2026年7月30日上午，ChinaMM 2026（中国多媒体大会）专题论坛“大模型时代科研审美与研究范式”顺利举行。随着大语言模型技术的迅猛发展，科研的生产方式正在发生深刻变革：论文数量爆炸式增长，文献调研、代码实现、实验执行乃至论文成稿等执行环节正被AI逐步接管。这一变革带来了新的机遇，同时也带来了新的挑战：在产出空前丰富的时代，如何判断什么问题真正值得研究、什么方法真正称得上好，成为业界与学界共同关注的焦点。
哈尔滨工业大学社会计算与交互机器人研究中心（SCIR）秦兵教授应邀在论坛上作题为“大模型时代的科研品味”的特邀报告，从品味的哲学内涵出发，系统阐述了科研品味的两大核心要素，并探讨了大模型时代品味之于研究者的独特价值。以下是报告主要内容。
秦兵教授没有直接从科研谈起，而是先从生活与哲学的角度追问：品味到底是什么？提到品味，人们会想到摄影、音乐、烹饪、穿衣，甚至字体与代码。品味不在远方，它藏在日常的每一次选择里，选择的背后是同一种能力：判断力。
日常语境下，品味指一个人对美、艺术、文化与生活方式的偏好和判断。康德在《判断力批判》中给出经典定义：“品味，是一种不带任何利害关系的审美判断能力。”它不在于知识的多少，而在于面对具体事物时作出判断的能力，关注事物本身的好坏，而非实际用处。
品味为什么难以描述？休谟的回答是：“品味本质上是一种情感，而非理性判断。”“品”是品评与判断，“味”是滋味与直觉，像尝出食物的美味那样，无需论证，一尝便知。情感先于论证抵达，所以品味难以言传，需要长期的熏陶来养成。
把这种判断力带进科研便会发现，科研同样是一门需要品味的手艺。
科研品味，是研究者在选择问题和设计方法时所依赖的底层判断力，它与智力和算力无关，是长期学术训练形成的直觉。品味出众的研究瞄准核心难题、方案直达本质，品味欠佳的研究追逐热点、堆砌模块。同样的领域，不同的品味，通向完全不同的学术道路。
好的科研品味，落在两个判断上：一是研究问题，判断什么值得做；二是研究方法，判断怎么做。前者决定研究的方向，后者决定研究的路径。
什么样的问题值得研究？图灵奖得主理查德·哈明有言：“如果你不研究重要的问题，就很难做出重要的工作。”OpenAI联合创始人约翰·舒尔曼也强调：“选对研究问题的能力，比纯粹的技术功力更加重要。”两代研究者，同一个答案：研究重要的问题。
什么是重要的问题？秦兵教授给出三个判据：一是根本，优先选择长期有价值的根本问题，而非短期容易出结果的边角问题，例如Hinton等人持续探索神经网络如何实现深层训练，盯住根本问题：怎样让深度神经网络有效训练，解决梯度消失问题。最终提出深度学习方案，后续激发CNN、Transformer整条技术路线，重塑人工智能领域；二是真实，区分真问题与伪问题，不制造人造任务，例如：行星运动是宇宙的规律，开普勒从中提炼行星运动规律，具有普适的理论价值；三是空白，DeepMind团队长期坚持攻关蛋白质折叠预测这个冷门基础问题，最终推出AlphaFold，填补结构生物学几十年的核心空白。
经典论文的选择印证了这三个判据：AlexNet、ResNet追问能力的根本边界，Word2Vec、GAN回应表示与生成的真实需求，Transformer、BERT与GPT走进当时无人回答的空白。因此，成为经典论文的前提，正是解决一个重要的基础性问题。
秦兵教授团队的CodeBERT（EMNLP 2020）正是这样的实践：它问的不是某个代码任务怎么做，而是编程语言与自然语言能否共享同一个预训练基座。这一问一旦有了肯定的答案，代码检索、生成、翻译等方向随之展开，它成为代码智能工作的公共起点，被引已逾五千次。
另一条路径，是把重要的问题定义成公共的标准。李飞飞团队的ImageNet把“机器能否看懂世界”定义成公共评测，托举起此后十年的深度学习浪潮。同样的思路，秦兵教授团队参与组织了SemEval细粒度情感分析国际评测（2016），统一任务定义、数据与评价体系，十年来一直是该方向的公共基准。
因此，好的问题品味，就是瞄准根本的、真实的、空白的问题。
接下来是第二个判断：什么样的方法称得上好？迪杰斯特拉说：“简洁，是可靠的先决条件。”霍尔在图灵奖演讲中说：“设计要么简单到明显没有缺陷，要么复杂到没有明显的缺陷，前者远为困难。”两位图灵奖得主的答案如出一辙：好的方法，从追求简洁开始。
