一、科研到底是什么？

“科研”是“科学研究”的简称。

用最通俗的话说：

科研，就是提出一个目前还没有被充分回答的问题，然后用严谨、可验证的方法去寻找答案。

这里有三个关键词：

问题是未知的
过程是严谨的
结论能够被别人验证

比如：

“人为什么需要睡觉？”是科研问题。
“怎么让姿态估计模型在遮挡情况下更准确？”是科研问题。
“如何识别图神经网络中的投毒攻击？”也是科研问题。
“怎么安装 PyTorch？”不是科研问题，因为它有现成答案。
“复现一篇论文代码”通常也不算完整科研，但可以是科研训练的一部分。

科研不是单纯地“学习已有知识”，而是在已有知识的边界上，尝试增加一点新的知识。

二、科研和学习有什么区别？

可以把人类知识想象成一张地图。

已经被探索清楚的区域，是教材里的知识；地图边缘那些模糊、空白的地方，就是科研要探索的区域。

学习

学习是在掌握别人已经发现的东西。

例如：

学习什么是神经网络
学习反向传播
学习 Transformer
学习姿态估计
学习图神经网络

这些知识已经存在，你的目标是理解它们。

科研

科研是在已有知识上继续向前推进。

例如：

现有姿态估计模型在严重遮挡下效果不好，能否改进？
现有图神经网络容易受到投毒攻击，能否提高鲁棒性？
现有模型参数太多，能否在准确率几乎不下降的情况下减少计算量？
某个方法在论文数据集上有效，换到真实环境中是否仍然有效？

可以概括为：

学习是把人类已经知道的东西变成你知道的东西；科研是把人类还不知道的东西变成人类知道的东西。

当然，本科生科研通常不会发现一个全新的科学体系，而是在一个很小的问题上做出一点增量。

三、什么才算“新的东西”？

很多初学者会误以为，科研一定要像爱因斯坦一样提出全新理论。

实际上，大部分科研创新都比较具体。

1. 提出一种新方法

例如，原来的姿态估计模型在遮挡时容易识别错误，你设计了一种新的特征融合模块，提高了遮挡场景下的准确率。

2. 改进已有方法

你没有发明全新模型，但修改了损失函数、网络结构或训练方法，使效果更好。

3. 发现一个新现象

例如你发现：

某种图神经网络防御方法在攻击率较低时有效，但攻击率提高后会突然失效。

即使没有提出新模型，这种规律本身也可能有研究价值。

4. 构建新数据集或评价标准

例如：

收集一个矿井工人姿态数据集
建立一个针对遮挡姿态估计的测试集
提出一个更合理的鲁棒性评价指标

5. 将已有方法应用到新问题

例如把某种原本用于图像分类的方法，用到矿井人员异常行为检测中。

但要注意：只是“把 A 用到 B”不一定足够，通常还要说明：

为什么原方法不适合新场景？
你做了什么针对性修改？
修改后解决了什么问题？
是否比已有方法更好？

6. 对已有结论进行验证或反驳

例如，一篇论文声称某种防御方法很有效，但你发现它的实验条件不够全面，在更强攻击下效果很差。

这也可能是科研。

四、科研的完整过程是什么？

科研并不是“先写代码，再看看能不能发论文”。

比较标准的过程是：

发现问题 → 调查已有工作 → 提出假设或方法 → 设计实验 → 分析结果 → 得出结论 → 写成论文

下面逐步讲解。

第一步：发现问题

科研从问题开始，而不是从模型开始。

一个不太好的说法是：

“我想研究 Transformer。”

Transformer 是一个技术，不是问题。

更好的说法是：

“现有姿态估计方法在多人遮挡场景中容易发生关键点错配，能否利用时序信息降低错配率？”

这个问题比较明确，因为它包含：

研究对象：姿态估计
特定场景：多人遮挡
当前缺陷：关键点错配
研究目标：降低错配率
可能思路：利用时序信息

科研中最重要的能力之一，就是把一个模糊兴趣变成一个具体问题。

第二步：查阅已有研究

你不能一想到某个方法，就直接认为它是创新。

也许别人五年前已经做过了。

所以你要阅读论文，回答：

这个问题以前有人研究过吗？
他们用了什么方法？
哪些方法效果最好？
现有方法还有什么不足？
你的想法和已有工作有什么区别？

这个过程叫做：

文献调研

文献调研不是简单地“搜几篇论文看看”，而是在建立一个领域地图。

比如研究姿态估计，你需要逐渐弄清楚：

2D 姿态估计和 3D 姿态估计有什么区别？
自顶向下和自底向上方法有什么区别？
热力图方法和坐标回归方法有什么区别？
常用数据集有哪些？
常用指标是什么？
目前最困难的问题是什么？

