第一次打开一个陌生的开源项目，我们往往会下意识地寻找 README.md：环境如何配置？代码如何运行？第一步做什么？遇到问题去哪里找答案？

但科研没有这样一份现成的 README。

导师给出的一个方向、几篇论文、一个模糊的想法，往往就是科研最初的全部“输入”。从这里出发，如何找到真正值得研究的问题？如何判断下一步该往哪里走？一次实验失败意味着方向错了吗？AI 越来越强之后，科研训练真正重要的又是什么？

如果把科研看成一次漫长的优化过程，那么我们面对的或许不是一道拥有标准答案的题，而是一条需要自己不断寻找“梯度”的 Loss 曲线：

科研没有精确的梯度，也没有唯一的最优路径。但我们可以在一次次反馈中修正方向，在一次次迭代中更新自己，最终逐渐形成属于自己的科研工作流。

01 Define Loss

第一步不是找方法，而是先知道自己到底在优化什么

新生刚入课题组时，可能会说：“我想做自动驾驶。”“我想研究大模型。”“我想做交通仿真。”

这些可以是一个很好的起点，却还不是一个真正意义上的科研问题。

科研，首先需要区分四个逐渐收敛的层次：

Research Area → Topic → Problem → Contribution

课题组的研究方向可以是自动驾驶测试评价、自主式交通系统、交通管控与数字孪生等；进一步缩小，可以形成自动驾驶训练、测试评价、场景生成等具体主题

但科研真正开始的地方，是继续追问：

现有方法到底哪里不够好？

是数据存在大量冗余？模型泛化能力不足？还是闭环反馈不够充分？

只有继续把“大方向”压缩成一个可以阅读、可以讨论、可以实验、可以被证伪的问题，才有可能进一步讨论自己究竟能够带来怎样的研究增量。

对此，我们提出了一个简单的 4Q 检查方法：

Why —— 为什么这个问题值得研究？

What —— 现有工作究竟差在哪里？

How —— 准备通过什么方式解决？

So What —— 如果实验成功，它究竟说明了什么？

后一个问题尤其容易被忽略。

科研并不只是让某个指标提高一点。更重要的是，这个结果究竟验证了一个新的规律，解决了一个此前没有解决的问题，还是只是在已有框架上增加了更多模块。

把“方向”变成一个可验证的问题，科研才真正开始。

02 Estimate Gradient

科研没有现成的，只能不断从反馈中估计方向

问题确定以后，新的困难随之出现：

知道自己想去哪里之后，下一步究竟应该怎么走？

优化算法可以计算梯度，但科研没有一个函数能够直接告诉我们下一步应该更新哪一个参数。

我们将科研中的“Gradient”概括为四类重要信号：

Papers、Code、People、Results。

论文告诉我们别人已经走到了哪里；代码补充论文中没有完全呈现的实现细节；导师、师兄师姐和组会讨论提供来自他人的视角；实验结果则不断检验我们原本对于问题的理解。

其中，一个重要观点是：

文献不是“收藏夹游戏”

科研阅读的目标不是“我看过多少篇论文”，而应当是：

读完之后，我的不确定性减少了多少？

因此，文献阅读可以形成这样一个循环：

扫描 → 精读 → 复现 → 讨论

先通过关键词和顶会顶刊快速建立领域地图；再围绕 Problem、Method、Experiment 和 Limitation 精读真正相关的工作；随后尽可能跑通一个 baseline，在实践中发现论文文字之外的问题；最后带着已经具体化的问题，与导师和同学讨论。