秦兵教授特别辨析了“简单”与“简洁”：简单是没想清楚的省略，没有深入到问题内部；简洁是想透之后的克制，穿过复杂性把本质提炼出来。正如奥卡姆剃刀所主张的，“如无必要，勿增实体”：简洁不是少做事，而是剔除多余的假设、组件与包装。
简洁的方法，自然地可扩展：假设少、部件少，方法才通用，才能随数据与算力一起增长；方法每多一个精巧的部件，就多一处随规模断裂的关节。正如萨顿在《苦涩的教训》中所言：“最终赢得胜利的，永远是那些能充分利用数据和算力的通用方法。”
改变时代的方法，都出奇地简洁：PageRank用一条网页投票原理支撑起搜索引擎，Word2Vec去掉一切非线性，ResNet只添加一条残差连接，把输入直接加到输出，网络深度便从二十层扩展到上千层，Transformer去掉循环与卷积、只保留注意力。每一个都是减到不能再减的设计。
秦兵教授团队的实践同样如此。中文全词掩码技术只把掩码单位从“字”改成“词”，不改架构、不改目标、不加参数。正因为什么都没有多加，它才能即插即用，成为中文预训练的事实标准，被引超过两千次。
第二项实践针对情感词向量。传统的词向量学习只利用上下文信息，“好”与“坏”这类上下文相近但情感极性相反的词语，会被映射到相近的向量上，这是情感分析长期面临的基础缺陷。
解决之道出奇地简洁：只在词向量的训练目标中加入一项情感信号，损失函数一处改动，向量便自带情感，可直接迁移到各类情感分析任务。网络与经典的C&W模型完全相同，仅输出层多出一路情感监督，成为情感分析的对标基线，被引近一千七百次。
第三项实践是《大词林》，一个中文开放域上下位知识图谱。它把上下位关系归结为词向量空间中的一个投影变换，判定只需一次投影加一次距离比较。原理一句话，支撑起3,000万实体、18万上位词的自动化知识体系。
因此，好的方法品味，就是用最简洁的方法，撬动最根本的问题。
大模型改变了科研的生产方式，品味的价值也因此愈发凸显。
一组数据勾勒出现状：arXiv单月新增论文在2026年6月达到32,040篇，NeurIPS投稿量十年间增长约12倍，AAAI 2027投稿ID突破50,000、创下历届之最。产量爆炸的时代，稀缺的不是产出，而是判断。
面对每月数以万计的论文洪水，品味就像一道滤网：洞察力、审美、表达都是它的体现，决定什么值得读、什么值得做、什么值得写。论文越是爆炸，这道滤网越关键；有意识地提升品味，是这个时代研究者的必修课。
品味从何而来？秦兵教授给出五个可以践行的习惯：精读领域经典，多听主旨报告，与高品味者同行，选题前自问三句，以及跨学科与艺术的熏陶。爱因斯坦拉小提琴，达芬奇兼画家与工程师，艺术的审美滋养科学的品味；品味可以通过不断的训练获得。
当AI也能写论文，品味更加珍贵。生成想法、设计实验、撰写成稿，研究的执行环节正被AI逐步接管，而人保留的恰恰是判断：问什么，哪个问题是基础性的？怎么答，哪个方法是简洁的？把执行交给AI，把判断留给自己。
在学科交叉的三重浪潮中，品味更加彰显：AI for Science，AlphaFold解析蛋白质结构；Science for AI，神经科学启发注意力机制，统计物理孕育扩散模型；AI+X，计算社会科学、数字人文成为新的学科建制。交叉不是拼贴，而是要在学科的接缝处寻找基础问题，用简洁的方法沉淀成果。
展望未来，稀缺的能力在不断演化。软件时代，Linus Torvalds说“Talk is cheap. Show me the code”，稀缺的是代码；大模型时代，这句话被改写为“Code is cheap.Show me the conversation”，稀缺的是与模型的对话；智能体时代，思考可以外包，理解不能，稀缺的是理解。演化到最后，是品味。
回到今天的问题，报告凝练成三句话：品味，是一种判断力；科研品味，等于重要的问题与简洁的方法；大模型时代，执行正在被替代，判断愈发珍贵。
当我们拥有完备的理论、充足的算力、便捷的工具，人与人科研差距的终极分水岭，正是科研品味。
报告在这样一句寄语中结束：愿我们的下一篇论文，经得起十年之后的回望！
本次报告由哈尔滨工业大学SCIR实验室秦兵教授、冯骁骋教授与博士毕业生冯夏冲等合作完成。