只有理解了已有工作，你才能知道真正的空白在哪里。

第三步：提出假设或方法

假设是你对问题答案的一种推测。

例如：

我认为遮挡场景下识别错误，是因为模型只看当前一帧，没有充分利用前后帧的连续信息。

于是你提出假设：

如果加入时序特征，模型可能更准确地恢复被遮挡的关键点。

接下来你设计一个方法来验证这个假设。

比如：

在原模型后面增加一个时序模块
使用前后若干帧的信息
设计一个关键点连续性损失函数
让相邻帧的预测结果更加平滑

注意，科研不是“我加了一个模块，所以这就是创新”。

你还必须说明：

为什么要加？
它解决什么问题？
为什么理论上可能有效？
它和已有模块有什么不同？

第四步：设计实验

实验不是随便跑一次程序看结果。

严谨的实验要能够回答你的研究问题。

假设你提出一个新姿态估计方法，你需要考虑：

和谁比较？

通常要和已有方法比较，这些方法叫作：

基线方法，Baseline

例如：

原始模型
经典模型
当前效果较好的模型
与你方法思路相近的模型

在什么数据上比较？

需要使用合适的数据集。

例如：

COCO
MPII
Human3.6M
你自己收集的数据

用什么指标比较？

例如：

AP
PCK
MPJPE
推理速度
参数量
显存占用

如何保证公平？

例如：

使用相同训练集
使用相同输入分辨率
使用相同评价指标
尽量使用相同训练设置
不能只挑对自己有利的结果

实验的目的不是“证明自己一定是对的”，而是尽可能客观地检验自己的想法。

第五步：分析实验结果

很多初学者认为：

准确率提高了，科研就完成了。

其实不是。

你需要进一步回答：

为什么提高了？
哪个模块真正有效？
在哪些场景下有效？
在哪些场景下无效？
是否增加了很多计算量？
提升是否稳定？
换一个数据集还有效吗？
是否可能只是随机波动？

例如，你的模型准确率从 75.0 提升到 75.2。

这个提升未必有意义，因为它可能来自：

随机种子不同
数据增强不同
训练轮数不同
超参数变化
测试误差波动

因此，科研需要进行更深入的实验。

第六步：做消融实验

消融实验是计算机科研中非常常见的概念。

假设你的方法加入了三个模块：

时序模块 A
注意力模块 B
新损失函数 C

最终效果提高了，但别人会问：

到底是哪一个模块起作用？

于是你分别实验：

方法	A	B	C	准确率
原始模型	×	×	×	70.0
只加 A	√	×	×	72.0
只加 B	×	√	×	70.5
只加 C	×	×	√	71.0
A+B+C	√	√	√	73.0

通过这个实验，可以判断：

A 的作用最大
B 单独作用不明显
三者组合效果最好

这类实验叫：

消融实验，Ablation Study

它的作用是解释你的方法为什么有效，而不仅仅是展示最终数字。

第七步：得出结论

科研结论不应该是：

“我们的模型非常优秀，全面领先。”

更严谨的结论可能是：

实验结果表明，引入时序信息后，模型在遮挡比例较高的场景中取得了更好的关键点检测效果，但计算开销有所增加，并且在单帧静态图像上提升有限。

好的科研必须承认局限性。

例如：

只在一个数据集上实验
模型计算量较大
对某些类别效果不好
数据规模较小
方法只适用于特定场景

承认不足并不意味着研究失败，反而说明研究者比较诚实、严谨。

第八步：写成论文

论文不是科研本身，而是科研成果的一种表达形式。

论文通常要回答几个问题：

你研究了什么问题？
为什么这个问题重要？
以前的人怎么做？
现有方法有什么不足？
你提出了什么方法？
为什么你的方法可能有效？
你如何进行实验？
实验结果怎么样？
你的方法有什么局限？

