論文想法跟別人撞車了，我還要不要繼續？

機器之心報道

參與：張倩、杜偉

去年 11 月，機器之心曾報道過，韓國首爾大學研究者的一篇論文和英偉達已發表的論文撞了車。為此，二作趕緊將代碼、生成樣本以及 arXiv 手稿放了出去，並在 Reddit 上發布公告，然後苦苦思索如何安慰在實驗室角落哭泣的一作。幸運的是，英偉達的研究人員在 reddit 上看到了這份公告，並表示希望作者去英偉達實習。論文撞車在學術界並不罕見，但並非每一位研究者都能如此幸運，迎來一些意想不到的轉折。多數撞車者苦苦思索的是：這個想法還要不要堅持下去？

圖源：美劇《生活大爆炸》

最近，一位碩士研究生在 reddit 上發帖提問：論文想法撞車之後到底要不要放棄？以下是原帖摘要：

我是一名碩士研究生，一直以來都在掙扎著尋找走下去的動力。

幾天前，我擁有一個自認為非常有趣的想法，還進行了幾個小的實驗確認了自己的假設。然後，我開始尋找現有工作/理論基礎，但卻發現有人在幾周前就在 arXiv 上發表了類似的想法。

這種事已經不是第一次在我身上發生了，我感覺有點泄氣，於是就徹底放棄了這個想法。我在想，即使我改進了這個想法又有什麼用？它既不獨特也不新穎。

其他人遇到過這種事嗎？大家繼續堅持這個想法了嗎？

對於這位網友的提問，多數評論者給出了積極的回應和鼓勵，認為應該堅持下去，他們給出了以下堅持下去的理由：

理由 1：牛頓-萊布尼茨公式了解一下

我們可以看一下科學史上著名的公案——牛頓和萊布尼茨之爭。大約在 400 年前，他們同時發現了微積分，但這並沒有影響他們各自在領域內的地位。所以，你應該以自己的方式寫下自己的想法，然後發表它。讓同行來決定你的想法是否新穎和具有價值。

理由 2：想法不會完全相同，可以在現有想法的基礎上繼續改進

如果你遇到這種情況，可以把它當做自己擁有好想法的一種認可。堅持下去，虛心接受其他評論者的建議，這樣你就可以先於他人想出和發表新的觀點。

即使你的想法與他人相同，至少也會有一些不同的地方，這就是你可以發表的東西。即使你與他人在做相同的事情，但使用的數據不同，那麼你的想法依然值得發表，作為對新領域想法的驗證。同時你也能夠比較容易地想到這個方法可能出錯或者需要改進的地方，這就是你接下來要做的事情。

所以，不要讓這種情況阻止你繼續前進的腳步，將它視為下一個想法的起點就好了。

另一位評論者也表示，與其因為某個想法已經發表就放棄，還不如思考一下如何進行擴展、強化或以此為基礎。這才是科學前進的方式。

理由 3：能撞到幾周前才發表的 idea，你已經很優秀了

我的數據科學教授曾經講過他與自己博士生之間互動的故事。在這些博士生第一次帶著自己的想法向教授請教時，教授會說「太棒了！這個想法 10 年前就發表過了」。之後，他們會帶著新的想法再次向教授請教，教授會說「做得好！這個想法 2 年前才發表。」

我想你應該明白我想說的了。隨著在自己領域內獲得的知識越來越深入，你會越來越靠近領域前沿，到最後你會自己去擴展前沿。你應該感到自豪，因為你發現了一些一周前才發表的新東西。堅持下去，你就會有新的想法。

以上理由基本都可以用一位評論者的觀點進行總結：「如果你的想法之前沒有人發現，你要繼續做下去。如果已經有人發現了，你應該做得更好。」

當然，除了鼓勵之外，有些評論者也理性地分析了「撞車」背後的深層原因以及可以從中汲取的經驗教訓。

一位評論者表示，如果你的想法經常和別人撞車，那可能表示你的想法不夠具體或充分。例如，如果你的想法是「利用 GAN 進行基於模型的強化學習」或「對視頻進行無監督學習以實現圖像分類」，那麼你的想法總是不可避免地會被別人搶先。但如果你的想法足夠充分，比如「分散式強化學習」或「Wasserstein GAN」，撞車的幾率就要小很多。

此外，該評論者還表示，「撞車」也是一次免費的宣傳機會。

如果你的論文大都是在其他人發表的時候完成的，那你應該立刻上傳至 arXiv，並將它作為並行的研究來討論。這實際上也是一件好事，意味著你也會在他們宣傳論文的時候得到關注。所以，免費的宣傳，何樂而不為呢！

除了這些正面的鼓勵和建議，還有一位評論者通過一篇 Nature 評論文章表達了自己的看法。

這篇文章標題為「Publish houses of brick, not mansions of straw」，作者 William G. Kaelin Jr 是丹娜法伯癌症研究院（Dana-Farber CancerInstitute）和哈佛醫學院布列根和婦女醫院 (Brigham and Women"s Hospital）的醫學教授。他於 2016 年獲得拉斯科基礎醫學研究獎（Albert Lasker Award for Basic Medical Research）。

Kaelin 教授

在這篇文章中，Kaelin 教授揭露了學術論文創作中存在的一些異象，即學術論文數量越來越多，研究方法也越來越花哨，但真正有堅實數據支撐的論文少之又少。因而他呼籲抵制學術浮躁，沉下心貢獻學術「乾貨」。

