在实验室里，科研从来不是一条笔直的路。从选题到发表，从拒稿到中稿，每一步都需要判断与取舍。近日，2021级博士研究生宋子帆先后在开学典礼和实验室内部分享中，讲述了自己的科研成长与方法体会。

宋子帆，主要研究方向为多模态数据智能、智能体系统。在TPAMI、ICLR、NeurIPS、ICML等国际期刊会议发表论文十余篇，其中以第一作者身份发表六篇，涵盖监督学习训练策略、多模态增强、开放场景视觉建模以及多智能体系统下游任务。曾在微软亚洲研究院、上海人工智能实验室等机构实习，参与大模型基座与世界模型项目科研。

在开学典礼的“计科青年说”环节，宋子帆以“每一次碰壁，都是边界在打开”为题，分享了九年同济求学过程中对科研认识的不断变化。宋子帆的分享围绕三个“以为”展开：从“发论文就是做科研”，到“论文越多科研越好”，再到“方法跑通科研就成功”。每一个“以为”背后，都是一次认知的打破与重建。

第一个以为：发论文就是做科研

入学首月完成第一篇论文投稿，三个月后完成第二篇投稿。宋子帆以为，科研的大门已经向他敞开。但现实是：两年，七次拒稿，两篇论文反复修改。越努力，越迷茫。宋子帆选择回到基础，重新梳理基本假设，重新研究数据分布与泛化实验，两篇论文，最终在同一个月内先后发表。回到基础不是倒退，而是换个角度重新出发。

第二个以为：论文越多科研越好

除了做完“下一篇”，真正能留下的是什么？宋子帆的研究底色来自扎实积累：约400篇文献精读，约30种骨干模型，20余个数据集，把数据增强、监督学习、泛化相关脉络串成一张网。方向会变，研究能力可以迁移。目前他已收获6篇一作CCF A类/中科院一区论文，3次高水平学术会议博士生讲者。但更珍贵的，是沉淀在自己身上的研究能力。

第三个以为：方法跑通科研就成功

2周技术原型，数月持续迭代打磨。从原型到落地，要跨过业务知识复杂、结果可信度不足、长链路容易出错、实验环境与真实系统有差距这四道门槛，分别需要重梳领域数据与流程、补齐证据来源与追溯链路、拆解任务并逐环节验证、适配规则与部署要求。论文里的“可行”到现实中的“可用”，中间隔着无数真实的约束。但正如宋子帆的分享主题：每一次碰壁，都是边界在打开。

在实验室内部分享中，宋子帆把AI领域实验型研究的完整流程拆成了8步：

1.读文献，缩小问题。 先读最相关的几篇论文，看别人已经做了什么，还有哪件事没解决。

2.跑通基线，定好评测。 分清训练、调参与最终评估，选好数据、指标和强基线，先把公开结果跑出来。

3.看失败，提出假设。 挑出反复出现的错误，顺着样例和轨迹找原因，提出一个能检验的解释。

4.只改一点，先试试看。 固定其他条件，只改一个关键因素，看那类错误有没有减少。

5.把方法和证据补齐。 把方法做完整，用强对照和消融检验设计。

6.把发现写成论文。 先说清楚自己的发现，让每条结论都能找到证据。

7.准备好再投稿。 论文、代码、数据、可视化一起准备，交代清楚实验设置。

8.回应评审，继续修订。 先弄清评审在质疑什么，该补的实验、该改的结论，都落实到修订稿里。

宋子帆强调，在投稿规模暴增的背景下，要让贡献具体到一个问题，让结论对应一组证据；热点会变，但研究积累要留下；Agent可以参与执行，但研究者要负责判断；科研还要和真实项目结合，项目中的失败、约束与成本，往往比公开基准上的小幅涨点更有说服力，把项目里遇到并解决的问题抽象成可检验的研究问题，论文的贡献才有具体依据。