一篇常见的计算机论文通常包括：

摘要
引言
相关工作
方法
实验
结论
参考文献

五、用一个完整例子理解科研

假设你研究“图神经网络投毒攻击”。

1. 观察现象

图神经网络训练时依赖图结构。如果攻击者偷偷增加或删除一些边，模型的预测可能发生错误。

2. 提出问题

现有图神经网络是否能够抵抗少量恶意边的注入？

3. 阅读文献

你发现已经有人研究：

边注入攻击
节点注入攻击
标签污染
图结构净化
鲁棒图神经网络

4. 发现不足

你发现某些防御方法主要根据节点特征相似度删除异常边。

但攻击者可以专门连接特征相似的节点，从而逃过检测。

5. 提出想法

你认为只看特征相似度不够，还应该考虑：

局部图结构
节点类别一致性
边的重要程度
多跳邻居关系

于是你设计一个新的异常边评分方法。

6. 设计实验

你在多个图数据集上测试：

无攻击情况
不同攻击比例
不同攻击算法
不同图神经网络模型

并与已有防御方法比较。

7. 分析结果

你发现：

攻击率较低时，新方法明显更好
攻击率非常高时，所有方法都下降
新方法计算开销稍大
在同质图上效果好，但在异质图上一般

8. 得出结论

你可以得到一个较严谨的结论：

结合节点特征和局部结构，可以更有效地识别部分恶意边，但该方法对异质图的适应性仍需改进。

这就是一个比较完整的科研过程。

六、科研不是什么？

1. 科研不等于写代码

代码只是验证想法的工具。

你可以写一万行代码，但如果没有明确问题、没有合理实验，也未必是科研。

相反，有些理论研究几乎不需要大量编程。

2. 科研不等于调参数

不停地修改：

学习率
Batch Size
网络层数
隐藏维度

最后发现准确率提高了 0.3，这通常不能自动构成科研创新。

除非你能揭示一个有意义的规律，或者提出系统性的优化方法。

3. 科研不等于复现论文

复现是按照别人的论文重新实现和验证结果。

它非常重要，尤其适合初学者，但复现本身通常是：

科研训练，而不是新的科研成果。

复现之后可以继续追问：

为什么我的结果和原论文不同？
原方法在哪些情况下失效？
能否简化模型？
能否迁移到其他数据集？
能否设计更公平的实验？

这时就开始进入真正的研究。

4. 科研不等于堆模块

把 Transformer、注意力机制、卷积、图神经网络全部组合起来，不代表有创新。

别人会问：

为什么这样组合？每个模块解决什么问题？

没有问题驱动的模块堆叠，通常说服力很弱。

5. 科研不等于结果必须成功

你的假设可能被实验否定。

例如：

加入时序信息并没有改善遮挡姿态估计。

这不一定代表完全没有研究价值。

你还可以分析：

为什么没效果？
是数据问题还是模型问题？
在什么条件下才有效？
这个负面结果说明了什么？

科研的本质是寻找真实答案，而不是想办法证明自己永远正确。

七、科研中常见的几个概念

1. 研究方向

一个比较大的领域。

例如：

计算机视觉
自然语言处理
图神经网络
网络安全
人工智能安全
数据挖掘

2. 研究课题

方向下面一个更具体的主题。

例如：

3D 人体姿态估计
图神经网络投毒攻击防御
大模型幻觉检测
多模态虚假信息识别

3. 研究问题

课题中一个可以被具体回答的问题。

例如：

如何提高姿态估计模型在严重遮挡条件下的准确率？

4. 创新点

你的工作相对于已有研究新增了什么。

创新点可能是：

新问题
新方法
新理论
新数据
新实验发现
新评价体系

5. Baseline

用于比较的已有方法或基础方法。

你不能只说自己的方法效果是 85%，因为别人不知道 85% 是好还是坏。

如果已有方法是 60%，你的 85% 很强；如果已有方法是 90%，你的 85% 就不理想。

6. SOTA

SOTA 是 State of the Art 的缩写，意思是当前最先进水平。

但科研不一定必须达到 SOTA。

有些方法虽然准确率不是最高，但它可能：

速度更快
参数更少
更容易解释
对攻击更鲁棒
更保护隐私
更适用于真实设备

7. 数据集

用于训练和测试模型的数据集合。

需要区分：

训练集
验证集
测试集

不能一边看测试集结果，一边反复调整模型，否则可能对测试集过拟合。

8. 评价指标

衡量模型表现的方法。

例如：

分类准确率
精确率
召回率
F1 值
AP
推理时间
参数量
鲁棒性

不同问题需要不同指标。

9. 可复现性

别人按照你的论文和代码，应当能够得到相近结果。

科研不仅要说“我成功了”，还要尽可能让别人知道：

数据从哪里来
模型如何训练
参数如何设置
实验如何运行
结果如何计算

10. 同行评审

论文投稿后，通常会由同领域研究者审查。

审稿人会判断：

问题是否重要
创新是否充分
方法是否合理
实验是否可信
