「科研狗」们，你们的 idea 是怎么来的？

对于这个问题，我先讲一种标准的错误思路，然后再给大家介绍两种正确的思路。大家可以看看自己是不是犯了这个常见的错误。然后再根据我介绍的思路，大家自行判断下一步应该怎么做。一种95%的导师都会告诉大家的思路，那就是：多读论文，看看别人的论文里面有什么毛病，然后你去把这个毛病给解决了，你就有了论文了。

这是标准的错误答案！这是标准的错误答案！这是标准的错误答案！

扪心自问，大家有多少人都是按照这个思路去做研究的？有多少人真的根据这个思路发表了论文？又有多少人按照这种思路能发表真正有价值的顶尖的论文？

据我所知，按照这种思路做研究的学生占90%以上。可悲！可怜！可恨！恨的是这些没有责任心的导师和网上答虚假信息。诺大的知乎，居然没有人来告诉大家这么做不对。居然很多人还倡导这种思路。在介绍真正的思路之前，我先给大家分析一下为什么这种思路的错误的。

我一直在强调逻辑。那我就从最最最最最基本的逻辑来给大家证明一下这种思路的错误。首先，你去读一篇论文。你是读者。你再怎么聪明，你对于一篇论文的理解，肯定不如作者理解的深。何况正如我之前写的文章里面讲的一样，如果你的逻辑思维能力不够强大，很大的概率你会被自己错误的思路给误导。那么你的理解就浅薄了。那么在这种情况下，你认为你找到的毛病，作者会不知道么？你能发现一篇论文里面存在的问题，那么作者肯定也明白这个问题。那么为什么作者不去把这个问题解决了呢？为什么作者要把这个机会留给你呢？你难道认为你比作者聪明，比作者对他的论文理解还深入么？

当然了，肯定有人会说，我要是作者的话，我会留一手，等下一篇论文再解决这个问题。我可以负责的告诉你，没有作者会这么想。作者都是会把所有的子弹打光，把能做的都做好，这样才能保证文章录用。你要是作者，你在投论文的时候内心肯定是担心论文会被拒稿。作者不会自信到把贡献分摊到下一篇论文，然后给这一篇论文的投稿带来更大的不确定性。这是不太可能发生的。当然了也有例外，我以后会给大家讲。但是总的来说，这种情况不存在。

那么如果你按照这种思路走下去，你找到了一个毛病。你开始研究解决这个毛病。现在我说一个情况，你看看你有没有发生过？你开始着手解决别人论文里的毛病，然后你发现没有思路，然后你再去看论文，再去找相关的资料，然后再去做实验。反复折腾了一年，最后还是没解决。或者是，你发现这个毛病非常迅速的就被你解决了。两个礼拜以后你成功地解决了这个问题，你非常开心。这两种情况，无论是哪一种，你都发表不了论文。因为第一种情况说明，你这个问题非常可能它压根就解决不了。人家作者没去解决这个问题正是因为这个问题是非常难以解决的，除非有爱因斯坦级别的人物才有可能解决。第二种情况说明，这个问题作者之所以没去解决，是因为这个问题太小了。就算解决了也没啥贡献。这两种情况无论是哪一种，都将是你按照挑别人论文毛病的思路去做科研所带来的恶果！

现在我来告诉大家一种思路，看完这种思路以后，大家自行判断我说的思路对不对。

首先我们得明白，一篇论文里面其实很多部分都有误导性，甚至是错误。尤其是档次比较差的论文。当然了，有些所谓的档次高的论文，比如饱受大家诟病的infocom，虽然是CCF A类会议，里面的论文很大一部分都有误导性。这种论文的实验都很难复现，就更不用说什么创新了。所以挑出来这些文章的毛病，其实是一件很容易的事情。但是这些毛病也会把你误导的。既然现实中，大量论文里面都有着问题，那么我们读文章的时候到底能从文章里面学到什么？

我在这个文章里面给大家讲了一个idea应该传达的8条信息。这8条信息中，最关键的其实是一个idea的insight，或者叫intuition。也就是第6条信息：你发现了什么新的现象或者信息，并利用这一现象提出一个新的方法来避免前人的问题。