如果你的想法也和別人撞車了，希望這篇文章能給你一些啟發。

Publish houses of brick, not mansions of straw

我對生物學研究中存在的馬虎現象感到擔憂：太多已經發表的研究成果只有在非常狹窄的條件下才能成立，或者根本無法復現。原因是多方面的，但最根本的原因很難確定。有句諺語叫「溫水煮青蛙」，生物學研究者也深陷在這樣一種漩渦中。過去幾十年里，個人論文里的數據和想法的數量逐漸增長。此外，一篇論文的目的似乎已經從驗證具體結論變為做出儘可能寬泛的斷言。這種論文的危險之處在於，學術研究越來越像稻草建成的大廈，而不是真正堅固的磚瓦之房。也就是說，論文越寫越泛，研究方法越來越花哨，研究結論越來越多，但明確堅實的結論相對減少。

2016 年，我和 Gregg Semenza 及 Peter Ratcliffe 因為發現細胞感知氧氣的方式而獲得了拉斯克獎（Lasker prize），而讓我們獲獎的那些論文都是十幾年前發表的。在今天看來，那些論文都會被認為是古怪、初級的，不太夠資格發表。其中一項研究表明，腫瘤抑制蛋白是氧氣信號傳遞所必需的，但如果放到當下，它會因未能包含一個清晰的機制和動物實驗而受到批評。另一項研究表明，該蛋白的主要靶點受到氧氣依賴修飾，但由於我們還沒有確定相關的酶，該研究差點被拒收。幸運的是，一位經驗豐富的編輯介入了這件事，表示這項研究的發表將為其他研究小組開啟對這種酶的探索之路。如今，這種走運的事似乎不多見了。

那麼是什麼讓今天的科學論點如此膨脹呢？一個因素是資助機構過於強調學術影響和轉化；另一個因素是技術進步使數據收集變得更加簡單，這些數據可以在網路上得到補充。這兩個因素促使審稿人和編輯向投稿人提出額外實驗要求，而這些實驗與主要的結論無關，或者只是為了提高影響因子。與拒絕某篇論文並要求進行更多實驗相比，接收一篇論文往往需要更大的勇氣。這使得那些符合預期研究結果的論文更容易被接收。因此，當資金緊張時，評審員會提出更多要求。

過去，一個有趣的觀察結果可能會帶來一系列測試其穩健性的實驗。當我還是一名博士後的時候，一篇完整的論文可以包括對兩種相互結合的蛋白質的檢測，以及後續實驗，以確定這種結合發生在活細胞中。如今，支撐這一論斷的數據由一兩個實驗組成。論文的其餘部分將描述跨越不同學科的工作，這些工作提升了作者的論點，並最終形成了一個具有臨床相關性的圖表。

不幸的是，這種廣度的提升往往以犧牲深度為代價。在從實驗數據中進行推斷時，進行多重確證是必不可少的，因為任何單獨的方法都有缺陷和局限性。我擔心的是，現在的文獻已不再是只提出一個主要論點，然後通過多種方法進行論證。相反，論文中提出多個論點，每個論點只有一個薄弱的支撐。這些論文上的最終數字往往顯得過於牽強。

過於寬泛的論點也給同行評審帶來挑戰。儘管我算是一名頗有經驗的審稿人，但我發現，論文中越來越多的數據讓讀論文的評審過程變得異常艱難，並且我經常會遇見自己不擅長的材料。如果這一趨勢發展下去，審稿人要申請短期學術休假才能審論文。編輯或許能夠召集擁有互補背景的審稿人來審閱這種寬泛的論文，但這麼做的代價是讓多個專家審閱一些相同的實驗。我擔心那些作為補充的論文部分（審稿人通常不會細究）會用來掩蓋薄弱的數據。

另一個意想不到的後果是新知識交流的延遲和訓練時間的延長，因為專業能力提升與創作一部數年才能完成的巨著密不可分。沒有答案的問題和不明原因的結果通常被認為是差的研究，很難被雜誌接受發表。這可能會鼓勵不良行為，比如挑揀數據，這樣就不會出現數據不完整、不一致或無法解釋的情況。我們應該認識到，當論文坦率地承認其局限性和令人困惑的結果時，能夠推動科學向前發展。

知識缺乏是臨床轉化的真實瓶頸。我們需要停止向基礎科研科學家（尤其是實習生）灌輸某種思想，即他們工作的價值要由能否實現轉化來衡量。我們必須對研究論文的原創性、實驗設計、數據質量進行更加細緻的檢驗，同時採取更謹慎的態度預測影響力，真正的科學和學術價值只有等待未來的評價。我們還應該重視研究工作主體的質量以及該工作是否促成了後來的發現，而不是把重點放在單篇論文發表在什麼期刊。

缺乏知識是臨床轉化的真實瓶頸。我們需要停止向基礎科研科學家（尤其是實習生）灌輸某種思想，即他們工作的價值要由能否實現轉化來衡量。我們必須對研究論文的原創性、實驗設計、數據質量進行更加細緻的檢驗，同時對預測的影響保持更加謙遜的態度，其影響只有在回溯時才能真正了解。我們還應該重視研究工作主體的質量以及該工作是否促成了後來的發現，而不是把重點放在單篇論文發表在什麼期刊。

在審閱一篇論文時，主要問題應該是其結論是否正確，而不是先假設如果結論正確，該結論是否重要。

真正的科學大廈是用磚石砌就，而非稻草。

參考鏈接：

https://www.reddit.com/r/MachineLearning/comments/c1rle7/discussion_how_do_you_maintain_motivation_and/

https://www.nature.com/news/publish-houses-of-brick-not-mansions-of-straw-1.22029

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！