在AI领域，研究者既是一个身份，也是一种幻觉。Anthropic研究员Vivek Nair近日发布的一篇长文，直接戳破了这层幻觉：大多数人以为自己是在做研究，实则只是追论文、追热点、追大厂发布会，看起来很忙，却一直在原地踏步。Qwen前负责人林俊旸也转发了这篇文章，推荐给所有希望真正提升研究能力的从业者。这篇没有鸡汤、只有干货的文章，读起来可能会让人感到刺痛，因为它说的正是我们大多数人从未认真想过的问题。Nair指出，真正的研究能力从来不是靠追热点就能获得的，而是由一系列可刻意训练的小技能叠加而成。他引用了贝尔实验室数学家理查德·汉明的经典习惯：汉明会在午餐时间问周围的人，他们领域的重要问题是什么，以及为什么他们没有在研究这些问题。这个问题之所以令人刺痛，是因为大多数人都拿不出好的答案。我们往往只是从导师、从大实验室的公告、从热门论文中被动吸收问题，却缺乏对这些问题的独立思考。吸收来的问题，你只掌握了结论，却不知道背后的推理过程，当热点转移时，你只能落后一步。关于如何选择真正值得研究的问题，Nair引用了OpenAI联合创始人约翰·舒尔曼的观点。舒尔曼将研究工作分为两种模式：第一种是阅读文献并寻找可以改进的地方；第二种是选择一个你真心希望存在的结果，然后反向推理出所需的实验。他主张第二种方式，因为这种方式能创造出真正的原创性。一个你真正关心的目标，会将你拖入没有任何综述论文涵盖的领域。同时，Nair强调，品味不是天赋，而是一块可以训练的肌肉。每次运行实验之前先预测结果，遮住论文的结果部分仅根据方法来猜测数据，记下本月发布的哪些内容在两年后仍然重要，这些反复的预测与纠错，就是训练你大脑中那个研究模型的最佳方式。Nair还特别强调了输入质量的重要性。共享的阅读清单会产生共享的想法，如果你的信息来源只是arXiv的趋势页面和群聊过滤后的内容，你必然会与其他人同时得出相同的结论，而这些结论几乎毫无价值。他提醒，旧资料的价值被严重低估了：混合专家模型可追溯到1991年，LSTM可追溯到1997年，反向传播在1986年成为主流。理查德·萨顿在2019年用大约一千字写下的苦涩的教训，比长度是其十倍的综述文章更能准确预测领域的发展轮廓。对于希望真正提升研究能力的从业者，Nair的建议是：停止被动吸收，开始主动选择你的问题，升级你的信息来源，并像训练模型一样训练你自己的研究直觉。毕竟，在这个快速迭代的领域，真正稀缺的不是算力，而是独立思考的能力。