我可以从审稿人的角度，负责任的告诉大家，一篇论文哪怕里面的算法设计的一塌糊涂，只要论文里面的insight能够给大家带来新的启发，带来新的知识，带来新的理解，那么这一篇论文就一定会让审稿人眼前一亮。这时候，哪怕实验效果再假，论文只要写得清清楚楚，大概率也是会被录用的。所以，insight才是一个文章的核心！一篇文章哪怕到处都是错误，但是文章的insight很大概率是不会错的！而且一篇论文，哪怕是infocom的论文，里面的insight也都会描述的比较清晰，比较直观。因此，我们在读论文的时候，核心是要理解这个论文的insight。

掌握了一个论文的insight，就相当于掌握了一件武器。当你读了你的方向上的5篇很有代表性的论文以后，你应该深入理解并且掌握了5个insight。这时候摆在你面前的就是5个不同的武器。那你现在需要做的就是，再深入思考思考这些insight之间的关联。然后你要想一想，这些insight背后的深层次的含义是什么？是什么导致了这些现象？能不能从中发现一些更加有规律性的现象？这时候，你就离提出一个有价值的idea不远了。

我想一个合适的例子。这种例子太多了。我来讲一讲svm和由它产生的新的科研方向吧。

SVM就是支持向量机。这个方法用于给线性不可分的数据进行分类。有的同学可能不知道什么叫线性可分，什么叫线性不可分。我去找个图。我找到了一个知乎上面的文章，讲解SVM的，接下来我会用到他这篇文章里面的图来给大家简略地介绍一下SVM的insight是什么：

https://zhuanlan.zhihu.com/p/77750026

在这张图里面，蓝色的点和红色的点代表两种类别的数据。横纵坐标分别表示这个数据的两个特征。比如我们用蓝色表示没有买房子的人，我们用红色表示已经买了房子的人。我们用这个人的收入和当地的房价成当作特征。例如(15,3)表示这个样本的收入是15万一年，当地房价是3万以平米。那么现在我们拿到了这些数据以后，我们要根据一个人的收入和当地的房价还推算一这个人到底买了房子没有。当我们得到了一些收入，房价，还有是否买房的数据以后，我们可以把这个数据画在二维的平面上，于是就有了上面那张图。那么现在问题是，如果有一个人他的收入是20，房价是5，那么他买了房子没有呢？我们可以从上面那张图看出来，两类人群明显处于蓝色直线的两侧。也就是说，是否买房可以通过我们画一条直线来判断。这条直线就叫做分界面，整个模型就是一个线性分类器。可以被一条直线分类的数据就是线性可分的。那么线性不可分就是另一种情况了：

还是上面那个例子，如果我们把数据画出来长成这个样子，想要区分两个类别，我们就需要画一个圆。圆的里面是一类，圆的外边是另外一类。这种情况下，如果你用一条直线去分割两类数据，你会发现不管你怎么画这条直线，总是会把一些数据错误划分。因此不存在一条直线将两类数据完美分开。于是这种数据叫做线性不可分。SVM就是为了给这种线性不可分的数据做分类的。当然了，大家可能会疑问，为什么不能直接设计一个非线性的分类器呢？这主要是因为非线性包括所有除了线性以外的函数，我们不知道用那种函数来形式化。

那么SVM凭什么可以分类呢？它的insight是什么呢？SVM说，我认为啊，这些数据之所以线性不可分，是因为我们观察这些数据的维度太少了。你别看这些数据在二维平面上是线性不可分的，但是如果我们把两类数据增加一个特征，也就是一个维度，就可以用线性分类器进行分类啦。比如我们将刚才那张图的数据，增加一个维度，达到下面这张图的效果：

这相当于，我把之前二维平面上的数据，变成了三维空间上的数据。原本是二维的数据，现在在空间是有了一个高度。我们把两类数据放在不同的高度，那么只需要在中间切一刀，也就是用一个平面就可以将两类数据分开了。而平面也属于线性分类器。

