1. 为什么值得花时间梳理AI领域的学者与研究组刚入行那会儿我判断一个方向值不值得跟基本靠两个笨办法一是看顶会最近三年哪些关键词反复出现二是看这些关键词背后反复出现的是哪几个人、哪几个组。这个方法笨但特别管用。因为一个方向从冷到热往往不是某篇论文突然爆了而是某个组持续三五年在同一个问题上磨磨到某个节点突然被工业界接住然后整个领域跟着转向。所以这篇东西不是那种“AI大佬名单”式的罗列而是我按自己的使用习惯整理的一份追踪地图。它解决的核心问题是当你想快速进入一个陌生方向或者想判断某个技术趋势是不是真趋势时应该优先看谁、看什么、怎么看。适合刚转方向的研究生、想跟前沿的工程师也适合像我这样需要定期更新认知的从业者。我自己的做法是把学者和组分成几类来跟奠基型的看他们的综述和早期论文攻坚型的看他们最近两年的实验设计工程落地型的看他们开源代码的迭代节奏。这三类跟法完全不同混在一起看容易浪费时间。下面我就按这个逻辑展开中间会穿插一些我踩过的坑和具体的追踪方法。2. 追踪学者与组的底层逻辑先分清你追的是什么2.1 三类学者三种跟法很多人一上来就列一堆名字然后挨个刷主页刷完发现啥也没记住。问题出在没分类。我自己的分类是这样的第一类是方向奠基者。这类人的价值不在最新论文而在他们十年前甚至二十年前写的东西。比如你想做生成模型那必须回头去看那些最早把概率图模型和神经网络结合的工作。这类学者的主页往往更新不快但他们的学生和合作者会散落到各个组里顺着这条线能摸到整个学术谱系。跟这类人重点看他们的综述文章和早期核心论文最新论文反而可以放一放。第二类是当前攻坚者。这类人通常处于产出高峰期每年稳定在顶会发多篇论文而且论文之间有明显的递进关系。跟这类人重点看他们最近两年的实验部分尤其是消融实验和失败案例分析。因为攻坚阶段的人最清楚哪里卡住了这些信息往往藏在论文的“局限性”章节或者附录里比正文还有价值。第三类是工程落地推动者。这类人可能论文发得不多但他们的开源项目迭代极快issue区讨论质量极高。跟这类人重点看他们的代码提交记录和版本更新日志。我试过追一个组两年发现他们每次大版本更新前都会在issue里预告方向比论文早半年到一年。注意这三类不是互斥的同一个人可能在不同阶段扮演不同角色。但你在追踪时一定要清楚自己当前需要的是哪类信息否则很容易被大量无关更新淹没。2.2 为什么不能只看论文引用量引用量是个滞后指标。一篇论文被大量引用往往是因为它发表时正好踩中了某个热点或者它提出的方法恰好容易被后续工作当作基线。但引用量高不代表这个组现在还在这个方向上活跃。我踩过的坑曾经追过一个引用量极高的组结果发现他们五年前就转方向了主页上挂的还是老论文。后来我改成看最近两年顶会的oral和spotlight论文再结合组里学生的毕业去向判断准确率高了很多。学生去哪了往往说明这个组当前的真实影响力在哪个方向。另一个指标是开源项目的star增长曲线。如果一个组持续维护开源项目star增长稳定说明他们的工程能力在持续输出。如果star突然暴涨然后停滞可能是某个营销事件带来的不代表持续价值。2.3 追踪频率与信息源组合我自己的节奏是每周花半小时扫一遍顶会接收列表每月花两小时精读三到五篇目标组的论文每季度花半天整理一次追踪名单。信息源组合是顶会官网的接收论文列表、组主页的publications页面、开源项目的release notes、以及学术社交平台上的讨论。这里有个小技巧很多组的主页更新不及时但他们的学生个人主页往往更新更快。我通常会先找到目标组里最近毕业或即将毕业的学生看他们主页上挂的“under review”或“in submission”论文这些往往比正式发表的早半年到一年。3. 按方向拆解几个值得持续关注的领域与对应组3.1 大模型基础架构方向这个方向过去几年变化极快从最初的Transformer变体到后来的稀疏化、混合专家、长上下文几乎每半年就有新东西。