如何想Idea？

·8 min read·1493 字
# 科研

如何想Idea？

想Idea主要分成两步：选择一个好的研究问题，寻求问题的解决方案。

Problem-driven vs Method-driven

一般的研究过程可以分为 Problem-driven Research 和 Method-driven Research

简单来说，

  • Problem-driven research：找到一个重要的问题或者目标，想办法把它做好，比如：

    • 大模型在某个任务上性能不好，如何把性能提上去？你可以先确定 1-2 个 benchmark，再尝试探索各种相关的技术，目标就是把任务做 work。

    • 也可以尝试去构建benchmark，把一个问题定义清楚，比如，游戏Agent方向，假设我们希望探究LLM在xx任务上的性能，但是现在还没有一个benchmark能支持类似的评估，你就可以去定义一个新的benchmark

    • 或者在领域通用的benchmark上，对已有的技术方案进行问题分析，找到其中存在的关键挑战和问题，比如，GRPO的效率问题、信用分配问题等等，然后去尝试改进和优化。

  • Method-driven research：拿着锤子找钉子，基于已有的技术方案，去不断解决新的问题。比如，GRPO刚出来的时候，拿来做多模态推理、Agentic RL；Skill火的时候，去解决各种数学、医疗、司法垂域问题；

当然，这两种方式很多时候都是要融合的，大部分情况下我们更偏好 Problem 或者说 Goal-driven research，在这个过程中，去对 method 进行适配和优化。

如何找到研究问题？

批判性论文阅读

参考如何读论文？中提到的，在阅读论文的过程中，要尝试去“鸡蛋里面挑骨头”，多去思考论文存在的不足和问题，从而提出新的问题。**把“读文献”和“提问题”绑在一起，而不是分成两个阶段，**要主动思考“如果这个论文换个数据/换个假设会怎样”。这个习惯越早养成越好，很多研究生前一两年读了大量文献却提不出问题，就是因为读的时候只在“理解”，没有在“批判性质疑”。

从失败中寻找机会

要思考当前的主流方案有哪些failure case，主动寻找和复现failure case，深入分析为什么会出现failure case，探究其背后的原因，尝试提出解决方案

从“是否有效、为什么有效”，反推机制

对一个效果很好、但缺乏解释的方法主动追问“它内部到底在做什么、为什么能 work”，通过设计实验去进行算法分析，这类“reverse-engineering”式的问题往往比“设计一个新方法”更容易找到明确的切入口，因为你有一个已经确定有效的现象作为锚点，只需要设计实验或理论工具去拆解它，而不是从零猜一个新方法是否有效。

代表性的案例：清华大学黄高老师团队的NeurIPS 2025 最佳论文提名：Does Reinforcement Learning Really Incentivize Reasoning Capacity in LLMs Beyond the Base Model?

矛盾与不一致驱动

留意文献里彼此矛盾的结论，两篇论文用相似的设定，却得出不一样甚至相反的结果。矛盾本身就是一个现成的研究问题：为什么 A 和 B 不一致？是数据、假设、评测方式，还是某个隐藏变量的差异导致的？这类问题的好处是研究问题已经被“半定义”好了，你要做的更多是设计对照实验去定位分歧的真正来源，而不是从头构造一个全新问题

从真实应用场景中倒推

从企业真实的需求和痛点出发，比如：

  1. 如果有企业实习的机会，在实习期间要多去了解企业的真实难点，看看哪些可以抽象成Research Problem。

  2. 查看企业发布的各种项目指南，比如，“中国计算机学会”发布的 CCF-XX 企业联合基金，“中国人工智能学会”发布的 CAAI-XX 企业联合基金等，华为的揭榜挂帅项目等，此类信息一般可以从公众号和相关网站上获取到，这种功能指南一般都是企业已经基于自己的业务问题抽象好的research problem。

如何判断一个问题值不值得做

通常情况下，需要和导师沟通讨论来判断该问题是不是值得做。

等成为高年级博士生之后，就需要有独立的价值判断能力，一个很简单的标准：这个问题是不是让你感到兴奋？是不是该方向的瓶颈问题？

如何解决问题？

  • 迁移型：从其他领域借鉴成熟的方法、技术或理论，以解决当前领域尚未被解决的问题，比如ViT将注意力机制从文本迁移到图像领域。这种情况需要广泛阅读文献，寻找问题内核相同的技术，从而实现解法的迁移。

  • 结合型：能不能把A和B拼接起来？这里指的不是简单的拼接，而是具有创新性的组合，比如 DQN 把深度学习和强化学习结合起来，可以解决传统强化学习难以感知图像画面的问题。

  • 开创型：改变游戏规则，比如AlphaFold，面对蛋白质结构这一世纪难题，没有沿用传统的物理建模思路，而是重构了问题，基于深度学习从蛋白质序列中预测结果，这个比较难，需要一些智慧与灵感。

  • AI辅助：2026年，与AI的讨论可以帮助你提出不少解决问题的方法。