于是乎，这就成为了SVM的第一个insight：线性不可分的数据，我们可以把他们映射到一个高维空间上，让他们在高维空间做到线性可分。当然了，SVM还有两个insights，在这里我就不过多展开了。我想说的是，根据这个insight后面诞生了一个新的科研方向，在这方向上诞生了非常多的idea。而这些idea是怎么样提出来的呢？

我们可以深入思考一下SVM的insight。我们可以想象一下，一个低维空间的数据，被我们用一些方法转换成了高维空间的数据。这种转换不一定非得是SVM才可以完成，你看现在的深度学习，神经网络，都属于是把一个输入的数据，映射到了高维的空间中。只不过是我们可以把这些神经网络的节点来看作成高维度的空间。那么我们现在跳出了SVM的局限，我们可以想象，凡是把低维度数据转换到高维空间，我们都可以有类似的insight。这种低维到高维的转换，有没有缺点呢 ？我们可以想象一下，原本就是二维的信息，现在我们凭空变出第三个维度，如果这个维度设计的不太好，那么会不会使得这种转换对于噪声和微小扰动的容忍度变得很低？比如说刚才的例子中，如果红色的点被放在高度是0.1的平面上，蓝色的点还在高度是0的平面上：

那么只要有超过0.1的误差就会使得样本被错误的分类了。那么现在可以把这个insight再往前推进一步，我们可以想象出下面这种情况：我们故意在低维数据上面增加一些噪声，这样的数据经过转换以后，在高维空间上表现得跟没有加入噪声之前非常不一样，以至于被错误的分类了。在论文“DeepFool: a simple and accurate method to fool deep neural networks”里面，作者就是用这种insight：

在鲸鱼的图片上插入人眼很难识别的微小扰动，以至于这些高纬度的分类器会将鲸鱼错误分类成乌龟。

这就是一个非常好的提出idea的例子。根据低维空间转换高维空间的insight，我们可以在低维数据上加一些噪声，但是人眼对于微小噪声是看不出来的，因此可以在人类无法分辨的前提下，迷惑深度学习网络。利用这个insight到声音里面，我们也可以得到类似的insight：人类对于声音中的微小扰动也无法识别，但是深度学习网络会将这个错误判断。于是就有人提出出了一个攻击语言识别的idea。等等。

在这里我想说的是，我们要提出idea的思路应该是什么样子的呢？我们不应该从挑别人论文的毛病开始，而是恰巧相反，我们应该从理解别人论文的优点开始！我们将别人论文中的优点，主要是insight，深入理解以后，在你自己的领域和研究的背景下面加以扩展，我们就可以得到一些新的现象，进而提出新的idea！

在这里，我劝戒大家，一定要重新审视你自己做研究的思路。很多同学已经沿着挑别人毛病的错误思路上走了好几年了，最终什么也没提出来，什么也没做出来。是时候该改变自己的思路了！我知道，很多同学即使看了我写的文章，即使理解和认同我的观点，但是他们依然不会改变，不会行动。因为他们幻想着，如果我继续按照我的思路，没准我离提出idea就差一点点了，没准再坚持两礼拜我就有突破了。唉，放弃幻想吧！我已经给大家分析过了，这种思路能提出合格的idea的可能性非常低！

现在大家只要转换思路，从挑别人毛病，变成欣赏别人的优点，那么大家就会发现周围可用的工具和资源一下变多了。以前天天挑别人的毛病，你会感觉做实验的时候总是失败，因为你挑的毛病很可能解决不了。现在大家只要实在追寻着正确的insight往前走，而不是在找别人的错误。沿着正确的insight往前努力，你一定可以找到新的insight，这时候你做的实验肯定效果会很明显。因为这种逻辑是正确的，所以你一定可以提出一个漂漂亮亮的idea。