所以，一批文献真正被吸收的标志，不是 Zotero 中多了多少个 PDF，而是：

我开始知道，下一步想验证什么。

文献阅读的终点，应当是形成自己的下一步假设。

03 Run the Loop

不等待一次“大跃迁”，而是让小更新不断发生

找到了目标，也获得了一些“梯度”，接下来最重要的事情反而非常朴素：

把循环真正跑起来。

科研进展很少来自某一天突然出现的灵感，更多时候来自许多不起眼的小更新不断累积。

因此，虽然科研本身没有 README，却可以逐渐给自己的科研写一份：

research_README.md

里面至少可以有五个部分：

Goal：一句话说清楚：我现在究竟在解决什么问题？

Setup：数据、实验环境、代码版本和评价指标是什么？

Experiments：每次实验为什么做？结果是什么？结果改变了什么判断？

Lessons：踩过哪些坑？哪些问题不应该再次重复？

Next Step：下一次 update 准备做什么？

这份 README 的价值，不在于把科研记录得多么“漂亮”，而在于让每一次尝试都能够为下一次迭代留下信息。

文献笔记沉淀的是问题地图；实验记录沉淀的是假设—配置—结果—结论；代码环境留下可复现的版本信息；图、PPT、Prompt 和模板则逐渐成为自己的科研素材资产。

记录同样也是一种 self-improve。

今天需要三天才能解决的问题，几个月后也许半小时就能够处理；曾经难以理解的论文，经过一段时间积累之后可能已经成为常识。

因此，比“今天完成了多少任务”更加重要的问题是：

我的迭代方向对不对？

哪些事情已经不值得再投入这么多时间？

下一阶段真正的瓶颈变成了什么？

04 Choose Convergence

效率最终会趋同，判断决定上限

代码可以越写越快，实验可以越来越熟练，文献也可以越读越快。

但分享中特别强调，还有一种能力很难通过简单重复获得：

判断。

首先是判断，什么问题值得花半年甚至一年去做。

分享用一个简单的乘法表达一个值得投入的问题：

Good Problem = Important × Interesting × Tractable

它应该具有研究价值，能够持续激发自己的兴趣，同时又需要在现实的数据、算力、时间和能力约束下具有可执行性。

其次，是判断应该如何看待实验，也如何看待自己。

真实的科研 Loss 曲线很少平滑下降。

一个实验失败，不足以证明一个 idea 不成立；某一天没有进展，也不足以判断一个人的科研能力。

因此：

不要用一天评价自己，用一个月评价自己。

不要用一次实验评价一个 idea，用一组证据评价它。

不要因为一次 Loss 上升，就 Early Stop。

科研最终训练的，也许正是在充满噪声的反馈中，仍然能够逐渐形成独立判断的能力。

05 AI is Optimizer, not Objective

工具解决摩擦，但不替你决定方向

今天的科研正在发生一个明显变化。

AI 可以帮助我们检索文献、编写代码、调试程序、整理材料和润色文字；越来越多工具，也正在持续降低科研中的重复劳动成本。

但我们认为，仍然存在一个值得警惕的区分：

AI is Optimizer, not Objective.

AI 可以让一个已经确定的想法执行得更快，却不能天然替代研究者回答：

究竟什么问题值得做？

当“执行一个想法”的成本不断下降，“决定什么值得执行”的能力反而变得更加重要。

同样，Illustrator、Photoshop、Procreate、PPT以及各种 Agent，都只是降低科研摩擦的工具。文件管理、文献管理、绘图和时间管理的最终目的，也不是建立一套看起来复杂而精致的“效率系统”。

工具解决的是摩擦，不解决方向。

真正有价值的工具，应当把我们从重复劳动中释放出来，让时间重新回到阅读、思考、实验与讨论之中。

写在最后

Research has no README. So write your own.

科研没有标准答案。

没有人能够提前告诉我们，哪一个问题一定能够做成，哪一个方向一定值得坚持，也不会有一个 debug.log 清楚地告诉我们究竟在哪一步出了问题。

但科研的意义或许也正在这里。

我们可以不断重新定义自己的 Loss，从论文、代码、实验和讨论中估计 Gradient，在一次次 Update 中修正自己的认识，并最终逐渐形成关于研究问题、方法与方向的独立判断。

于是，那份一开始并不存在的 README，也在这个过程中被一点点写了出来。

它没有最终版本。

因为科研本身，就是持续更新它的过程。

科研没有 README。

So write your own.