怎么才能真正做好研究？

今天想分享一篇文章。

标题叫：

How to be good at research

作者是 Anthropic 的研究者 Vivek Nair。

这篇文章表面上讲的是“如何做好研究”。

但我看完之后最大的感受是：

它不只适合博士生、AI 研究员、产业研究员看。

它对普通人的职业发展、投资判断、创业选方向，甚至长期个人成长，都很有启发。

因为真正好的研究，本质上不是“会读论文”，也不是“会做实验”。

而是你能不能持续提出更好的问题，找到更好的信息源，更快发现自己错在哪里，并且把这些反馈变成长期复利。

很多人以为研究是一种学术能力。

但更底层地看，研究其实是一种面对世界的能力：

你怎么选择问题。 怎么判断什么重要。 怎么处理不确定性。 怎么接受自己错了。 怎么从失败样本里提取信息。 怎么把一次次零散经验，变成长期可复用的判断力。

我想分享几个对我触动很深的点。

1. 选择问题，比解决问题更重要

很多人做研究，第一反应是：

现在最火的方向是什么？ 大厂实验室在做什么？ 最近哪篇论文爆了？ 哪个 benchmark 又刷高了？

然后就跟着往前追。

这当然不是完全没用。

但问题在于：

当你看到一篇论文、一个成果、一个发布会的时候，往往已经是别人选择这个方向很久之后的结果了。

你看到的是结论。

但你看不到他们当初为什么选这个问题。

你不知道他们的原始判断是什么，不知道他们内部试错了多少次，也不知道他们什么时候已经准备转向。

等成果公开之后，可能已经有大量研究员、工程师和创业者扑上去了。

这个时候你再进去，通常是在一个非常拥挤的赛道里，和比你更早、更有资源的人竞争。

所以原文里最重要的提醒是：

不要只是接收别人给你的问题，而要训练自己选择问题的能力。

Richard Hamming 在贝尔实验室有一个很著名的习惯。

他会在午饭时问身边的人：

你所在领域最重要的问题是什么？ 你现在在研究什么问题？ 如果这些问题最重要，为什么你不研究它们？

这个问题很刺痛。

因为它逼你面对一个事实：

很多时候，我们不是不努力，而是在努力解决一些不够重要的问题。

这件事放到职业、投资、创业里也一样。

职业发展里，真正重要的问题不是：

“我怎么把今天的任务做完？”

而是：

“我现在积累的能力，三年后还值钱吗？”

投资里，真正重要的问题不是：

“这只股票明天涨不涨？”

而是：

“这个行业未来十年的核心变量是什么？”

创业里，真正重要的问题不是：

“这个功能怎么做？”

而是：

“这个问题是否真的重要到有人愿意持续付费？”

找错问题，再勤奋也只是把错误答案打磨得更漂亮。

2. 真正的原创性，往往来自你真正在乎的问题

文章里还提到一种很重要的研究方式。

不是先看文献里有什么 gap，然后找一个小缺口去填。

而是先问：

我真正希望世界上出现什么结果？ 我真正想解决什么问题？ 我对什么现象始终感到困惑？ 我在哪些地方反复感到“不对劲”？

然后再倒推：

如果这个问题要被解决，需要什么实验？ 需要什么数据？ 需要什么工具？ 需要什么中间假设被验证？

这种方式更容易产生原创性。

因为每个人真实在乎的问题不同。

你的成长经历、行业经验、失败经验、审美偏好、长期困惑，都会让你看到别人看不到的问题。

很多人以为做研究要尽量“客观”，要把自己从问题里拿掉。

但某种程度上，真正好的问题，恰恰来自你独特的经历。

你在某个行业里踩过坑。 你在某个岗位里长期被一个流程折磨。 你在某类产品里反复看到同一种失败。 你在某个技术方向里总觉得哪里不对。 你在某个市场里长期观察到一种反常现象。