我持续在跟的几个组共同特点是实验规模大、消融实验扎实、开源程度高。具体来说我会关注那些在注意力机制改进和训练稳定性上持续发力的组。注意力机制改进方面重点看他们如何处理长序列下的计算复杂度以及如何在不损失性能的前提下降低显存占用。训练稳定性方面看他们如何解决大规模训练中的梯度爆炸、loss尖刺等问题这些经验在论文里往往一笔带过但在开源代码的issue区会有大量讨论。我自己的做法是把每个组的核心贡献和工程实现分开看。核心贡献看论文工程实现看代码。很多时候论文里写得云淡风轻代码里全是工程trick。比如某个组在论文里说“我们采用了简单的梯度裁剪”但代码里其实有一套动态调整策略这种细节才是真正值钱的东西。提示这个方向的组很多但真正持续输出高质量工作的其实就那么几个。判断标准很简单看他们过去三年是否每年都有至少一篇论文在顶会上被oral或spotlight接收并且开源代码有持续维护。3.2 多模态与跨模态方向多模态方向的特点是任务定义变化快从最早的图文匹配到后来的视觉问答、图像描述、跨模态检索再到现在的多模态大模型。跟这个方向的组重点看他们如何定义任务和如何构建评测基准。我观察到一个规律这个方向里真正有影响力的组往往不是那些在已有基准上刷到最高分的而是那些提出新基准或者重新定义任务的。因为刷分的工作生命周期很短但定义任务的工作会被后续大量工作引用。具体追踪时我会特别关注组里是否有专门做数据构建和标注的成员。多模态方向的数据质量决定上限一个组如果有人在持续做数据清洗和标注规范说明他们在认真做长期积累而不是追热点。另一个观察点是跨模态对齐方法的演进。从最早的对比学习到后来的生成式对齐再到现在的统一表示每个阶段都有代表性工作。跟这个方向时我会把不同阶段的代表性论文放在一起看观察方法演进的逻辑而不是孤立地看单篇论文。3.3 强化学习与决策方向强化学习这几年在工业界的落地比学术界更热闹但学术界的几个核心问题一直没解决样本效率、信用分配、探索与利用的平衡。跟这个方向的组重点看他们如何设计实验环境和如何评估泛化能力。我自己的经验是这个方向的论文一定要看实验部分的environment描述。很多论文在标准环境上表现很好但换一个稍微不同的环境就崩了。真正扎实的工作会在多个环境上做交叉验证并且会报告失败案例。另外这个方向里理论组和实验组的分工比较明显。理论组看他们的假设条件和证明思路实验组看他们的工程实现和调参技巧。我通常会两边都跟但不会混在一起看因为评价标准完全不同。注意强化学习方向的复现难度普遍较高跟这个方向时一定要看代码是否开源、随机种子是否固定、超参数是否完整。我踩过好几次坑论文里说“简单调参即可”结果自己复现时调了两周都没到论文水平。3.4 生成模型与扩散方向扩散模型从2020年左右开始爆发到现在已经衍生出大量变体。跟这个方向的组重点看他们如何改进采样效率和如何提升生成质量。采样效率方面从最初的几百步采样到后来的几十步、几步每一步改进背后都有明确的计算代价分析。我自己的追踪方法是把每个组的采样算法和训练目标分开看。采样算法决定推理速度训练目标决定生成质量。很多组在采样算法上做改进但训练目标还是沿用原来的这种工作的上限往往有限。真正有突破的工作通常是两者同时改进。另一个观察点是条件生成的进展。从最早的类别条件到后来的文本条件、图像条件、布局条件条件的形式越来越复杂。跟这个方向时我会特别关注组里是否有专门做条件编码的成员因为条件编码的质量直接决定生成结果的可控性。4. 实操如何建立自己的追踪系统并持续更新4.1 从零开始搭建追踪名单第一步确定你的核心方向。不要贪多一开始只选一个方向比如“大模型基础架构”或“多模态对齐”。第二步去最近一届顶会的接收列表里搜这个方向的关键词把出现三次以上的作者和组记下来。第三步去这些组的主页看他们最近三年的论文列表把论文标题里反复出现的关键词记下来。