如何做好研究与开发

在2026年这个时间节点上，全球生成式AI与大模型研发正加速驶入深水区。从硅谷到北京，大算力、大数据的军备竞赛已经演变成了一场规模宏大的工业化大生产。每天清晨，各大高校的预印本平台、大厂的技术社区都会被成百上千篇新涌现的论文和行研报告挤满。每一个身处其中的从业者、分析师和科研人员，似乎都在不眠不休地紧跟时事，生怕错过了任何一个技术微调或者参数迭代的窗口。

但在这种表面繁荣的底层，科技圈和科研界正悄然弥漫着一种极其隐蔽的“智力过载焦虑”。各大实验室的算力在成倍翻番，分析师们的收藏夹里塞满了几万字的深度报告，半夜看完激动得睡不着，觉得自己昨晚又完成了一次认知升级。可一旦把这些人拉到一个具体的工程现场，或者推到一个未被定义的行业迷雾面前，让他们去解决一个具体的硬核问题时，大多数人往往会陷入一种集体抓瞎的窘境。

前不久，顶级 AI 实验室 Anthropic 的研究员 Vivek Nair 撰写了一篇名为《How to be good at research》的文章，在海内外的科技和投资圈里引发了不小的震动。这篇文章之所以具有极强的穿透力，是因为它极其精准地戳破了一个长期被行业繁荣所掩盖的扎心现实：在这个技术大分工的时代，从来没有人系统地教过我们怎么去定义和做研究。

作为 Anthropic 的核心研究员，Vivek Nair 本人的学术履历就是对这套方法论的最好背书。在斯坦福大学期间，他就因在密码学和 VR 隐私保护领域的硬核产出而受到行业瞩目。他加入的 Anthropic 实验室，在硅谷同行们疯狂崇拜巨额算力、盲目堆叠参数的时候，Anthropic 却常年将大量的智力资源倾斜在模型的“可解释性（Interpretability）”和微调效率等底层短板上，这被很多同行视作异类。这种不盲从系统神话、直逼问题本质的组织基因，恰恰构成了 Nair 撰写这篇文章的底层底色。

从高校的象牙塔到企业的研发部，大部分人进实验室、接手项目的第一天起，所遵循的路径就是被动的。我们被动地接受导师或领导分配那些别人挑剩的、或者已经具备明确预期的次要课题，然后在 KPI 的鞭策下被动地要求产出新成果。在这种体制下培养出来的技能，往往只是靠看论文、看行业动态去模仿一门学问的表象。到最后，大家顶着高学历和光鲜的履历，“看起来极其像一个资深的研究者”，但由于缺乏对底层能力的掌握，本质上只是被稀释成了在文献堆和数据堆里搬砖的“数字劳工”。

Vivek Nair 的核心论点在于，真正驱动产业跃迁的研究能力，从来不是靠资产负债表里的算力堆叠出来的，也不是看你读了多少篇二手行研汇总，它是一堆可以被刻意训练的小技能的叠加。这套方法论的本质，是在高噪声的时代里，如何建立一套具备确定性的高价值智力产出范式。而这场智力范式的供给侧改革，首先要动刀的，就是最基础的选题逻辑。

在目前的学术界和行业调研中，90% 的人选题都陷入了一种近乎韭菜式的“跟风追热点”模式。大厂发了什么前沿成果，某个明星实验室做出了什么爆款模型，整个赛道立马就会涌入无数张逆向复刻的图纸。

这种模式在商业上被称为“同质化内卷”，在智力资产的生产中则意味着边际收益的极速递减。当你看到公开成果再选择跟进时，赛道早已极度拥挤，更致命的是，由于你处于研发的下游，你看不到先行者最初的思考原点，也看不到他们在暗处踩过的隐形坑。往往你刚刚把模型调通、把长篇报告写完，处于上游的领跑者已经完成了战略转向，跟进者只能白白浪费大把的时间与精力。

如果用风险投资的黑话来翻译，跟风追热点的研究，本质上是在二级市场上做公募基金的顺周期调仓，你永远只能赚取行业β（平均收益）。卓越的研究者，做的其实是一级市场的天使风投，他们追求的是寻找非对称的风险收益比，赚取超越市场的α（超额收益）。

这种对安全感的盲目追求和对未知领域的恐惧，让大多数智力劳动者变成了懦夫。这让人不由得想起冷战时期贝尔实验室（Bell Labs）那个最著名的组织行为学样本。当时贝尔实验室的数学家理查德·汉明（Richard Hamming）有一个在科学界极其著名的恶劣习惯。他在食堂吃饭时，最喜欢坐到不同领域的同行旁边，冷不丁地抛出一个问题：“你所在领域最重要的问题是什么？”

被问到的科学家通常会感觉受到了专业上的尊重，往往会滔滔不绝地巴拉巴拉说上一大堆。但紧接着，汉明会给出第二记重拳：“既然这么重要，那你为什么不去研究它？”