下面给大家介绍两种常见的idea类型，以及这两种idea是怎么提出来的

现在我们回到我们掌握了几个insights后，开始想自己的idea的那个时刻。我们可能会提出两种类型的idea：一种是应用型的idea。另一种是颠覆性的

idea。颠覆性的idea引申出的几个designs其实是在完成不同的任务。这些任务全都成功地完成了以后，我们这个idea所期盼的研究的目标才得以完成。而应用型的idea最后引申出来的的几个designs其实是在做相同的任务，只不过是每个design对应着不同的场景。下面我给大家详细地讲讲这两种idea是怎么回事，然后我会告诉大家一般都需要怎么思考才能够提出这两种idea。

首先我们来看看应用型的idea。我先举一个通俗的例子。我们现在要设计一种轮子，这种轮子是需要在山林间运送货物用的。如果我们想在树林里面方便地运送货物，我们就不能选择普通的轮子。因为山林里面很多石头和树杈，普通的汽车轮胎还没开出去十米就被扎爆胎了。这时候，我们的第一个设计，也叫basic design就是我们用钢铁制造的轮子来代替橡胶制造的轮子。这个basic design一旦做好了，装在车上，我们的确可以在山林间运送货物了。然而，这个还没完，我们在运输货物的时候，发现这种钢铁的轮子虽然不会被扎破了，但是由于轮子是金属的，一旦下雨就会打滑。等到下雨天的时候，车辆在树林间的移动速度就会大大降低。这时候我们需要在basic design的基础上再做一些改进，用来适应在下雨天防滑的这个需求或者说是场景。那我们的第二个设计，也可以叫advanced design可以是这样的：我们在金属轮胎外层安装上一堆钢钉就可以了。然后我们测试了一下，不同尺寸（长度，直径）和不同的分布的钢钉，对于轮胎抓地力的影响，最终找到一个优化的设计。

在这个idea里面，我们有两个设计：basic design 和advanced design。其中，basic design就可以满足我们最基本的需求：支持车辆在山林间行驶。只不过是basic design的性能在某些条件下不太好：下雨天就会打滑，或者抓地力不足导致不能爬陡峭的山坡。但是这种basic design在大部分时候是可以用的。为了增加轮胎的抓地力，我们在轮胎外侧设计了一堆钢钉。这种advanced design存在的目的只是为了更大地扩展basic design的应用场景或者提高一下basic design的性能。即使我们没有Advanced design，我们最初的设计也是可以用的，只不过是效果稍微差了一点点而已。

那我们现在来看看什么样的idea是颠覆式的idea。请看上面上面张图：这是NASA在火星上使用的无人机。如果我们现在需要提出一个idea，目的是为NASA设计这么一款可以在火星飞行的无人机，我们应该怎么设计呢？我们先想想，有没有什么insight是我们可以直接用的？比如说，我们直接把咱们在地球上的无人机直接放到火星上面，会有什么问题？如果真这么做的话，会产生两个问题。第一个问题是：火星上面空气密度是地球的1%，那么地球上面使用的无人机的螺旋桨，放在火星上无法产生那么大的动力。也就是根本飞不起来。为了解决这个问题，我们不得不将火星无人机的螺旋桨设计的更大，然后发动机的转速更快。这样的话对于发动机的设计，还有螺旋桨的材料要求就很高了。我们希望无人机尽量轻，发动机动力尽量强劲。这么一来，似乎无人机可以在火星飞起来了。

然而，实际上没这么简单。无人机的飞行需要用电池来提供能量。我们的无人机在从地球发射到火星这8个月的飞行中，电池的电量早就耗没了。无人机一旦到达火星地面，它是没有电力的。于是乎。我们面临的第二个问题就是无人机到火星以后需要充电。可是上火星没有插座。那我们是不是可以让无人机飞到火星车上，然后在火星车上面设计一个插座不就可以了么？这么做好像也不太行，因为火星总会刮大风，无人机可能没法那么精准地落在插座上面。那么无线充电呢？这个好像也不太行，因为现在的手机无线充电需要手机和充电器特别近。为了使得无人机能飞起来，火星上面的无人机被设计得实在是太大了，因此无线充电的信号衰减太大了，以至于根本充不进去电。那么只能最后一个办法了，那就是设计一个太阳能电池板放在无人机的头顶。但是这种太阳能电池板也不是那么容易设计的，因为火星离地球太远了，太阳能充电效率太低了。所以我们第二个设计就是一种能够在火星上快速充电的太阳能电池板。

