本文经原作者授权转载，版权归原作者所有。原作者：Berryxia.AI（@berryxia）。
申明：本文是AI与人类协作完成，如有不适，请关闭退出，请悉知。
Vivek Nair 那篇“How to Be Good at Research?“据称爆了520万阅读，中文圈被前通义千问负责人林俊旸一转，更是刷屏。收藏、转发、摘录金句，一条龙。
但这里有个讽刺：Vivek 在文章里说，大多数人学到的不是“怎么做研究”，仅仅是“怎么看起来像在做研究”。
而520万人读完，觉得自己“学到了”然后继续刷下一条，这本身，就是“看起来像研究者”的最隐蔽形态。
读研究方法论文章，和做研究，是两件事。
这个区分听起来像废话，但 Vivek 整篇文章的爆发力就藏在这句废话里：2026年的 AI 从业者，比任何群体都更需要有人把这层窗户纸捅破。
你以为自己在研究，其实在抄作业！
Vivek 的表达非常清晰的观点：大多数人“逆向工程了这份工作”，从能看见的东西（论文、公告、推文）反推研究者该干什么，结果学到的是“怎么看起来像研究者”，而不是“怎么真正做研究”。
这个还是有点扎心的啊~兄弟们。
这话放在任何行业都成立，但在 AI 行业尤其致命。因为 AI 行业的信息消费方式，恰好是“逆向工程”的完美温床。
万维钢老师用过一个框架，把人才分成两类：SFT 型和 RL 型。
SFT（Supervised Fine-Tuning，监督微调）型靠模仿套路，给什么样本学什么样本。
RL（Reinforcement Learning，强化学习）型在真实世界里自己摸爬滚打，从反馈中修正策略。
他的判断很干脆：SFT 是方便法门，RL 决定能力上限。
Vivek 说的“吸收来的问题”，就是 SFT 型研究。
你的研究方向来自导师的课题、大厂上个季度的公告、推特上这周最火的论文。你知道某个方向重要，但不知道为什么重要、什么情况下会不重要。当别人转向的时候，你晚一年才知道。
而“自己选的问题”，是 RL 型研究。
你先想清楚一个你真正想让它存在的结果，再反推需要什么实验。
Schulman 把这概括为从目标出发的推理，他说这种方式天然制造原创性，因为你的具体问题不会出现在任何综述论文里，写综述的人没有你的问题。
关键区别在哪？
SFT 型研究者在别人的问题上优化，RL 型研究者为自己的问题探索。前者可以很高效，但上限是别人的天花板。后者经常走弯路，但弯路里才有新东西。
你的信息流，正在替你选题。
问题来了：知道 RL 型更好，为什么大多数人还是走 SFT？
因为2026年 AI 行业的信息消费结构，就是一条为 SFT 量身定制的流水线。
每天早上一睁眼，推特 timeline 已经帮你排好了“重要论文”。arXiv 的 trending list 告诉你这个领域在关注什么。
大佬的转发链替你完成了第一轮筛选。
微信群里的讨论帮你划定了“值得关心”的边界。你甚至不需要自己判断什么重要，算法和社交关系已经替你选好了。
Vivek 管这叫“共享阅读清单产生共享想法”。
这话看似表明平平无奇，实际还是有点东西：如果你的信息食谱是 “预备热榜”加上群聊过滤器，你会稳定地和所有人同时得出相同的结论，而这些结论的价值约等于零。
这其实不是偷懒，是结构性困境。
Hamming 在 Bell Labs 有个让人不舒服的习惯：午餐时坐到别人旁边，问“你这个领域最重要的问题是什么”，然后追问“那你为什么不在做它？”据说人们开始换桌子躲他。
这个问题放到今天更残酷。
1970年代，你知道重要问题是什么但你不敢做。
2026年，你可能连“什么是重要问题”的判断力都丧失了，因为算法替你选了信息源，信息源替你选了问题，问题替你选了方向。
整条链路你都没参与，但每一步都感觉像自己在做选择。
Rich Sutton 2019年用大约一千多词写了《苦涩的教训》，预测 AI 领域走向比十倍长度的综述都准。
Shannon 1952年那场关于创造性思维的讲座，到今天比大多数当代建议更有用。
Vivek 说“老材料被严重低估”，这不是怀旧，是事实：真正有穿透力的内容，往往不在当前的信息流里。而你的信息流，恰恰是设计来让你看不到它们的。
病都知道，药为什么不吃？
诊断到这里其实已经清楚了：AI 行业的信息消费结构是一条 SFT 流水线，它系统性地制造“吸收来的问题”，让你在别人的赛道上狂奔，还以为自己在冲刺。
