什么是好的研究？#
- 举重若轻，在一个核心领域的核心问题中，提出一个简洁的方法，并取得好的效果
案例：Kaiming He 的大部分研究，Layer Norm，What AI Benchmarks Actually Measure,
反面：用了一大堆复杂的方法架构，A+B+C+D+E+F结果性能只提升了一点点甚至没提升。 - 提出好问题，可能是重新定义学术界关注的方向，指出大家的思考盲区
Who Should Be Generated - 有实际应用意义
反面：虚空索敌的论文，比如用模型内部的向量预测模型输出是否会有Bias，并且达到Sota（但这毫无意义啊？） - Just Work
- 反共识，加深学术界理解
如果一个研究，在问题上是好的，解决方法是简洁美丽的，结果是显著的，有实际意义，那就是 Master Piece。
如 Residual Network, Patchscope 等
需要避免的#
- 做的研究东一块西一块，缺乏研究深度，没有连贯的研究想法，甚至去追短期热点（如果是科技未来发展的方向是可以的）。
- 在成为 senior 的过程中，丢掉自己的研究能力（提出问题，解决问题的能力），而只剩下作为senior的体系能力（找学生论文/idea的问题）
- 做的东西跟不上科技发展的主线
比如近几年科技发展的主线就是 Large Model，无论是 CV 还是 LLM 还是后续的 Robotics，核心都离不开神经网络为核心的架构范式。
假如说，以后 Diffusion Language Model 出来了，却还在研究现有范式下的结果，就会出现大问题。 - 缺乏自己内心的尺子。
外部的尺子总是会有各种各样的问题，好的研究往往并不发表在最顶尖的会议和期刊上。 - 要求学生拿出完整的研究计划 / idea
Idea 本身形成的过程，就是最困难最为有价值的，如果 Idea 都已经尽善尽美了，还要老师干嘛呢？ - 基于 Related Work 做增量研究
好的研究往往 from top to bottom, bottom to top.
论文往往不会指出 Gap 在哪里（不然哪篇论文自己就写了。）
Caveat#
本文并没有提出绝对的标准，或者真正好的解释和定义。
只是一些零散的观点和 Tips。