科研高手与普通人的区别，不在于获得好数据的能力，而在于从坏数据中提取真知的能力。-AI Express News

在我研究生的这两年半里，我花了很长的时间去读懂文献，拆分科研框架，学习科研套路。

我学会了怎么从0开始搭建课题，怎么一步步从表型深入机制研究。看到其他文献也能很快总结出它的研究思路、重点实验结果、主要创新点、以及我可以借鉴的地方。

读懂科研套路之后，我以为我取得了巨大的突破，但过了一段时间之后我又犯难了。文章里的图都很漂亮，自己的结果一对比，真是一塌糊涂。为什么做不出来别人文献里那么棒的实验结果？

从这个时候开始，我在领悟科研上取得了第二个质的飞跃：不光要会看差异显著的好结果，还要知道什么是完全否定假设的结果，什么是能支持假设的具有一定可靠性的结果，什么又是似是而非需要重复再做做的结果。

领悟到这一点之后，我不再那么急迫了。我明白了科研非常需要经验，需要时间去积累。我也不觉得自己研一是走了很多弯路，一切的领悟都是需要时间的，即使我读懂了科研套路，但我照样无法精准判断结果的可靠性。就释怀了。

一切情绪波动都是源于认知不够。当我看到科研的认知突破后，原来困扰我的问题，让我盲目自信和萎靡不振的点都不攻自破了。

科研高手与普通人的区别，不在于获得好数据的能力，而在于从坏数据中提取真知的能力。

我们从文献中学习怎么做科研，总是从好数据中找结论，这留下了一个巨大的bug---我们不知道怎么处理坏数据。

一做出坏数据心情就不好，觉得实验失败了。很多人因为这些“负反馈”退出科研界，不再读博，也不想做研发技术员。

而这一点恰恰是一个分流的关键思维点：我怎么打造这种稀缺的"学术炼金术"？如何科学地利用不完美数据推动认知边界，而这种思维也是很多人欠缺的，从噪声中提取信息的能力。

比起去看完美的结果，不如我们换一种逆向思维：如何识别可疑的科研成果？建立一种批判性思维，不完全相信文章的结论，去找茬！

而这种找茬，最终会训练出所谓的 taste---学术品位，培养出学术鉴赏力。

共勉！

文章版权归作者所有，未经允许请勿转载。

THE END

科研高手与普通人的区别，不在于获得好数据的能力，而在于从坏数据中提取真知的能力。