在这个idea里面，我们有两个设计。第一个设计是针对无人机的发动机和螺旋桨提出的设计。这个设计可以让无人机在火星上飞起来。可是这个设计使得无人机的体积过大，无线充电和插座充电都不能用，我们不得不用太阳能给无人机充电。但是由于火星离太阳太远了，充电效率过低，我们于是就提出了第二个设计。这两个设计的关系不是应用型的idea里面basic design和advanced design的关系。因为这两个设计是相互影响，缺一不可的。少了任何一个设计，无人机都无法在火星飞起来。所以这种idea里面结局的问题往往是非常复杂而且交织在一起的。一旦这种科研项目做成了，其成功往往是颠覆性的。

那么这两种idea一般都是怎么想出来的呢？其实大家可以看出来，这两种idea里面，应用型的idea应该比颠覆性的idea容易想到。这是为什么呢？因为应用型的idea里面，我们只需要想出一个简单但是有效的设计作为basic design就好了。至于advanced design，我们可以多换一些场景，没准就可以想出来。换句话说，即使我们想不出来advanced design，我们至少还有basic design。按照世俗的眼光来看，只要basic design说的通，我们计算机的同学们至少可以试着往CCF C类会议投稿。如果大家对一些C类会议有所了解的话，就知道一篇C类会议的论文，很多都是6页以内的。相比与A和B类会议要求的10页甚至12页的篇幅，C类会议也就差不多是一个 basic design的量。因此，如果有的同学就是想发一篇CCF C类会议的话，不妨照着下面的思路试试：

一个应用型的idea一般是这样提出来的：我看了几篇论文。经过我的思考和理解，我发现了这几篇论文的几个insights，然后我开始想怎么能够扩展一下这些insights？这时候，我可能想到，有一些insights稍加修改，就可以用于别的场景了。于是我为了在新的场景里面使用这个改进后的insight，我就编造出了一个有意思的设计和场景。这样一来，我就有了basic design。之后，我就稍微做一些实验，看看basic design的效果。一般来说，这种稍微改进后的insight都可以使得你的实验效果变得很好。于是乎，我们为了给论文增加一些分量，我们试着找一些新的场景或者需求。就相当于刚才我那个轮胎的例子里面，我们为了让轮胎在丛林中适应下雨路滑的场景，给轮胎加装钢钉。总而言之，应用型的idea之所以被我称为是应用型，是因为这种idea是建立在深入思考并且理解了别人论文的insight以后，把别人的insight加以扩展，并且应用到了新的场景下面，解决的是新场景下的一些问题。

当然了，就像我在

讲过的，提出idea的过程其实是很随机的。我们只要掌握了一个核心的思路以后，具体的思考过程可能很随机。比如说还是上面的那个轮胎的例子。我可能是先想到了advanced design，但是当时我没意识到这其实是advanced design。然后我在后期再仔细思考的时候，才发现，原来这种设计有更加简化的版本。那么我们完全可以把简化的版本当作basic design。然后给深入思考一下们最开始提出的那个设计的特殊的地方，然后找到合适的场景，然后把这个设计可能再稍微改进一下。最后组开始的design就可能成为了advanced design。

所以在刚才这个轮胎的例子里面，我提出idea的思路也有可能是这样的：

其中一篇论文是介绍如何设计汽车的雪地胎。这篇论文交给我的insight是：只要轮胎的花纹设计的合理，轮胎的抓地力就会增强。于是现在我脑子里想的是，怎么应用这个insight或者怎么扩展这个insight呢？花纹可以增加抓地力，那么除了花纹还有啥可以增加抓地力？花纹是在轮胎上面雕刻，是在轮胎的表面刻一些凹痕。那么如果我们不是雕刻一些凹痕，而是让轮胎有一些突起是不是也可以增加抓地力？那么我们怎么增加突起呢？往轮胎上面安装钉子？要是装钉子的话，那是不是橡胶的轮胎就不合适了？那我们换成钢铁的轮胎不就好了么？那么钢铁的轮胎加上钢铁的钉子，这种轮胎谁要呀？我们要实在森林里面开车，应该就用的上了。有了钢钉的加持，这种轮胎应该可以在山林中越野。咦？既然要越野的话，没有钢钉应该也行。那就把没有钢钉的版本当作basic design，把有钢钉的版本当作advanced design。于是乎，一个idea和它所带来的设计就这样完成了。

