没人教过你怎么「做研究」。
说白了，「做研究」就是：自己把一件还没人搞明白的事搞明白，再搞出点新东西来。可这件事，从小到大没人正经教过你。你上了班，领导扔给你一个他替你挑好的活，再补一句「弄点不一样的出来」，就没了。
于是大多数人只能照葫芦画瓢——看别人发的论文、刷大厂的发布会、追群里转的热点。可这么学下来，你最后学会的，往往不是「怎么把事搞明白」，而是「怎么让自己看起来像个很会搞的人」。
这俩，差得远了。
真正会做研究的能力，根本不是什么天赋，而是一堆小本事凑起来的——而这一堆小本事，几乎每一个，都能靠刻意练习练出来。
为什么说这是 AI 时代最值钱的能力？因为 AI 越来越能替你干活——查资料、写东西、做表、跑流程，这些「出力」的事，成本一路往下掉。等「出力」不值钱了，你身上还值钱的，就只剩下「会挑事、会判断好坏、能比别人更快发现自己错了」这几样。这篇，我就把这一堆小本事，一个一个掰开了讲给你听。
一、自己挑问题
汉明（Richard Hamming）在贝尔实验室有个习惯，搞得他在饭桌上特别不受待见。他会问旁边的人：你们这行里，最重要的问题是啥？人家答上来了，他紧接着再追一句：那你咋不去做它？
据说有人被问得受不了，干脆换张桌子坐。
这一问之所以扎心，是因为大多数人压根答不上来。我们不是「挑」问题，我们是「被塞」问题——领导塞的，上个季度某大厂带的头，这周朋友圈刷屏的那篇。
被塞来的问题，最大的毛病是：你只接过了结论，没接过它背后的道理。 你知道某个牛团队在搞某个方向，但你不知道为啥搞、想搞出个啥、啥情况下他们扭头就不搞了。结果人家一掉头，你还蒙在鼓里，过了一年才反应过来。再说了，一个已经火了的方向，意味着你得跟一千个比你起步早、手里资源还比你多的人抢——凭啥是你跑赢？
舒尔曼（John Schulman）写过一篇怎么做研究的指南，把这事分成两种干法：一种，是扒拉别人的成果，从里头找毛病、做改进；另一种，是先想清楚一个你真心想看到它出现的结果，再倒着推回去——为了这个结果，我得做哪些事。他更推荐第二种。道理很简单也很硬：一个你真心在乎的目标，会把你带到别人没走过的地方去——所谓「原创」，就是这么逼出来的。
至于「品味」——就是那种「一眼看出哪个靠谱」的眼力——大家总当它是天生的。可它其实更像肌肉，能练：
- 做每件事之前，先猜一猜结果会咋样。
- 看别人的报告，先把结论那段盖住，光看做法，自己猜一遍那些数字。
- 把这个月冒出来的新东西标一标：哪个两年后还在？过阵子回头对对你猜得准不准。
猜一次，对一次，来回几百遍——任何一个靠谱的眼力，都是这么练出来的，包括你脑子里那个。
二、换个好点的信息源
大家看的东西都一样，那想出来的东西也就都一样。
如果你每天的信息来源，就是热搜榜加群里转的那几篇，那你会非常稳定地、跟所有人在同一时间、得出同一个结论——而这种「大家都想到了」的结论，基本一文不值。
真正被低估的，是老东西。 这个圈子特别爱炒自己的冷饭，只是延迟播出：现在火的「混合专家（MoE）」，1991 年就有了；大火的 LSTM 是 1997 年的；连「反向传播」这种地基级的东西，1986 年才真正用起来。萨顿（Rich Sutton）2019 年写《苦涩的教训》，统共也就一千来字，可它把这个领域后来的走势，说得比那些长篇综述还准。香农（Claude Shannon）1952 年讲过一次「怎么搞创造性思考」，他第一招就是：把一个难题先缩小到几乎不值一提的程度，把这个小版本搞定，再把难度一点一点加回去。 光这一招，能帮你撞开的墙，比一堆时间管理鸡汤都多。
还有，别只盯着一口井往深里钻，横向的宽度一样重要。 很多最好用的招，是从隔壁行当直接搬过来的——比如研究 AI 是怎么「想事情」的那拨人，一大堆思路就是从研究人脑的神经科学里照搬过来的。你懂的东西越杂，越容易在别人死磕的时候，从旁边顺手捡到答案。