据说就因为这一句灵魂拷问，无数顶尖大脑被问得连饭都吃不下去，只能端着盘子落荒而逃，从此在食堂看见汉明就绕着走。汉明揭示的正是人性的普遍弱点：绝大多数人都缺乏直面核心命题的勇气。大家都喜欢捡地上的低垂果实，挑选容易落地、容易发论文、容易糊弄领导的边角料课题，也不愿意把有限的生命砸进那些具有巨大不确定性的真问题里。

从商业配置的效率来看，选题本身就是有限智力资源的配置游戏。做长期的硬核研究，必须优先选择那些你自己真正在意、且行业目前还没有完整答案的核心问题。那些在科技史上留下名字的组织和个人，从来不是因为他们把次要课题做到了极致，而是因为他们敢于站在行业没有路的地方，把有限的资源砸向卡脖子的核心方向。只有这种高难度的选题，才能在红海里置换出高溢价的原创成果。

然而，敢于定义真问题只是第一步，它对研究者的认知品味提出了极高的要求。很多人把这种品味视作一种不可捉摸的天赋，但从信息论的角度来看，所谓的科研品味或者商业眼光，本质上是一个算法模型，完全可以靠严苛的信息输入进行高强度的刻意练习。

当前的数字时代正在加速个人认知品味的折旧。天天盯着各类自媒体的二次加工汇总、营销号的翻译或者是带有特定商业利益的公关报告，就像是在用劣质的工业废料喂养自己的大脑算法。信息源的差池，往往在供给端就注定了最终研究成果的低客单价。

要训练出高敏锐度的研究肌肉，首要的方法就是实行信息输入渠道的“去泡沫化”。真正的研究高手，其核心信息库里绝少有二手以上的加工物，取而代之的是一手文献、跨学科的冷门底层报告，以及直接跟真正在一线踩坑、手里握着第一手“脏数据”的从业者进行深度访谈。只有将这些高纯度、高噪声但具备高真实性的素材纳入底层数据库，才能拉开最基础的信息差。

有了足够硬核的输入，接下来需要解决的就是大脑算法的校准问题。Vivek Nair 在文章中提供了“盲猜结论法”这个被视为一个极具可操作性的工具。许多人在阅读顶级文献或深度行业行研报告时，习惯于顺着作者的思路一路下滑，最后看到结论时恍然大悟。这种阅读方式无法产生认知对抗。正确的姿势是，当你看到报告的核心实验设计或行业现状分析到一半时，强行遮住作者的最终结论。

这时候，你需要自己拿出一张白纸，根据前半部分提供的数据和逻辑链条，盲猜它最后的实验结果会长成什么样，最终的走向会是什么。当猜完之后，再去跟原文的对账。在这种高频的预判、对账和修正的过程中，你过往的思维惰性和认知盲区会像聚光灯下的阴影一样，被精准地暴露出来。在下一次跑实验或者做商业调研前，同样在白纸上写下自己对真实数据的预判，事后再去对比偏差。天天进行这种强行的心智校准，所谓的产业品味才能从玄学变成一种稳定的直觉。

在这个信息处理的过程中，还有一个长久以来被全行业误解的环节，那就是写作。

在传统的智力大生产里，写作往往被降维成了项目结束后的“结题汇报”，或者是为了应付老板和客户而做的一套精美的 PPT 流程。但如果用远川的视角去审视，写作在本质上是一个组织或个人智力资产的“排毒机制”，是控制算力和时间成本的核心滤网。

现在很多大厂和研发团队为了向董事会证明自己在 AI 时代没有掉队，不惜动用数百万的算力去跑一个毫无原创性的跟风模型，最终产出一份只有老板和公关部会读的行业白皮书。这在财务逻辑上不叫创新，叫智力资本的“存货减值”。

脑子里的想法往往叫意淫，只有落到白纸黑字上的东西才叫逻辑。很多研发人员或行业分析师在脑海里勾勒一个方案时，往往觉得自己逻辑闭环、天下无敌。但只要你逼着他坐下来，把逻辑链条、变量边界、实验缺陷以及推导过程一字一句写下来的时候，你会发现那个原本完美的宏大构想瞬间变得千疮百孔。那些思维中隐蔽的财务坏账和逻辑漏洞，会在文字面前无处遁形。

因此，写作不是研究结束后的装潢，写作本身就是最硬核的研究工具。哪怕是一份半成品的阶段性记录、一个充满了失败参数的实验日志，也必须定期强行将其整理成文。这种过程会强迫思维直面其自身的逻辑矛盾。

在项目早期，它能像一把精密的手术刀，帮你提前筛掉大量看似前沿、实则空洞的无效思路。在动辄需要耗费高昂算力的大模型时代，或者在时间窗口转瞬即逝的商业博弈中，这种早期的“文字排毒”，能够帮助团队避免把大量的算力和沉没成本砸进一个伪命题里。

与这种在写作上“憋大招”相对应的，是新手研究员在实操阶段最容易陷入的另一个重资产陷阱：低频的大豪赌。

无论是搞技术研发还是做商业项目，新手最喜欢的姿势往往是一上来就规划一个宏大的、完美的、高预算的实验方案。这个方案的研发周期动辄几个月甚至半年，在这条漫长的战线上，团队没有阶段性的反馈。这种重资产模式的风险极高，反馈周期拉得越长，死得往往越惨。往往等到最后数据总跑的那一天，才发现核心假设从第一步就错了，直接导致团队满盘皆输，前功尽弃。

