怎样判断一个工作的意义以及自己写论文的时候如何讲自己的故事（偏人工智能技术类）
核心：用有新意的方法有效地解决一个研究问题
研究
这里关注的是技术类的问题，这里面主要有两大类问题
- 研究问题
- 工程问题：绝大部分问题都是工程问题
比如说算法比较占内存，跑不动，首先想到的是能不能买一些内存，如果买的内存够用的话那就没问题了；然后再看看代码能否进行优化，能否换一个实现的方式，使得在不改变算法的同时节省内存
再比如模型的精度不够，首先看能否利用增加数据的方法来解决问题，或者在采样的时候，有更好的传感器进行采样
如果对一个问题，能够提出几种方案，而且这些方案在没有尝试的情况下就能知道是能够解决问题的，那么很有可能这个问题就是一个工程问题
对研究问题来说，一定是比较困难的问题，根本就不知道如何解决，或者说有一些想法，但是在实施这些想法之前比不知道是否可行，而且对于一般的研究问题，前面的一些想法通常来说是不行的
有效
有效是一个相对的概念，并不是一个绝对的概念，因为对于绝大部分论文来讲，它无法彻底地解决一个研究问题
比如说人工智能在做了50年的研究之后仍然没有解决人工智能的终极问题：智能
这里的有效性是说，对于某一个研究问题来讲，相对于之前的工作，当前工作解决问题的有效性有所提升
新意（novelty）
也是一个相对的概念，就算是一个很有新意的东西，等到它出来一段时间之后，也就不再有新意了
具体来讲，这里的新意指的是对所在领域的研究者有新意，也就是说，在做相同方向的研究者并没有想到过用相同的方法
所以并不要求方法一定是前人没有提到过，很有可能是很多年前别人已经用过了，但是随着时间的流逝，大家已经不记得了；或者是所用到的方法在别的领域有人用，但是在自己所在的研究领域并没有太多了解
在写文章的时候，研究工作最后也应该总结成一句话：有什么样的方法，怎么样有新效地解决了什么样的研究问题
- 在写摘要的时候会先说要解决什么样的研究问题，方法的新意在哪里，最后结果如何
量化版本
问题大小
可以粗糙地分为3档
- 1：比如说对前面的工作在某一个点上做的不好的地方做了改进
- 10：比如说计算机视觉中某一个视觉的子任务
- 100：比如说提升机器对图片的理解或者机器对文字的理解
- 当然还可以更大，比如说解决通用的人工智能，就可以达到1000甚至更大
有效性
也可以粗糙地分为3档
- 1：比如说关心的是一个模型的精度，可能比前面的模型精度高了一点点
- 10：比如说领域内的工作一年之内能把一个数据集的精度提升10个点，能提升一个点也是相当不错了
- 100：比如说一个工作就能将数据集的精度提升5个点，甚至是10个点
- 当然取决于问题的不同，对有效性的定义也是不一样的，但是对于一个技术问题来说，通常就关心三个问题：1、效果：比如说精度；2、规模：比如说成本的降低；3、安全
新意度
也可以粗糙地分为3档
- 1：表示大家并不感到意外，比如说用的方法大家都知道，而且知道使用之后的结果大概是什么样子
- 10：表示有一定新意度，比如在某个方面用某一个技术解决了还不错的问题
- 100：表示所用的技术之前大家并不熟悉，使用之后打开了新世界的大门
- 新意也不是绝对的，对于技术类的工作来说，很难有一个技术之前从来没有出现过
总结
在以上三个方向上都拿满分很难，有时候在两个方向上拿满分都是一件非常困难的事情，所以就需要考虑能不能在一个指标上拿满分；如果无法在任何一个指标上拿满分，就需要考虑是否能做到三个指标都能够均衡地达到10，这也是很不错的；如果能够在某两个指标上达到10，还是值得一写的，如果写的比较好的话，也是一个比较好的工作，否则的话，建议想一想在其他方向上是不是还有突破，至少在另外一个指标上拿到10
在实际问题中，很难做到精确的分类，很多时候只有一个大概的判断，所以以上框架只是作为一个参考