最后一句最实在：去读那个东西本身，别读那篇替你总结它的长文。 真正的干货，往往藏在最不起眼的附录、和「局限性」那一段里——那通常是整篇里最老实的话。
三、把一切写下来
保罗·格雷厄姆（Paul Graham）说过一句特别准的话：一个想法，在你脑子里可以一直觉得「挺完整的」——直到你真动手把它写成字。一落到纸上，那些你脑子里一直含糊糊弄过去的地方，全露馅了：那个你从来没验证过的假设，那个其实根本接不上的逻辑，那两句悄悄打架的话。
费曼（Feynman）有句话更狠：你这辈子第一个不能骗的人，是你自己——因为你恰恰是最好骗的那个。 而写下来，是人类发明过的最便宜的一种「防自己骗自己」的办法。
达尔文做得更绝，直接做成了规矩：凡是跟他理论对着干的事实，他都当场记下来——因为他发现，自己的脑子忘「不利证据」的速度，比忘「有利证据」快多了，专挑对自己有利的记。你的脑子，对你那些失败的尝试，干的是一模一样的事。所以，记个本子吧：我当时咋想的、咋做的、以为会咋样、结果咋样、然后我改了啥判断。 过一个月翻回来看，那种「原来我当初这么蠢」的羞耻感，比任何人骂你都管用。
然后，把其中一部分公开出去。 有篇叫《研究负债》的文章讲得很清楚：一个行当会被一堆「没人嚼烂的想法」噎住，而你要是能把一件难懂的事讲清楚，这本身就是实打实的贡献，不是什么打杂的杂活。 今天好多人入行，就是因为读了某篇写得明白的博客，而不是啃了哪篇论文。更何况，你公开写下的东西攒起来，就是你最硬的一张简历——因为它没法造假，它就是你脑子怎么转的活样本。
四、把试错的圈转快
关于阿莱克·拉德福德（Alec Radford）的传说，很少是「灵光一闪」那种。基本都跟「量」有关：每天比别人多试一堆，每周比别人多扔掉一堆错的想法，脑子里那张「现实是咋回事」的地图，比谁更新得都快。
这才是真正的玩法。说白了，做事的快慢，拼的不是你多聪明，而是你发现自己错了的速度有多快。
所以，把手头的工具磨顺手，本身就是头等正事。 一件你天天要干的事，要是能从「折腾半天」变成「一键搞定」，那省下来的功夫，全能拿去多试几回。卡帕西（Karpathy）那套训练模型的经验里，有一条最划算：别一上来就上大场面，先拿一个最小的例子跑通、确认没毛病，再放大。 三十秒的事，能帮你提前干掉一半的坑。把一切先缩到最小、最便宜，确认做对了，再去砸时间砸钱。
还有个老观念该扔了：别再觉得「动手搭东西的」低人一等。 今天真正跑得快的人，是那种既能想、又能自己把工具、把台子搭起来的人。光会想、啥都得等别人帮你搭好的，只能排队干等着。
五、盯着结果看
一条往下走的曲线，不叫「分析」，那只是让你心里踏实一下而已。
你每做一件事，甩出来的信息，远比你真正看进去的多：各种记录、各种翻车的案例、那些怎么看怎么别扭的边角料。可它们大多没人看，就烂在某个文件夹里了。
卡帕西的经验是，在写任何代码之前，先花上几个小时，亲手一条一条把原始数据看一遍。 为啥？因为大多数毛病，根本不在代码里，在数据里——而且它们出错的时候，不报错、不崩溃，悄没声的。你只是稀里糊涂得到一个不咋样的结果，外加一套「它为啥不行」的错误解释，还自我感觉良好。
吴恩达（Andrew Ng）有个一点都不高级的招，他教了十几年，因为实在太好使：把一百个失败的案例拉出来，全看一遍，分门别类堆成几堆，然后专挑最大那一堆下手。 这招对啥都管用。说白了——一个你从没认真看过它具体咋错的东西，就是一个你其实根本不懂的东西。 一个真正离谱的翻车案例，教给你的，比那点数字上的小数点后第几位多得多。
六、多换几个地方试
你入行第一个钻的方向，纯粹是赶上啥算啥，所以别太当真。在真正定下来「我就吃这碗饭」之前，多去几个不一样的地方待待，交点学费。这个圈子里总有那么一个角落，是你那点「怪脾气」「偏才」刚好能当成杀手锏的地方——而找到它的唯一办法，就是在好几个地方都摔打一遍。这学费，没人能替你免。
