王家卫的电影《一代宗师》中有段经典比武的桥段，宫会长对叶问说“今天我们不比武术，比想法”，好的想法、点子或者IDEA也是一篇优秀研究成果的灵魂。计算机领域也流行着一句话“IDEA is cheap, show me the code”，说明对于重视实践的计算机学科而言，IDEA的好坏还取决于它的实际效能。这里就来谈下好的研究IDEA从哪里来。
2015年我在微博上写过一个小段子：
ML派坐落美利坚合众山中，百年来武学奇才辈出，隐然成江湖第一大名门正派，门内有三套入门武功，曰：图模型加圈，神经网加层，优化目标加正则。有童谣为证：熟练ML入门功，不会作文也会诌。
到2018年我又续了一小段：
不期数年，北方DL神教异军突起，内修表示学习，外练神经网络，心法众多，曰门，曰注意，曰记忆，曰对抗，曰增强。经ImageNet一役威震武林，豢Alpha犬一匹无人可近。一时家家筑丹炉，人人炼丹忙，门徒云集，依附者众，有一统江湖之势。有童谣为证：左手大数据，右手英伟达，每逢顶会炼丹忙。
这里面提到的图模型加圈、神经网络加层、优化目标加正则，神经网络中的门、注意、记忆等，都是一些改进模型性能的创新思路，被各大NLP任务广泛使用并发表论文，也许就是被不同NLP任务的重复使用和发表，多少有些审美疲劳而缺少更深的创新思想，会被有些网友和学者诟病为“灌水”，好像都是不够好的IDEA。那么什么才是好的IDEA呢？
在我看来，IDEA好坏并不是非黑即白的二分问题，而是像光谱一样呈连续分布，而且因时而异，因人而宜。现在的学术研究已经成为高度专业化的职业，有庞大的研究者群体，鲁迅说过“天才并不是自生自长在深林荒野里的怪物，是由可以使天才生长的民众产生，长育出来的，所以没有这种民众，就没有天才”，这个庞大研究者群体正是天才成长的群众基础。而且，在同学创新研究的训练过程中，也是不断磨砺自己寻找好IDEA能力的过程，如鲁迅说的“即使天才，在生下来的时候的第一声啼哭，也和平常的儿童的一样，决不会就是一首好诗”。计算机科技领域的发展有积累的过程，也有跃迁的奇点，没有量变就不会有质变，也不能因为吃第三个馒头饱了就认为前面两个馒头不重要。所以不能要求每个研究者的每份工作都是“诺贝尔奖”、“图灵奖”级的才值得发表。只要对研究领域的发展有所助力，就值得发表出来帮助同行前进。
那么，评判什么算好的IDEA的标准是什么呢，我总结关键在一个“新”字。
之前听几位老师有这么一个说法，人工智能学科有个魔咒，凡是人工智能被解决（或者有解决方案）的部分，就不再被认为代表“人类智能”。计算机视觉、自然语言处理、机器学习、机器人之所以还被列为人工智能主要方向，也许正是因为它们尚未被解决，尚能代表“人类智能”的尊严？
很多答案其实是在说顶尖“科研成果”，我感觉“顶尖科研”更关乎科研态度。著名历史学家、清华校友何炳棣先生曾在自传《读史阅世六十年》中提及著名数学家林家翘的一句嘱咐：“要紧的是不管搞哪一行，千万不要做第二等的题目。” 具体到每个领域，什么是一等的题目本身见仁见智，其实更指向内心“求真”的态度，是否将从事科研的题目作为自己的“责任”，而非仅为谋生的“工作”，我感觉这也许就是做“顶尖科研”的体现，也是做出“顶尖科研成果”的必要条件。那些兢兢业业、为了内心使命而奋斗的科研工作者们，在我心目中都在从事着顶尖科研。
我感觉，产业界开始集团化搞的问题，说明其中主要的开放性难题已经被解决得差不多了，如语言识别、人脸识别等，在过去20年里面都陆续被广泛商业应用。看最近的BERT、GPT-2，我理解更多的是将深度学习对大规模数据拟合的能力发挥到极致，在深度学习技术路线基本成熟的前提下，大公司有强大计算能力支持，自然可以数据用得更多，模型做得更大，效果拟合更好。
成熟高新技术进入商用竞争，就大致会符合摩尔定律的发展规律。现在BERT等训练看似遥不可及，但随着计算能力等因素的发展普及，说不定再过几年，人人都能轻易训练BERT和GPT-2，大家又会在同一个起跑线上，把目光转移到下一个挑战性难题上。
所以不如提前考虑，哪些问题是纯数据驱动技术无法解决的。NLP和AI中的困难任务，如常识和知识推理，复杂语境和跨模态理解，可解释智能，都还没有可行的解决方案，我个人也不看好数据驱动方法能够彻底解决。更高层次的联想、创造、顿悟等认知能力，更是连边还没碰到。这些正是有远见的研究者们应该开始关注的方向。