写作是否清楚
是否存在明显错误

这个过程叫 Peer Review，也就是同行评审。

八、论文、会议和期刊是什么关系？

科研成果需要传播，论文就是常见的传播载体。

会议

研究者把论文投稿到学术会议，经过评审后决定是否录用。

计算机领域比较重视会议，尤其是人工智能、计算机视觉、数据挖掘等方向。

一般过程是：

投稿 → 审稿 → 回复审稿意见 → 录用或拒绝 → 参会交流

期刊

期刊一般持续接收论文，评审周期通常可能更长，也可能允许多轮修改。

CCF 分类

你经常看到的 CCF-A、CCF-B、CCF-C，是中国计算机学会对部分国际会议和期刊的推荐分类。

大致可以理解为：

CCF-A：顶级
CCF-B：高水平
CCF-C：有一定影响力

不过，不能简单地认为所有 A 都绝对比所有 B 好。不同方向、会议和具体论文质量仍有差异。

九、导师在科研中做什么？

理想情况下，导师不是替你完成实验，而是帮助你：

判断问题有没有价值
推荐重要论文
帮你缩小研究范围
指出方法中的漏洞
设计更合理的实验
修改论文逻辑
帮你理解领域规则
避免走明显的弯路

初学者经常遇到的问题是：

我连这个方向有哪些问题都不知道，怎么自己提出创新？

这是正常的。

因为“发现值得研究的问题”本身就需要大量领域经验。

所以本科生科研通常从导师给出的一个小问题开始。

十、本科生做科研，一般会经历什么？

第一阶段：补基础

例如你准备做深度学习科研，需要掌握：

Python
PyTorch
线性代数基础
概率统计基础
机器学习基础
神经网络基础
目标方向的基本模型

第二阶段：读综述和经典论文

先建立领域框架，而不是一开始就读最难的新论文。

你需要知道：

这个领域解决什么问题
有哪些主要方法
使用哪些数据集
使用哪些指标
当前难点是什么

第三阶段：复现论文

选择一篇代码公开、难度适中的论文。

完成：

环境配置
数据处理
模型训练
指标复现
参数理解
结果分析

复现可以帮你把“看懂论文”推进到“真正理解方法”。

第四阶段：修改和实验

可以从小修改开始：

更换模块
更换损失函数
调整数据增强
测试新的攻击方式
增加一个数据集
分析模型失败情况

重点不是盲目修改，而是每次修改前都要提出一个理由。

第五阶段：形成研究问题

经过实验后，你可能发现一个稳定现象。

例如：

现有防御方法在同质图上有效，但在异质图上失效。

这就可能逐渐形成一个研究问题。

第六阶段：完成论文

整理：

研究动机
相关工作
方法
理论或直觉解释
实验结果
消融实验
局限性

然后在导师指导下修改和投稿。

十一、科研最难的地方是什么？

很多人以为科研最难的是写代码，其实不一定。

1. 不知道该研究什么

这是最常见的困难。

因为值得研究的问题需要同时满足：

还没有被很好解决
有一定价值
可以进行验证
在你的时间和资源范围内能完成

2. 论文看不懂

一篇论文往往默认你已经知道大量前置知识。

例如一篇图神经网络论文可能同时涉及：

图论
神经网络
信息论
因果推断
优化理论
公平性

初学者看不懂很正常。

正确方法通常不是硬啃，而是建立“前置知识树”，缺什么补什么。

3. 实验无法复现

原因可能包括：

环境版本不同
数据预处理不同
论文没有写清细节
随机种子不同
代码存在隐藏设置
计算资源不足

复现失败本身也是科研训练的重要部分。

4. 想法有效但创新不足

一个改动可能确实提高准确率，但别人已经做过，或者只是常规技巧。

所以科研必须结合文献调研。

5. 结果不稳定

同一个模型多跑几次结果差异很大，需要进一步判断：

是否随机性过强
数据是否太少
指标是否合理
是否存在实现错误
提升是否具有统计意义

6. 写不清楚

有些工作本身不错，但论文没有把“为什么要做、为什么有效、比别人好在哪里”讲清楚，也可能被拒稿。

科研不仅需要技术能力，还需要逻辑表达能力。

十二、科研需要哪些能力？

可以把科研能力分成六部分。

1. 基础知识能力

理解数学、算法和领域知识。

2. 文献阅读能力

能够快速判断：

论文解决什么问题
核心方法是什么
创新在哪里
实验是否合理
有什么不足

3. 提问能力

能够从“我觉得这个方向很有趣”，进一步提出可研究的问题。

4. 实验能力

包括：

编程
环境配置
数据处理
模型训练
排查错误
实验记录
结果分析

5. 逻辑能力

能区分：

相关性和因果性
现象和解释
假设和结论
实验证据和主观猜测

6. 表达能力

把复杂内容清楚地写出来或讲出来。

十三、科研中最重要的思维方式

1. 不轻易相信结果

看到准确率提高，先问：

是否公平比较？
是否用了更多数据？
是否用了更大模型？
是否只是随机波动？
是否只挑选了有利实验？

2. 区分“我觉得”和“证据表明”