每个想法，先做个糙快猛的一次性版本试试水，然后让大多数想法早早死掉，别舍不得。还有，把你的「对照组」调到最好——好到你自己都觉得肉疼——再去比。 因为太多看着挺唬人的「提升」，一碰上一个被认真调过的对照组，立马就蒸发了。最惨的是这一课你不自己学，等着被别人当面戳穿，那就难看了。再有，拆开来一个个试，搞清楚到底是哪个零件在真正起作用——通常就一个，而且经常不是你最得意、写在标题里的那个。
宽度还是一份保险。任何一个热门方向都会凉，无一例外，而且通常就凉在它在网上最火之后没多久。那些能熬过一次次「潮水退去」还接着出活的人，是早就把隔壁地盘也摸熟了的人。
七、找到你的人
汉明还发现一个规律，关于「谁最后干成了大事」：那些关着办公室门的人，单看哪一年都干得更多、更高效；可那些开着门的人，干成的是真正重要的事。为啥？因为那些打断、那些闲聊，恰恰带着「外面这个世界到底需要啥」的信息。你今天那扇「开着的门」，多半就是你的微信、你的邮箱。别把它焊死，留条缝。
在这行里，没有比「大方」回报更高的了。复现一个结果，把你试出来的东西公开；把你给自己搭的小工具发出去；把一件难懂的事用大白话讲明白。回报会绕个弯、过几个月，从你想不到的方向回来——变成一次合作、一次被人提起，或者一个你本来根本没资格去够的机会。也别怕在公开场合抛出你那些还没想透的半成品想法，因为在网上说错了，比白纸黑字印出来错了，便宜太多。 还有，那个能在你一头扎进去三个月之前、就直接告诉你「这想法不行」的人，比啥都金贵——这种人，花钱买不来，只能靠你自己处出来。
八、AI 把这堆本事的门槛，第一次打了下来
你回头看上面这七件事，会发现它们有个共同点：搁过去，每一件都挺「贵」的。
先猜再对，得有判断力；把一切写下来、还公开出去，得有时间、有表达力；一遍遍试、亲手看一百个翻车案例，得有耐心、有动手能力。正因为贵，会做研究的人才那么少。
而 AI 真正改变的，是把这一堆本事里的每一步，成本都狠狠打了下来。让 AI 陪你猜一个结果、帮你复现一篇别人的做法、把一百条翻车记录归归类、把你那个还没想透的念头反复盘问到露馅——这些原来得你一个人死磕的事，现在一个下午就能跑一遍。换句话说，AI 不是替你做研究，而是让「做研究」这件事，头一回变得人人都玩得起。
这也正是我每天在干的事。我一个人做的 Zaokit，想干的就是把这种「低成本快速试一遍」的能力，塞进普通人的日常：你不用懂任何技术，把想做的事说清楚，它就帮你麻利地把图文、PPT 做出来——说白了，是帮你把脑子里那个还很糙的想法，用最低的成本先跑出个第一版来，然后你再在它的基础上挑刺、改、迭代。唯一网站：https://zaokit.app。
把这种能力做成企业能放心用的底座，也是我一直在做的：cx.zaokit.com、cc.zaokit.com、tokenhub.zaokit.ai、gift.junxinzhang.com 以及更多项目，已经融进了不少公司的真实流程里，是稳定靠谱、开箱即用的 AI 全家桶。
写在最后
巴斯德（Pasteur）有句老话：机会，偏爱有准备的脑子。汉明在这句话上头，搭了一整套做事的道理：本事和产出，是会像利息一样滚的。
那些每天看着不起眼的小优势——你今天读了啥，记了啥，你试错的圈转得多快，你跟谁较过劲——单拎一个出来都微不足道。可你给它们攒上几年，它们就长成了那种在外人眼里像是「运气好」的命。
所以别等了。比你以为该开始的时间，再早一点开始攒。 几年后的你回头一定会说：当初这点投入，真是太便宜了。
我是 Jason，一个自己一个人做 AI 产品的创业者。如果这篇让你想把「自己把事搞明白」这件本事重新捡起来练练，欢迎转发给那个也在认真做事的朋友。
相关阅读：