这些都不是噪音。

这些可能就是你的研究入口。

差异化的输入，才能带来差异化的问题。

差异化的问题，才可能带来差异化的结果。

3. 研究品味不是天赋，是训练出来的

原文里有一个很关键的词：

taste，品味。

研究品味指的是：

你能不能判断一个问题重不重要。 一个方向有没有前途。 一个实验结果是不是真的有意义。 一篇论文是真突破，还是只是包装得很好。 一个产品是真需求，还是只是看起来很性感。 一个机会是真趋势，还是短期情绪。

很多人觉得品味是一种天赋。

但作者的观点是：

品味更像肌肉，是可以训练的。

怎么训练？

很简单，但很反人性：

在每次实验之前，先写下你的预测。

你觉得结果会怎样？ 你觉得哪个变量最重要？ 你觉得这个方法会失败在哪里？ 你觉得最后最可能卡住的地方是什么？

然后实验结束后，对照你的预测。

哪里猜对了？ 哪里猜错了？ 为什么错？ 是信息不够，还是模型错了？ 是判断偏了，还是被情绪带走了？

读论文也可以这样练。

不要一上来就急着看结论。

可以先看问题和方法，然后停下来问自己：

如果我是作者，这个实验大概会得到什么结果？ 这个方法会强到什么程度？ 哪些 ablation 可能会掉点？ 哪些限制作者可能会放在 limitations 里？

长期这样做，你的大脑会形成一个反馈系统。

每一次预测和修正，都是在训练你的判断力。

这对研究有用，对投资也非常有用。

很多人投资亏钱，不是因为没有信息，而是因为从不记录自己的判断。

买入前为什么买？ 预期什么会发生？ 什么情况说明我错了？ 如果错了，是逻辑错了，还是时间错了？ 是信息不完整，还是我被市场情绪带走了？

如果不记录，你每次亏损都会被记忆自动美化。

最后你只记得自己“差一点就对了”。

但真正的成长，来自你愿意反复看见自己错得有多具体。

4. 升级信息源，否则你只能得到平均想法

如果你每天看的都是同一批热点、同一批转发、同一批摘要、同一批观点，那你最后产生的想法也会高度相似。

共享的信息源，会生产共享的结论。

而共享的结论，通常没有太大价值。

所以作者很强调：

要升级你的输入。

第一种升级，是回到经典。

很多今天看起来很新的东西，其实很早就有人想过。

比如 MoE 这种架构，早在 1991 年就有相关研究。

反向传播也不是今天才重要，1986 年那篇关于 back-propagation 的 Nature 论文，已经是深度学习历史上的关键节点。

Richard Sutton 的《The Bitter Lesson》不长，但它对 AI 发展方向的判断，直到今天仍然很有穿透力。

经典之所以是经典，不是因为它古老。

而是因为它经过了时间筛选，仍然能解释今天发生的事情。

热点会过期。

经典会不断长出新的解释力。

第二种升级，是跨学科。

很多 AI 可解释性的灵感，可能来自神经科学。 很多评估方法，本质上又和统计学、心理学、机制设计有关。 很多模型架构能不能跑起来，也和硬件、内存带宽、数据流动方式有关。 很多产品问题，最后其实是行为科学、组织结构和商业模式问题。