“我觉得这个模块有效”只是猜测。

“消融实验显示加入这个模块后，多个数据集上的结果稳定提高”才是证据。

3. 主动寻找反例

不要只找支持自己观点的证据，还要尝试推翻自己。

例如：

换一个数据集还有效吗？
面对更强攻击还有效吗？
去掉某个设置还有效吗？
在低资源条件下还有效吗？

越经得住反驳，结论越可信。

4. 控制变量

假设你比较两个模型，却同时改变了：

模型结构
数据增强
训练轮数
学习率
输入尺寸

那你就无法知道结果变化到底由什么造成。

因此实验要尽可能控制其他条件。

5. 接受不确定性

科研不是做标准答案题。

你可能花几周时间，最后发现想法无效。这很正常。

真正的科研不是每次都成功，而是不断排除错误方向，逐渐接近可靠结论。

十四、什么样的本科生适合科研？

不一定要求你一开始就特别聪明，也不一定要求所有课程都是满分。

但通常需要：

愿意长期学习
能接受暂时看不懂
遇到报错愿意排查
不急于立刻获得结果
能够记录实验
愿意承认自己的想法可能错误
对某类问题有真实兴趣

科研最怕的不是基础薄弱，而是：

只想快速发表，不愿意理解
只看最终数字，不关心方法是否合理
实验失败就随意修改数据
不记录实验过程
把别人的代码换个名字当创新

十五、你可以如何开始科研？

结合你是计算机专业本科生的情况，一个比较合理的起点是：

第一步：确定一个大方向

例如：

姿态估计
图神经网络
人工智能安全
网络安全
大模型安全

这个阶段不需要立刻想创新。

第二步：学习基础知识

以姿态估计为例，你需要依次了解：

图像和张量
卷积神经网络
特征提取
目标检测
关键点检测
热力图表示
常见评价指标
常用姿态估计模型

第三步：读一篇综述

综述可以帮助你建立整个方向的地图。

读完后，你至少应能回答：

这个方向在解决什么问题？
有哪些主要技术路线？
常用数据集是什么？
常用指标是什么？
当前难点是什么？

第四步：复现一个成熟项目

优先选择：

代码公开
文档较完整
数据集容易获取
显卡要求不过高
有社区讨论
论文难度适中

第五步：做好实验记录

每次实验记录：

实验目的
修改内容
参数设置
使用的数据
最终结果
观察到的问题
下一步计划

不要依靠记忆。

第六步：从失败案例中找问题

例如模型预测错了，不要只看整体准确率。

具体观察：

遮挡时是否容易出错？
小目标是否容易出错？
光照变化是否影响大？
某些类别是否特别差？
攻击强度提高后是否迅速失效？

科研问题经常藏在失败案例里。

十六、判断一个想法是不是科研问题

你可以用下面几个问题检查。

这个问题是否已经有明确答案？

有明确答案，通常更像学习问题。

这个问题是否具体？

“研究人工智能”太大。

“提高遮挡情况下人体关键点检测准确率”更具体。

能否通过实验或理论验证？

“让模型更智能”难以验证。

“在 COCO 遮挡子集上把 AP 提高，并控制参数量增长不超过一定范围”更容易验证。

为什么这个问题重要？

需要说明它影响了什么：

准确率
安全性
公平性
效率
隐私
可解释性
实际应用

现有方法为什么不够？

如果现有方法已经解决得很好，就需要解释为什么还要研究。

你准备如何证明自己的方法有效？

需要提前考虑：

数据集
基线
指标
对照实验
消融实验

十七、最核心的一句话

科研可以浓缩成这样一个循环：

发现一个未知问题，提出一个可以检验的想法，通过严谨的理论或实验寻找证据，再把结论清楚地告诉别人。

对于本科生来说，不需要一开始就想着“发顶会”。

更合理的顺序是：

学懂基础 → 读懂论文 → 复现方法 → 发现不足 → 提出问题 → 设计实验 → 形成成果

你现在最需要建立的，不是“我必须马上创新”的焦虑，而是逐渐学会三个问题：

别人已经做了什么？还存在哪些不足？我怎样用证据验证一个更好的答案？