那么，一个颠覆性的idea是怎么提出来的呢？我还是得提一提AirCloud这篇论文。大家可以根据我现在这篇文章，再回头看我之前在

中介绍Aircloud的时候，大家应该能发现，AirCloud就符合我说的颠覆性的idea。因为aircloud里面的几个设计互相之间是关联的，缺一不可的。我之所以很喜欢aircloud，是因为它给大家做了一个很好的榜样。那就是一个颠覆性的idea并不一定需要极其复杂。相反，如果我们发现了一个非常有趣，非常有突破性的insight，这个论文往往很容易就做出来了。因此，aircloud之所以成为一个顶会的论文，就是因为它里面的设计很漂亮，很简单，很有效。那么这样的idea，应该是怎么提出来的呢？

在回答这个问题之前，我们先来了解一下我们在读论文的时候，对论文中的方法和insight理解的程度了。

大家看上面这张图。如果一个论文中的方法是一个非常有名的方法的话，那么在这个方法的基础上应该会诞生出非常多的论文。比如SVM， PCA算法等。这些论文的引用量应该都几万了吧。这个时候，当我们阅读这样的开山之作的时候，我们需要理解这种方法的每一个步骤，明白每个步骤中的假设条件和insight。比如上面这张图，我们学习的方法有一个输入，中间有三个步骤，最后是一个输出结果。如果我们对于输入的背后含义有一定的理解以后，我们应该可以对这种输入进行一些改进。这样一来，一旦这个方法的输入改变了，接下来的每一个步骤可能都需要重新计算，或者重新设计用以适应新的输入。这样一来，这种idea，一定是颠覆性的。

比如在aircloud这个论文中，作者研究的目的是对于PM2.5进行预测。在前人的研究中，对PM2.5的预测是基于高精度的PM2.5监测站做的。由于这种监测站的成本极高，不可能部署在每条街道上。那么AirCloud这篇论文的作者就设计出了一款廉价的PM2.5检测仪，然后大规模的部署在了城市中。这样我们就可以获取非常高密度的数据，从而利用PM2.5在空间中分布的连续性去对任意位置的PM2.5进行推算。在AirCloud中，作者就是在输入这块进行了创新，从而使得整体对于PM2.5的预测过程有了大的改变。

当然了，作者还有一种提出AIrCloud的思路。那就是先想到，为什么我们不能精准地预测每个位置的PM2.5呢？然后作者发现，原因是部署的PM2.5监测站太稀疏了，整个北京市也就十几二十个而已。检测站之间的距离都是好几公里远。PM2.5在几公里外已经很不一样了。那么为了能够预测每个位置的PM2.5，我们需要在城市中大量的部署PM2.5的监测设备。这就需要我们想出来一个降低成本，但是还不能损失PM2.5监测精度的方法。于是就有了AirCloud中设计的廉价PM2.5监测仪。

我给大家讲这些例子，主要是为了告诉大家，其实提出一个idea的过程是很随机的。就像我在

中写到的一样。想要提出好的idea，就需要不断地尝试。像练习射箭一样，不断地思考。即使提出来的idea被一一否掉了，也需要继续思考，继续提新的idea。

现在，我需要说明一下，不要觉得应用型的idea就发不到顶级会议上，也不要觉得颠覆性的idea就一定可以发到顶会上。一个idea的提出，就像上面这个图片里面的种子萌芽一样。只有我们在后续的研究过程中，不断地在这个idea基础上拓展新的insight，提出新的设计，它才会成长为一个参天大树。以后我会给大家举很多论文的例子来说明这一点。一个idea的档次高低是可以评价的，但是由提出这个idea，到最终形成论文，这个过程中有更多的因素会左右论文的档次。其实，一个真正决定论文发表的档次的因素，是如何将自己的论文找到合适的定位！这一点我在未来会给大家介绍。

