的结论。

十、找到你的人，开放会带来复利

研究不是完全孤立的活动。

文章引用 Hamming 的观察：关着门的人短期内可能完成更多任务，但开着门的人更可能接触到真正重要的问题。因为交流中的“打断”，常常包含外部世界正在发生的变化、别人踩过的坑，以及你自己视野之外的信息。

今天的“开门”，可以是公开写作，可以是分享工具，可以是复现实验，可以是解释一个困难概念，也可以是把一个半成形的问题拿出来和别人讨论。

这些行为短期内看起来不一定有回报，但长期会形成复利。

你可能因为一篇笔记遇到合作者，因为一个复现结果获得信任，因为一次公开讨论提前发现问题，因为一个小工具被别人记住。

尤其重要的是，研究中最有价值的人，往往不是在你成功后祝贺你的人，而是在你投入三个月之前提醒你“这个方向可能有问题”的人。

这种关系买不到，只能靠长期贡献、开放交流和可信赖的判断慢慢积累。

十一、长期复利：越早开始，成本越低

研究能力的提升不是突然发生的。

它来自每天微小但持续的选择：读什么，记什么，和谁讨论，怎么设计实验，怎么分析失败，怎么修正判断，怎么整理自己的知识系统。

这些动作短期看差别不大，但几年之后会形成巨大差距。

有些人看起来总是运气很好，能够抓住重要问题，遇到合适合作者，做出关键判断。但很多“运气”背后，其实是长期准备的结果。

如果一个人长期保持高质量输入，持续记录判断，快速试错，认真分析失败，主动建立共同体，那么当机会出现时，他就更容易识别它，也更有能力抓住它。

幸运偏爱有准备的人。研究中的准备，不是等到某个重大机会出现时才开始，而是在你还觉得“不急”的时候就已经开始积累。

结语：好的研究者，是更快变得诚实的人

这篇文章最打动我的地方，是它没有把研究神秘化。

它没有说优秀研究者一定要多聪明，也没有把科研描述成少数天才的灵感游戏。相反，它把研究能力拆解成了一系列具体动作：

主动提出问题，而不是被动接收问题；
训练预测能力，而不是只在结果出来后解释结果；
升级信息输入，而不是只看二手摘要和热点论文；
持续写作记录，而不是依赖模糊记忆；
缩短反馈循环，而不是把时间耗在低效流程里；
认真分析失败，而不是只展示漂亮指标；
寻找强对照，而不是讲一个未经挑战的故事；
开放交流，而不是把自己关在狭窄的信息环境里。

归根结底，研究能力不是一种身份标签，而是一套让自己不断接近真实的系统。

好的研究者，不是永远正确的人，而是更快发现自己错误、更愿意修正自己判断、更能从失败中提取信息的人。

这也许就是“如何做好研究”最朴素、也最重要的答案。