现代顶级研发组织之所以能实现降维打击，其核心壁垒就在于他们把“最小可行性产品（MVP）”的敏捷迭代逻辑玩到了极致，也就是极大地缩短了反馈循环（Shorten Feedback Loops）。

如果用金融工具来对标，小实验本质上是一种低成本的“期权式下注”。你只需要付出极小的期权费（几天的时间和微量的算力），就可以去撬动一个具备巨大确定性的技术未来，从而把试错成本控制在可以承受的绝对安全线以内。

正确的方法论不是指望毕其功于一役，而是先搭建一个成本极低、规模极小、甚至在外人看来略显简陋的小型实验。这个实验的目的不是为了产出最终成果，而是为了在几天甚至几小时的极短周期内，高频次地验证或推翻核心猜想。小实验能以最高效的方式把错误假设筛选出去，把正确的苗头固化下来。

用高频次的小反馈去对冲低频的大豪赌，不仅能把迭代效率直接拉满，更重要的是它能制度化地减少团队重复踩坑的概率。在这一步，高手会老老实实地把每一次小实验的变量控制和失败原因记录下来，将其沉淀为专属于自己的“错误知识库”。聪明人的定义，从来不是因为他不踩坑，而是因为他能够通过设计精巧的实验闭环，确保自己和团队同样一个坑绝不踩第二次。

然而，即便把选题、输入、写作和敏捷实验都做到了极致，如果缺乏最后一个维度的支撑，这个智力资产的生产线依然无法产生网络效应。这个维度就是知识的社会化复利。

在过去很长一段时间里，传统的研究体制和小农式的防守心态统治着很多人的大脑。大家习惯于闭门造车，把自己那些尚未成熟的半成品想法死死地捂在抽屉里，生怕多跟别人说一句就会被别人抄了去。但在如今这个信息极度对称、全球智力大协同的分布式创新时代，这种基于防御心态的封闭，往往是一支研发团队或一个研究者走向平庸和思维枯竭的开始。

在这个世界上，当你产生一个绝妙 idea 的同时，全球起码有一百个顶尖大脑也同时想到了这个点子。真正拉开差距的，从来不是静态的点子，而是动态的演进速度。

Vivek Nair 在文章中极力推崇一个行为范式，叫作“Thinking in public”。真正厉害的研究者，从来不等到成果完美无瑕了才去沟通。他们擅长在方案还是半成品、甚至是个半拉子工程的时候，就主动将其抛向不同方向的研究员、一线产业工人和跨界的牛人圈子。

这种公开坦白绝对不是为了作秀或者虚荣，从底层逻辑来看，这是一种最高效的“信息置换”。交流的本质目的，是让外部那些不带利益偏见的视角变成一把解剖刀，冷酷地把你的自恋、偏见和逻辑盲区割掉。与此同时，在这种高频的社会化碰撞中，你往往能够用自己现有的半成品思路，低成本地置换到别人不同领域的工具箱、最新的底层实验方案和未被公开的产业风向。

长期持续地维持这种开放生态，就会在你周围形成一个巨大的知识磁场。纵观科技演进史，几乎所有真正具有跨时代意义的跨界创新，从来都不是某个天才坐在封闭的办公室里苦思冥想出来的，它们全部来自于不同领域的思路在开放环境下发生的那场暴力碰撞。

纵观整部产业发展与科技博弈的历史，无论是冷战时期的贝尔实验室、施乐帕克研究中心（Xerox PARC），还是如今在硅谷风头正劲的 Anthropic 和 OpenAI，卓越团队和顶尖高手的安全感，从来不是建立在冗长的加班时间、疲劳战术或者堆积如山的平庸论文数量之上的。那些指标除了制造大量的智力泡沫和虚假繁荣外，别无他用。

在 2026 年这个节点上，当单纯堆叠参数、依赖资本消耗的“大力出奇迹”范式开始遭遇物理和金融的双重边际效应，整个科技与商业产业都在迫切地呼唤一场研发效率的跃迁。中国科技产业要完成从“应用层卷皮”到“底层自主创新”的硬核跨越，我们缺的从来不是工程师的红利，也不是拼命加班的时长，而是缺乏一套能够真正打破假装努力、强行刺破智力泡沫的高效闭环。

真正的降维打击，正是一个由“硬核选题定位、高纯度一手输入、写作强制排毒、敏捷小实验反馈、开放社会化复利”共同构成的、能够自我进化的智力大闭环。

别再用战术上的勤奋去掩盖战略上的懒惰了。在未来的科技和产业分工大潮中，只有那些能够冷酷地拆解自己、彻底跑通这套方法论闭环的人，才能真正避开表面复刻与低效模仿的怪圈，逃离成为高学历“数字劳工”的宿命，最终演进成为在这个AI大生产时代里掌握核心定义权的规则制定者。

参考资料：

1. Anthropic 研究员 Vivek Nair 写的文章《How to be good at research》

#科技工业巨头 #Ericsson #AI #Nokia

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！