如果只在一个狭窄的信息池里打转，很容易越来越精细，但越来越封闭。

真正有价值的想法，常常来自不同领域之间的缝隙。

第三种升级，是读原文。

不要只看 thread。 不要只看短视频总结。 不要只看别人整理好的二手观点。

要读论文。 读正文。 读 appendix。 读 limitations。 读作者没放在摘要里的细节。

因为很多真正有价值的信息，恰恰藏在不方便传播的地方。

摘要负责让你感兴趣。

正文负责告诉你逻辑。

附录和限制部分，经常会告诉你更接近真相的东西。

5. 写作不是表达工具，而是思考工具

我很喜欢文章里关于写作的部分。

很多人以为写作是：

我已经想清楚了，然后把它写出来。

但真实情况经常相反：

你以为自己想清楚了，直到你开始写，才发现根本没想清楚。

Paul Graham 讲过类似的观点：

写作会让想法变得更精确、更完整。

一个想法在脑子里可能显得很完整。

但一写下来，你就会发现里面有很多断裂。

哪一步没有推导？ 哪个假设没有验证？ 哪两个观点其实互相矛盾？ 哪个例子只是情绪，不是证据？ 哪个结论只是听起来很漂亮，但并不成立？

写作会把这些东西暴露出来。

所以写作不是最后的包装。

写作本身就是研究过程的一部分。

费曼也说过类似的意思：

你最需要防备的人，是你自己。

因为人最容易骗自己。

达尔文也有一个习惯：

一旦观察到和自己理论不一致的事实，他会立刻写下来。

因为他知道，如果不写下来，人的记忆会很快把这些“不方便的证据”删除掉。

这点太重要了。

我们的大脑不是一个可靠的数据库。

它更像一个会自动维护自尊的编辑器。

它会保留支持你的证据，淡化反驳你的证据。

它会记住你差点成功的瞬间，忘掉你判断彻底错误的地方。

所以你需要写下来。

写下假设。 写下证据。 写下反例。 写下失败。 写下你当时为什么相信它。 写下你后来为什么改了判断。

这些记录，才是你思考过的证明。

6. 研究速度，取决于你发现自己错得有多快

文章里还有一个非常硬核的观点：

研究速度，本质上是你发现自己错的速度。

很多人以为高手厉害，是因为一开始就想得对。

但真正高产的研究者，往往不是永远正确。

而是反馈循环极快。

他们每天能提出更多假设。 做更多小实验。 看到更多失败样本。 更快更新自己的模型。 更快放弃不值得继续的方向。

这里面有一个非常重要的方法：

把复杂问题缩小。

不要一上来就试图解决完整版本。

先做一个你能完全理解的小版本。

先让它在小规模上跑通。 先搞清楚变量之间的关系。 先知道失败在哪里。 再逐步增加复杂度。

Karpathy 的很多教学项目就体现了这种思路。

不是一上来就讲一个巨大的黑盒系统，而是从最小模型、最小训练流程、最小可运行代码开始，让你一点点理解大模型背后的结构。

这对创业也一样。

不要一上来就做一个完整平台。

先做一个小工具。 先服务一个小人群。 先验证一个明确痛点。 先拿到最短路径的反馈。 先知道用户到底为什么不用、为什么不买、为什么不留。

复杂系统不是靠想象搭出来的。

是从一个能跑的小系统，慢慢长出来的。

7. 不要只看指标，要盯着失败样本看

这点我觉得特别适合 AI 时代。

很多人做模型、做产品、做增长，都喜欢看大盘指标。

准确率涨了。 留存率涨了。 转化率涨了。 loss 曲线下降了。 DAU 又创新高了。

这些当然重要。

但指标不是分析。

指标只是入口。

真正的信息，往往藏在失败样本里。

吴恩达很早就讲过一个方法：

如果你想改进一个系统，不要只盯着平均指标。

你应该抽一批失败案例，一个个看。

然后把它们分类。

哪些是数据问题？ 哪些是标签问题？ 哪些是模型理解错了？ 哪些是边界情况？ 哪些是用户预期和产品设计不一致？ 哪些不是技术问题，而是需求根本不存在？

当你把失败样本分堆之后，最大的那一堆，往往就是最值得攻坚的方向。

这件事对创业也一样。

不要只看“用户增长不错”。

你要看：

为什么这些用户没有留下来？ 为什么他们注册后没有使用？ 为什么他们看完页面没有购买？ 为什么他们说喜欢，但就是不付费？ 为什么他们转发了，但没有真正使用？ 为什么他们收藏了，但没有第二次打开？

失败样本是系统给你的诊断报告。

问题是，大多数人不愿意看。

因为看失败样本很枯燥，也很打脸。

但真正的进步，经常就藏在这些枯燥和打脸里。

8. 工具也是研究能力的一部分

原文里还有一个很实际的建议：

你要打磨自己的工具。

如果启动一个实验需要十步，那你一天就不会做几次。

如果整理一次结果需要半小时，你就会下意识逃避复盘。

如果找三个月前看过的一篇文章需要二十分钟，你的思考链路就会被打断。

所以好的研究者，会不断降低从想法到验证之间的摩擦。

能一句话启动实验，就不要两句话。 能自动记录结果，就不要手动复制。 能自动生成对比图，就不要每次重新整理。 能把资料放进一个可搜索系统，就不要散落在五个 App 里。 能沉淀成模板，就不要每次从零开始。