我还得说明一下，千万不要误以为，应用型的idea就是所谓的incremental work。什么叫incremental work？稍微调一调代码，效果变好了一些。然后把公式定理等等换一个说法重新写一遍。顶多增加一些小的约束条件之类的。这种工作，并不是通过改进insight来做到的，而是通过一些小技巧，也就是人们口中常说的tricks来达到的。这样的研究，往往并不会给大家带来新的insight。而，真正区别一个idea，一篇论文，或者一个研究，到底是不是incremental work的标准就是这一样工作有没有给读者带来新的信息，有没有带来新的insight。如果没有，哪怕这个工作看起来再怎么复杂，再怎么量大，也还是一个incremental work。

一般来讲，一个新入学的博士生的第一个科研项目应该属于应用型的idea。因为这种idea往往风险性小。Basic design的部分可以很快得到验证。一旦basic design的效果还可以了，就可以在这个基础上去拓展出一些新的design，来满足更多的场景或者更多的需求。这种研究做起来会使学生能够看到短期的成果，学生在这个期间会学习到大量的知识，积累很多的经验。最后到写论文的时候，这种论文的逻辑不是很难梳理，即使是新手也很容易掌握。等这个博士生发完第一篇论文以后，在准备第二篇论文的时候，导师就可以要求学生研究的深入一些了。这时候，往往导师会期待这个学生提出颠覆性的idea。这种idea虽然有风险，但是有了第一篇论文的经验以后，导师和学生都会不断地讨论直至风险最小化。

我本人的第二篇论文就是这种颠覆性的idea。我一共做了一年半。这里面虽然我和导师经常讨论，但是由于硬件的问题，即使官方公布的协议里面说XX功能是支持的，我们所购买的设备依然不支持XX功能。我们无法判断硬件设备的厂家到底怎么制造的这个设备的，于是我们不得不花费几个月的时候来做一些测试，直至我们证实了，这台设备的确不支持协议里面的XX功能。这时候，我不得不面临一个选择，到底是继续做下去直到找到新的解决方案，还是干脆放弃掉这个项目。我选择了前者，上天的眷顾，使得我在一个月以后发现了一个别人从来没有发现过的insight，并最后发表在我们领域的顶会上。我想说的是，有时候，即使导师的能力很强，你也很用心很努力，科研的成果背后依然是风险。我们很难预测自己面临的风险，那么我们能做到的就是不断地尝试。哪怕失败了，也要快速恢复，继续再来。

最后的最后，我想再说一下逻辑思维的重要性。大家应该看出来了，我给大家讲了这些idea的思考过程，举了这么多例子，写了这么多字。我主要是想给大家传达一个信息，那就是科研的道路里面没有确定的答案。把这个再扩展一下，任何与创新有关的行为，一定都存在风险！我们在做的一切事情，也都是为了减小风险。但是风险不可能降低到0。想要降低风险我们应该怎么做？我认为只有不断提高自己的逻辑思维，不断思考。一个人的逻辑思维能力只要强大了，无论是科研还是做别的任何与创新有关的事情，都会很成功。

大家千万不要觉得自己在现在的做科研的思路下，继续再坚持几个礼拜就能出结果了。如果你之前这么做了几年也一无所获，那么即使再给你几个礼拜也还会一无所获。勇敢地改变自己的思路吧！送给大家一个照片，与大家共勉吧：

（人们往往相信错误但是简单的思路，而不愿意去尝试正确但是复杂的思路）

如果想了解更多关于科研相关的的经验，请看关注我的知乎和微信公众号：“分享科研经验的科学家”。大家可以扫描二维码，或者在微信上搜索“分享科研经验的科学家”来添加我们的公众号 ：

也欢迎加入我的知识星球：https://t.zsxq.com/BEUB623

还可以看我的github：