人需要多蠢才会使用ai提供的创新点？发文章可太简单了，万事万物都可以发文章。那么在ai盛行的当下，哪些研究算是好研究，什么文章值得发，什么研究值得投入几周几个月甚至数年的时间呢？

研究品味是什么

这应该是一种判断能力，预测未来和重要性，判断问题的重要性与精力分配的必要性。

研究的价值并不代表技术的难度，举个例子：课题组a实现了菠菜的基因增强，食用后可以使人的力量增大10倍，另外一个课题组b实现了萝卜基因的增强，食用后可以使兔子 理论扩大1000倍。那么就研究难度来说后者肯定是大于前者的，但是社会的认可度和研究价值很明显是反过来的。

在上一个例子中课题组b的指标提升比课题组a大好几百倍，但是他的影响却并不是很大。我喜欢把这种现象称之为统计学本质（指标主义），也就是说统计学本质只看数据指标而已，什么置信度，为什么是个值？为什么大于和小于是两种截然不同的结果？统计学本质是对于真实数据的扭曲解释与本真的遮蔽，摇着“真理”的大旗行“迷信”之事。指标是不重要的，重要的是他作用与什么，对作用之事的影响大不大（这个大又如何衡量，回到统计中去吗？）。

之于品味来说更重要的一点是研究本身所处的地位。我们可以把每个小领域看作一块海绵，我们需要做的就是填充那些中空的地方，对于基础研究来说需要霸占海绵中中心的中空部分，而对于应用研究来说最好占领两块海绵之间连接的桥梁。

基础研究

我们用树模型替代之前的海绵假说，这可能是个更直观的视角：开创一个领域的那几篇文章我们称为树根，比如说双曲几何里面urston的几篇研究奠定了这个领域未来几十年的发展。那么建立在树根之上的那些文章就是数干，比如说urston弟子对于他理论的那些阐释与补充。在之后，在树干上提出新定理新猜想的文章算是树枝，修改参数改进收敛结果的是树叶（三四区的文章可能大多数都是这种了，显然我们不会再谈这种文章）。

那么我们不难发现树干型研究是普遍的机制，基础的理论标准方法与关键的定理，而树枝型则是特殊的参数特殊场景的特化与已有工作的自然延伸。后者是普通的研究能够做到的，我们思考的重点应该是如何卡住前者。目前来看，想要卡住生态位对我来说似乎有点困难，主要的方法是从其他领域借鉴工具，比如说最趁手的应该是傅里叶分析，但是他对于空间还是相对有些苛刻的。

应用研究

应用研究又是一种截然不同的领域，他更看重影响多少人多少场景（回想刚才提到的菠菜萝卜模型），在这个领域现实的意义远比单纯的性能更加重要。

回想基础研究的地位，在这里我们似乎不太能卡住一个生态位（一篇或者少数几篇文章往往能把一个领域吃干抹净），所以我们更应该关注什么场景更容易落地，什么理论更贴近现实。

因为我不靠发论文吃饭，所以我做的应用研究都是脑子里自然生长出来的，是基于真实感受的卡脖子的问题，不过呢我觉得多看看理论文章将前沿理论落到实际不失为一种好的策略。如果是我，写完一篇理论文章之后应该会直接拿理论去发应用文章，真正的研究应该是从理论到实验到行业落地的，做一半就发出去了给别人捡大漏真的很蠢。

一些通用的标准

主要看是否具有普适性和能够生成新的研究

回到卡位的思想上来，我们究竟是研究某种case还是某一类问题。我们是研究一个参数还是研究一整个结构，是一个数据集还是他背后的机制？应该从特殊走向一般。

有时候把所有事情都做完未必是好事，也未必可能。春冰碎尽入长川，逝水无名过百年。过客临流携一掬，明朝化雨落谁肩。真正好的文章应该能养活一群人，科研本身就是以死问路尸体游行，后天踩在前人的成果上成就前人。因此能够形成新的研究也是一个通用的标准，好的研究应该是一个新的起点。

什么是不好的研究

那么最后顺便列举几点不好的研究：

• 参数填空：换一个参数继续做
• 场景扩展：同样问题换一个配置
• 方法搬运：把热门方法移植到新领域
• 指标追逐：只追求性能提升
• 复杂度崇拜：把“更难”误认为“更重要”
• 共同问题：成功之后，对领域结构几乎没有影响