第四步根据这些关键词反向去搜其他组的工作扩充名单。这个过程我大概花了两个周末最后整理出一个二十个组左右的名单。名单不用太长关键是每个组你都能说清楚他们最近在做什么、核心方法是什么、开源代码在哪里。提示不要只依赖一个顶会。不同顶会的侧重点不同有的偏理论有的偏应用。我通常会同时看三到四个顶会的接收列表交叉验证。4.2 用表格管理追踪信息我自己的追踪表格包含这几列组名/学者名、所属机构、核心方向、最近三篇代表作、开源项目链接、最近更新时间、我的备注。备注列最重要记录我读论文时的疑问和观察比如“这篇的实验环境有问题”或“代码里有个trick论文没写”。表格不用太复杂关键是持续更新。我每周会花十分钟扫一遍名单里各组的更新有新论文就加到表格里有开源更新就记一笔。每季度做一次整理把不再活跃的组标记出来把新发现的组加进去。追踪维度具体内容更新频率论文发表顶会接收列表、arXiv预印本每周开源代码GitHub提交记录、release notes每周学生去向个人主页、学术社交平台每季度方向变化组主页研究方向描述每季度4.3 读论文的优先级排序名单建好后读论文要有优先级。我的排序是先读综述和position paper了解方向全貌再读最近两年的oral论文看当前最高水平最后读目标组的博士毕业论文看完整的研究脉络。博士毕业论文往往被忽略但其实价值很高。因为毕业论文会系统性地总结一个学生五年的工作包括失败的尝试和最终的成功路径。我读过几篇之后发现很多论文里没写的“为什么选这个方法而不是那个方法”在毕业论文的引言和总结章节里都有详细解释。注意读论文时一定要做笔记但不要抄摘要。我自己的笔记格式是问题是什么、之前的方法为什么不行、这篇的核心insight是什么、实验是否支撑这个insight、我能不能用。这五个问题回答完这篇论文就算读透了。4.4 从追踪到产出如何把别人的工作变成自己的追踪的最终目的是产出。我自己的做法是每读完一个组的系列工作就尝试用他们的方法解决我自己的问题。哪怕只是跑通他们的代码在自己的数据上试一下也能发现很多论文里没写的细节。比如有一次我追一个组的多模态对齐工作论文里说“简单的对比学习即可”但我自己跑的时候发现负样本的采样策略对结果影响极大。后来我去看他们的代码发现他们在采样时做了一个很隐蔽的过滤把太相似的负样本去掉了。这个细节论文里完全没提但却是效果的关键。所以我的建议是追踪到一定程度后一定要动手复现。复现的过程才是真正理解的过程。复现之后你甚至可能发现论文里的问题这时候你就从追踪者变成了贡献者。5. 常见问题与排查技巧实录5.1 追踪名单越列越长怎么精简这是最常见的问题。我的解决办法是按活跃度分层第一层是核心组每周必看第二层是相关组每月扫一次第三层是边缘组每季度看一眼。分层标准很简单过去一年是否有高质量论文发表、开源项目是否持续更新、组里是否有活跃的学生。如果某个组连续两个季度没有更新就降一层。如果连续一年没有更新就从名单里移除。不要舍不得信息过载比信息缺失更可怕。5.2 论文读不懂公式太多怎么办我的经验是先跳过公式看实验。很多论文的公式是为了形式化表达但核心思想在实验部分反而更清楚。先看他们做了什么实验、结果如何、和谁比再回头看公式往往就懂了。如果实验也看不懂那就看代码。代码是最诚实的论文里可能省略的细节代码里都有。我试过读一篇理论性很强的论文公式推了半天没懂后来去看代码发现核心就是一个简单的加权求和公式只是把这个过程写复杂了。5.3 怎么判断一个组是不是在灌水几个信号论文之间高度相似只是换了数据集或换了backbone实验只报最好的结果没有消融和失败案例开源代码质量差没有文档、没有测试、issue不回复学生毕业去向差说明组里培养质量不高。反过来扎实的组通常有这些特征论文之间有明显的递进关系、实验部分有详细的消融和局限性讨论、开源代码有完整的文档和测试、学生毕业后去往一线机构或继续做相关方向。