在 AI 时代，这件事更重要。

因为 AI 可以帮你做很多重复动作。

但前提是，你要把流程设计出来。

你要有自己的研究日志。 自己的资料库。 自己的实验模板。 自己的复盘格式。 自己的问题清单。 自己的失败样本库。 自己的判断记录。

这不是形式主义。

这是复利系统。

真正拉开差距的，不是某一次灵感。

而是你有没有一套机制，让每一次阅读、实验、失败、写作、复盘，都能留下痕迹，并且能被下一次调用。

9. 公开输出，是最强的筛选器

还有一点很容易被忽略：

把一部分想法公开写出来。

很多人觉得，研究成果只有发论文才算输出。

但其实，高质量的公开解释本身也是贡献。

清楚地解释一个复杂问题。 复现一个结果。 指出一个方法的边界。 整理一个领域的脉络。 把一个失败经验讲明白。 把一个工具链整理出来。 把一个判断过程摊开给别人看。

这些都会吸引同频的人。

公开输出还有一个好处：

它会帮你找到真正的合作者。

简历可以包装。 头衔可以包装。 一句“我对 AI 很感兴趣”也可以包装。

但长期公开写作，很难伪装。

因为它暴露的是你的思考方式。

你如何提问。 如何推理。 如何处理反例。 如何承认不确定性。 如何更新自己的观点。 如何面对自己之前判断错的地方。

这些东西，比任何自我介绍都更有说服力。

对普通人来说也是一样。

你持续公开输出自己的判断、复盘和方法论，本质上是在互联网上积累一份可验证的思考档案。

这比一句“我很有洞察力”强太多。

10. 找到能提前告诉你错在哪的人

最后一个点，是人。

研究不是闭门造车。

当然，你需要深度工作，需要长时间独处，需要自己把问题想穿。

但你也需要找到那些能提前指出你问题的人。

一个好的合作者，可能会在你投入三个月之前告诉你：

这个方向不值得。 这个假设站不住。 这个实验设计有问题。 这个指标不能说明你想说明的东西。 这个问题已经有人做过了。 这个结论听起来漂亮，但没有证据。 你现在只是被新鲜感骗了。 你真正该验证的不是这个。

这种反馈非常珍贵。

因为它帮你节省的不是一次讨论时间。

而是几个月的人生。

所以真正好的研究关系，不是互相吹捧。

而是互相提高判断质量。

这也是为什么公开输出、复现别人的结果、分享自己的工具、认真评论别人的工作，都很重要。

你不是为了“社交”而社交。

你是在让别人看见你如何思考。

当你持续贡献有用的信息，关系会围绕工作自然形成。

总结一下

这篇文章给我的最大启发是：

做好研究，不是一个神秘技能。

它是一组可以训练的能力：

第一，选择真正重要的问题，而不是只追热点。

第二，训练研究品味，在预测和修正中提高判断力。

第三，升级信息源，多读经典、读原文、跨学科输入。

第四，用写作暴露思维漏洞，而不是只把写作当表达工具。

第五，缩短反馈循环，更快提出假设，更快发现自己错了。

第六，盯着失败样本看，因为那里往往藏着系统真正的问题。

第七，打磨自己的工具和流程，让每次思考都能产生复利。

第八，把一部分想法公开，让同频的人通过你的作品找到你。

第九，找到能提前指出你错误的人，别只待在让你舒服的信息环境里。

这套方法看起来是在讲研究。

但我觉得，它更像是在讲一个人如何变得更清醒。

做职业选择，本质上是在研究自己和市场的匹配。

做投资，本质上是在研究世界如何变化。

做创业，本质上是在研究什么问题真的值得解决。

做内容，本质上是在研究什么观点值得被表达。

所以最后真正重要的问题可能是：

你现在每天忙的事情，是真正重要的问题吗？

还是只是别人已经选好、已经拥挤、已经过热的问题？

如果你能开始认真回答这个问题，可能就已经大多数人更接近“好的研究”了。