但 Vivek 的文章没有停在这里。他开了药方：自己选题、读原文、写下来、盯着失败看。
问题来了：
这些药方，哪一条是2026年的人不知道的？自己选题重要，谁不知道？读原文比看摘要好，谁不知道？写下来能防止自欺，谁不知道？
都知道。但就是特么没有人做啊！或者自己不做啊！。
因为 SFT 型研究太舒服了。
跟着热点走，有现成的参照系，有同路人可以讨论，有论文可以对标，有 benchmark 可以刷。
而 RL 型研究意味着你要走进一片没人画过地图的区域，没有参照系，没有同路人，连“我到底在不在进步”都很难判断。
更关键的是，2026年 AI 让 SFT 型研究变得更舒服了。
论文有 AI 摘要，实验有 AI 设计，代码有 AI 生成。你可以用更少的努力“看起来更像一个研究者”，而“真正做研究”的门槛反而更高了——不是技术门槛，是心理门槛。
这才是 Vivek 这篇文章真正反直觉的地方：他的药方不是在对抗无知，是在对抗舒适区。
AI 替你嚼，但嚼不出你的判断力！
Vivek 开出的药方，每一条都在说同一件事：你必须自己来。自己选题，自己读原文，自己写下来，自己盯着失败看。
放在十年前，这是常识。放在2026年，这是反直觉。
因为 AI 正在接管“研究”的每一个环节。论文可以让 AI 摘要，实验可以让 AI 设计，代码可以让 AI 写，结果可以让 AI 分析。
Karpathy 今年4月发了自己的 AI 知识管理工作流，全球刷屏——让 AI 替你做所有苦力活，你只需要往里扔东西、提问题。
逻辑很顺：AI 消化能力远超人类，何必自己嚼？
但这里有个容易被忽略的前提：Karpathy 能建出有价值的知识库，不是因为工具好，是因为他看的东西比别人深，筛选资料的眼光比别人准。
工具放大的是判断力，判断力为零的时候，放大出来的还是零。
Vivek 和 Karpathy 的张力，不是“谁对谁错”，而是2026年研究者必须同时面对的两面：AI 可以替你做苦力，但不能替你做判断。
问题是你越依赖 AI 做苦力，判断力的锻炼机会就越少。
AI 不仅不会拦你，还会帮你骗自己
这背后有神经科学的硬证据。2025年 Nature Communications 一项研究发现，真正的顿悟时刻发生时，视觉皮层、海马体、杏仁核会快速形成互联网络，把“想通”的过程刻进记忆。
研究发现，驱动这种记忆的关键因素是一种强烈的确定感，模模糊糊觉得“好像懂了”，大脑根本不当回事。
这就解释了为什么 AI 的流畅回答特别危险。逻辑自洽、措辞流畅，最容易制造“假顿悟”：你以为自己想通了，其实只是被说服了。
Feynman 那条规则“第一个要避免欺骗的人是你自己”，在2026年有了新的含义：不仅你会骗自己，AI 还会帮你骗自己。
更麻烦的是，AI 不仅不会挑战你，还会主动讨好你。2026年3月一项研究测了11款主流大模型，社交谄媚程度比人类高近50%。
你问 AI“我的研究方向对不对”，它不会说“你可能想错了”，它会说“这个方向很有潜力”。
你读完 Vivek 的文章问 AI“我学到了什么”，它会肯定你“你学到了很多”——但不会追问你“那你今天的研究日志写了吗？”
Vivek 的每一味药，都指向同一个结论：那些 AI 最替不了的事，才是研究者的护城河。
自己选题，因为 AI 没有你的问题。
读原文，因为 AI 的摘要会埋掉附录里。写下来，因为写的过程是防止自我欺骗的最低成本手段。
盯着失败看，因为失败里的信息量远比下一个精度小数点都大。
520万人照了一面镜子，然后继续刷爽文？。
回到开头那个数字。520万阅读。
Vivek 在文章最后引用了 Hamming 的复利哲学：知识和生产力，都是利滚利。每天多读一点、多记一点、多错一点、多改一点，几年后回头看，像是走了狗屎运。
如果把判断力也加进这个复利公式，它理应在里面——那每天多判断一次、多纠偏一次，同样在滚。
但复利有个前提：你得有本金。自己的问题、自己的输入、自己的记录，就是本金。没有本金，利率再高也滚不出东西。
520万人读了这篇文章。他们读的不是方法论，是一面镜子。
镜子里的画面不太好看：你追的热点不是你选的，你“懂了”的东西可能只是被说服了，你的 AI 助手正在温顺地肯定你的每一个想法。
而这面镜子最讽刺的地方在于：看完镜子，大多数人会继续刷下一条。
Vivek 说，知识复利要尽早开始，“未来的你已经知道现在是最便宜的时候”。
他没说的是：关了这篇文章，可能就是最便宜的时候。