5.4 工业界和学术界的组怎么区分对待工业界的组通常工程能力强、计算资源多、迭代速度快但论文可能偏应用理论深度不够。学术界的组通常理论扎实、实验严谨但计算资源有限实验规模可能不大。我的做法是方法创新看学术界工程落地看工业界。学术界提出的新方法往往需要工业界的大规模验证才能确认价值。工业界遇到的工程问题往往需要学术界的理论工具才能解决。两边都跟但带着不同的问题去看。提示工业界的组不一定发论文但他们的技术博客和开源项目往往比论文更有价值。我追过几个工业界的组他们的技术博客里详细记录了工程踩坑过程这些内容在学术论文里几乎看不到。5.5 追踪过程中容易犯的几个错误第一个错误是只看名字不看方向。同一个名字可能在多个方向都有工作但质量参差不齐。一定要看他们最近三年的主要方向是什么。第二个错误是忽略学生的工作。很多重要工作其实是学生做的但学生毕业后可能换方向了。跟组的时候要同时跟组里活跃的学生因为学生才是产出的主力。第三个错误是不记录不整理。追踪了半年回头一看啥也没留下。一定要有表格、有笔记、有定期整理。我自己的表格已经更新了三年现在翻回去看能清楚看到每个方向的演进脉络。第四个错误是只追热点不追基础。热点变化快基础变化慢。但基础的东西往往生命周期更长。我自己的比例是七成时间追当前热点三成时间补基础。这样既能跟上最新进展又不会在热点退潮后一无所获。5.6 一个具体的排查案例有一次我追一个组的新论文发现他们在某个基准上比之前的工作高了五个点。我第一反应是怀疑因为那个基准已经很久没有大幅提升了。我去看他们的实验设置发现他们用了更大的模型和更多的训练数据。这本身没问题但他们在论文里没有明确说这一点而是把提升归因于方法改进。我的排查步骤是先看他们的代码确认模型大小和数据量再看他们的消融实验确认方法改进的独立贡献最后自己跑一遍基线用同样的模型大小和数据量看方法改进是否还有提升。结果发现方法改进的独立贡献只有不到一个点其余提升都来自规模。这个案例告诉我看论文一定要看实验设置的公平性。很多论文的“提升”其实来自不公平的比较而不是方法本身。排查方法就是控制变量自己动手验证。6. 我自己的追踪习惯与工具组合6.1 日常信息流怎么组织我每天早上花十五分钟扫一遍arXiv的cs.LG和cs.CL新论文只看标题和摘要把感兴趣的标记出来。每周花一小时精读标记的论文通常三到五篇。每月花两小时更新追踪表格整理笔记。每季度花半天做一次全面回顾调整追踪名单。工具方面我用文献管理工具存论文和笔记用表格工具管理追踪名单用代码仓库存复现实验。三个工具之间用链接关联点开一个组的名字能直接跳到他们的论文、代码和我的笔记。提示不要用太多工具工具越多越容易分散精力。我试过同时用五六个工具结果每个都只用了皮毛。后来精简到三个反而效率更高。6.2 怎么保持持续追踪的动力追踪是个长期活容易半途而废。我的办法是把追踪和产出绑定。每读完一个组的系列工作就写一篇简短的总结发在自己的笔记里。总结不用长几百字就行关键是用自己的话把核心思想讲清楚。另一个办法是找同路人。我有一两个朋友也在做类似方向的追踪我们每个月会交流一次各自分享最近看到的好工作。交流的过程本身就是整理和深化的过程而且能发现一个人容易忽略的东西。6.3 追踪到什么程度算够这个问题没有标准答案但我的经验是当你能对一个方向的历史脉络、当前瓶颈、未来可能突破点说出自己的判断时就算够了。这个判断不一定对但必须是你自己的而不是复述别人的观点。具体来说如果你能回答这三个问题就说明追踪到位了这个方向过去五年最重要的三个进展是什么、当前最大的瓶颈是什么、如果让你选一个点突破你会选哪里。这三个问题能答上来你就已经超过大多数人了。最后分享一个小技巧定期回看自己半年前的笔记。你会发现当时觉得很重要的工作现在可能已经忘了当时忽略的工作现在可能变得很重要。这种回看能帮你校准自己的判断力也能让你更清楚哪些是真正的趋势哪些只是噪音。