这个问题虽然在数学和AI研究被讨论得很多，但是其他的领域，至少在我的领域，并没有得到充分的讨论。大家更关心的似乎是，怎么保证AI得到的结果可靠，谁为AI负责，谁得到credit等问题。我在这里简短地表达和记录我的观点，其中很大一部分其实和LLM本身关系不那么大，而是我对于什么样的工作有价值的长期、一贯的看法。只是以前碍于身份不便表达，现在有了讨论的环境而已。
我为什么做研究？
这个问题当然是对每个人都有不一样的回答的。对于我来说，这个问题也有多个层面的动机。
首先是，我对宇宙学、基础物理学的大问题感兴趣，而这个时代恰好是可以参与到这些问题的解决之中的。我渴望在历史上留下自己的痕迹。
其次是，我喜欢这个学科的研究范式，我们有数据，对于系统误差有一些评估的方法，能够对一些系统效应进行物理上的建模，从而能对它们进行控制；而研究的质量会直接影响到我们对宇宙最基本的物理问题的理解。
第三，我喜欢这个领域里人与人互动的方式：大量的科学通过从设备、数据到科学层面跨国合作而成为可能，大量重要数据对所有人公开，公开数据也能做一流的科学，从而很大程度上避免了造假。
第四，我喜欢学新的东西，我骨子里是一个博物学家，在做新的研究，尤其是进入我陌生的新领域的研究的时候，我往往能迅速地学到东西，不管是通过读文献、和领域专家聊天还是自己动手复现研究，这些收获都是不开展新的研究就很难接触到的。
我想做什么样的研究？
从上面的四点出发，就不难导出，对我而言，什么样的研究是有价值的。
真正为解决大问题做出贡献的研究，不管是直接研究它们的，还是支持性质的，这都是为了满足我自己的好奇心的。不管名字是否会被后人记住，把自己的个人趣味和审美灌注进历史的角落里本身就是很有意思的事情。我希望能多做这样的研究，而它们也是我目前的工作重点。
符合我个人审美的研究，首先是为我自己带来了快乐，往往也满足了我的好奇心和困惑。做研究是为了自己。
对学界有用的研究，是对community的贡献，也提供和更多的人发生联系的可能性。
能让自己学到东西的研究，这个就不用多说了，不论是满足好奇心本身，还是为了长远的能力培养，这样的研究都是很有用的。
太理想了？
我想，发表这样的看法总是免不了受到“何不食肉糜”的质疑。但是，我想反问一句，如果做不了这样的工作，只是为了过日子做研究，能够长久吗？只是混毕业当然无可厚非，但是在这个时代选择以研究为业，不可避免的一个问题是，我们和猫猫打字机有什么区别？把公开的宇宙学数据换一个唯象模型拟合一遍，这样的工作在前LLM时代本来就很无聊，但毕竟喜欢这种无聊工作的人往往也很菜，所以他们的产能也不高。现在不说前沿模型，gpt luna都能画个半小时糊出一篇完全满足前LLM时代发表标准的这种无聊论文。如果出于对评价体系做reward hacking的目的去做的话，首先这个评价体系很快就要被玩坏了，对它做过拟合已经失去意义；其次，学界本身可能是一艘正在倾斜下沉的船，如果对研究本身缺乏热情，现在正是应该跳船的时候。
实际上，这个时代允许我们不再以研究为业而依然做出有价值的前沿研究。做研究所需的资源，无非是文献、思考的时间、执行的精力、数据和算力。读文献我们有arxiv，不挂arxiv的研究不值得看；思考的时间——这个我想对于业余研究者来说可能是最匮乏的；执行的精力——$20一个月的gpt luna都可以不知疲倦地给你规规矩矩地执行研究计划；数据——到处都是公开的巡天数据；算力——因为现在的数据太大了，为了让大家真能用上，很多巡天的数据中心是直接给你算力用的。对于做targeted 观测，做模拟，做仪器和做实验的人来说，确实会有资源的问题，但是做观测数据统计研究的人来说，低成本地开展有价值的业余研究正在变得越来越实际。
如果把科研当成一份工作，这是最坏的年代；如果把科研当做一种爱好，这是最好的时代。对于一个科学家来说，这两者当然从来都不是泾渭分明的，但是这两者之间的比例很大程度上决定了应不应该留在学界。我相信随着压力越来越大，大多数人会做出理性的选择的。
