汪军教授专栏：关于长期高影响力人工智能研究原则的若干思考

背景与反思

在最近的多次采访中，Google DeepMind 的 CEO Demis Hassabis 提到：中国在快速追赶人工智能技术方面表现出色，但在算法层面的原创性与根本性创新上仍显不足。作为一名华人研究者，这样的评价难免令人心生不甘。

这种不甘，并非因为话语刺耳，而是因为它并非全然失实，却也并不完整。回望 DeepMind 的代表性成果，其中真正完全从零生长出的算法并不多，许多思想在学术界早已有迹可循。然而，这些工作却持续产生跨越学科与圈层的影响; 它们改变的，往往不是性能曲线，而是人们理解“智能”的方式。

我们解读最新技术，文末有相关信息。

作者：张长旺，图源：旺知识

由此，一个更值得追问的问题浮现出来：为何华人研究者在顶级会议与期刊中的论文数量并不少，甚至在统计意义上占据优势，但真正形成长期学术坐标、塑造时代叙事的工作却屈指可数？

原因或许并不在能力，而在研究取向。

问题先于算法

计算机科学与人工智能的大多数研究，本质上是工程驱动的：先明确一个技术问题，再尝试解决它。在这种范式下，算法当然重要，但它往往只是对问题的回应。真正决定一项工作影响力上限的，往往不是“解得多巧”，而是“问得是否足够深”。

从这个角度看，问题选择是研究中最关键、却最容易被低估的决策。它决定了一项工作是否具备外延性，能否被不同领域理解与吸收。DeepMind 的成功，很大程度上在于它反复聚焦那些一旦被突破，就会改变人们如何理解“智能”的问题， 而不仅仅是在既定基准上做得更好。

相比之下，我们更擅长在已被充分定义的问题空间内快速推进、精细优化。这种能力极其重要，却也天然限制了影响的外溢。当问题本身缺乏张力时，再漂亮的算法也难以走出原有语境。

因此，真正值得反思的，并不是“我们有没有原创算法”，而是：

我们是否足够重视提出那些值得被长期记住的问题？

是否愿意为问题本身承担更高的不确定性与更慢的回报？

工程能力决定下限，问题意识决定上限。也许真正的原创，并不总写在公式之中，而体现在公式之前，对世界的提问方式里。怎么组织研究才产生有影响力成果？下面是近几年实践出的四个原则：

研究问题的选择

研究人员都知道,选对问题往往是整个项目中最关键的决定。一个普遍的做法是围绕已有的基准任务和排行榜展开研究，因为这些任务已经由社区预先定义好了目标、评估协议和研究动机。ImageNet 是其中的经典成功案例：这个优秀设计的基准推动了深度学习在计算机视觉领域的全面突破。

然而，这类例子极为少见。大量排行榜缺乏长期愿景、理论基础或现实相关性。围绕它们开展研究往往导致成果趋于“增量式”，因为我们只是在解决别人已经替我们框好的问题，研究者在塑造整个领域方向方面难以施展空间。当某些基准背后的动机浅薄或已过时时，其评估方式和狭窄目标反而会限制研究的发展。比如说，协同过滤和推荐系统（collaborative filtering and recommeder systems）就是一个典型案例：尽管其商业价值显著、研究社区庞大，但整体进展有限。问题定义过窄、过度商业化，许多论文甚至难以超越经典基线模型; 这说明不良的问题设定可以让一个领域长期停滞不前。

正因如此，主动创建新的研究问题具有重要的战略价值——尤其是那些真正重要、尚未被充分探索、也未被社区正式化的问题 (AlphaGo, AlphaFold这些都是好的例子)。这是我们的第一条原则：率先定义一个新问题，意味着研究者可以主导阐述动机、设定目标、建立方法论，并由此引导社区的关注方向。 这样的工作往往具有更大的影响力，因为整个领域的进展会沿着你提出的问题与框架向前推进。

Scaling Law作为核心原则

第二条原则是Scaling Law：任何提出的方法最终都必须能够在大规模环境下证明其有效性。 简单、可以大规模（Scaling）的技术往往比那些复杂但难以泛化或难以在大系统中运行的方法更具实际影响力和效果。

同时，研究还应面向未来，而非仅满足当下条件。即便团队暂时缺乏大规模实验的能力，也必须预见不久之后大型语言模型与计算基础设施的能力飞跃时的情况。关键的问题是：当未来的计算能力与模型能力都变得更强时，哪些问题仍然是未被解决的？围绕这些未来难题开展研究，可以确保研究成果具备长期价值。

重新思考研究周期

AI 研究文化深受会议发表周期的影响。重要会议每三到六个月就有一次截止期，这促使团队围绕短期目标产出“刚好够发表”的论文。这种“deadline驱动”的文化容易导致研究碎片化，削弱工作的连续性，并让数量压倒深度。学生们常在每次投稿后迅速转向新课题，牺牲了构建长期研究方向的机会，只为提升短期的论文接收率。在某些研究机构中，特别是高校，过度强调 NeurIPS/ICML/ICLR 论文数量的招聘政策，更加剧了这种短视行为。

因此，第三条原则是打破这种短周期研究循环：大型、经过战略规划的研究项目——例如以年度为周期、辅以半年评审——能够支持更深入的探索和更连贯的研究方向。 DeepMind 等实验室的实践很有启发性：其研究流程通常在“开放探索阶段”和“聚焦工程攻坚阶段”之间反复切换。探索阶段中，多学科团队发掘新想法与实验证据；攻坚阶段则集中资源，将具潜力的路径放大、打磨，直至形成突破。何时从“广撒网”转向“重点突破”，是一种需要经验与判断的艺术。

机构可以通过半年评审机制将影响有限的项目逐步退出，将算力与人力投入到更有前景的方向，从而提升整体研究效率。更重要的是，要鼓励团队脱离会议 deadline 的束缚，把视野放在跨学科影响力和更高层次的发表渠道上（如 Nature、Science）。这并非短期投机，而是一种迫使研究者进行长期思考、以问题为中心、进行跨领域整合的方式。这样的转变能够让研究围绕基础性问题展开，而不是被会议周期所限定的技术性创新牵着走。

超越论文：传播与生态构建

论文引用虽然仍是学术界常用的影响力指标，但它只能反映研究影响的一个维度。在 AI 领域，真正具有影响力的研究远远不止于论文本身。第四条原则是：开源软件、可复现性、易用性与实际落地，是推动学术界与工业界共同进步的关键。

例如，我们的 HEBO 贝叶斯优化方法之所以能够获得广泛认可，不仅因为其研究本身具有价值，还因为它被无缝集成进常见的机器学习工具框架中。通过良好的软件设计、文档与示例降低使用门槛，比单纯发表论文更能有效扩大影响力。

如今 AI 发表量急剧膨胀，每轮顶会的提交数量往往已达数千篇，使得单篇工作的脱颖而出难度大幅提升。因此，寻找有效的成果传播渠道变得至关重要。社交媒体、预印本平台、社区论坛与开源仓库都能显著提升研究的可见度、促进复现与加速采纳。

在这样的环境中，研究传播的目标不再只是“让别人知道你做了什么”，而是构建一个围绕研究成果的生态系统：包括工具、数据集、教程、基准与合作网络，让其他研究者能够基于你的工作进一步开发、测试与扩展。

参考资料

Jun Wang@UCL, Some Thoughts on Principles for Long-Term, High-Impact AI Research.