博士生用AI发表1区TOP实战记录01期:不要让他直接帮你写论文或者找Idea

AI科研实战录/VOL. 01

一篇真实科研讨论的复盘：先解决问题，再讨论创新。

“那我这篇论文合理吗，还是说也必须再考虑循环移位产生多峰呢？”

一条真实提问，成为这次讨论的起点。

这是前段时间，我在和 ChatGPT 讨论 OFDM 信号处理问题时提出的一个疑问。

当时，我们正在分析导频分布对信号估计性能的影响。随着讨论逐渐深入，我发现一个看起来已经比较清楚的问题，在改变接收条件之后，可能需要完全不同的分析方法。于是，我又追问：

“那如果用我这篇论文相同的导频，先进行全局盲捕获，是否需要考虑多峰呢？”

这两次提问，是我日常使用 AI 开展科研的一个缩影。

我很少一开始就让 AI 帮我找创新点，而是先提出一个具体的技术问题，再通过不断讨论、质疑和推导，寻找它背后真正值得研究的内容。

这个过程中，我会反复修改最初的想法，也会要求 AI 解释某个结论为什么成立，甚至主动寻找反例来推翻之前的推导。

有时候，一个看起来不错的创新想法，经过几轮讨论就会发现并不成立；但也有时候，一个原本很小的技术疑问，反而能够引出更加深入的理论问题。

从这一期开始，我准备结合自己的真实科研经历，分享如何利用 AI 进行科研选题、创新性讨论、数学建模、公式推导、仿真验证，以及学术论文的撰写与修改。

第一期，我们先聊聊：一个科研想法，是如何通过与 AI 讨论，逐渐变成具体科学问题的。

01｜我不建议一上来就让AI帮你找创新点

现在很多研究生已经开始使用 AI 辅助科研。有人用来翻译文献，有人用来润色论文，也有人直接输入：“我是做无线通信的，帮我想几个能够发表 IEEE TWC 的创新点。”

AI 通常能够很快给出几个研究方向，附带复杂的算法名称、技术框架，甚至详细的实验方案。但这里有一个问题：AI 能够快速生成一个看起来具有创新性的方案，并不意味着这个方案真的有创新。

尤其是在通信与信号处理领域，很多看起来不同的技术问题，可能已经被经典估计理论、信息论或者优化理论研究过。如果缺少足够的文献对比，很容易把已有方法的简单组合当成新的研究贡献。

因此，我更习惯从自己熟悉的领域出发，先提出一个具体的技术问题。比如：某个已有算法在改变系统条件后是否仍然成立？一个理论表达式是否忽略了某项重要误差？

某种信号设计在局部性能上表现很好，为什么在更大范围内可能出现问题？

这些问题看起来没有那么宏大，却往往更容易开展深入的数学分析。

02｜从一个简单的 OFDM 导频问题开始

前段时间，我在分析 OFDM 信号的导频设计。熟悉 OFDM 的同学应该知道，导频通常用于信道估计、时间同步以及其他参数测量。

为了降低资源开销，我们往往不会在全部子载波上放置导频，而是采用一定的稀疏分布。

比如，考虑下面一个简单的导频分布：

p = [1, 0, 0, 1, 0, 0, 1, 0]

其中，1 表示对应子载波上存在导频，0 表示没有放置导频。这种结构很容易建立数学模型。

但随着讨论深入，我开始关注一个问题：如果导频在频域按照一定间隔分布，会不会在时延域出现多个较强的相关峰？

从信号处理的角度看，频域导频分布与时延域相关响应之间存在傅里叶变换关系。当导频具有规则的间隔结构时，时延域可能出现周期性或近周期性的模糊峰。

不过，需要区分两个问题。第一种情况是局部精细估计：假设接收端已经知道信号大致到达的时间，只需要在一个较小的范围内估计精确时延。

此时，我们主要关注局部估计误差、噪声敏感性，以及 Fisher 信息和 CRLB 等性能指标。

第二种情况是全局盲捕获：如果接收端完全不知道信号的到达时延，需要在较大范围内进行搜索，那么问题就不一样了。除了真实时延附近的峰值，还可能存在其他较强的候选峰。

接收端如果选择了错误峰值，即使某个峰附近的局部估计精度非常高，也无法得到正确的全局时延。

这就引出了一个值得注意的区别：局部估计精度高，不代表全局捕获一定可靠。需要强调，这并不意味着规则导频一定不合理。

具体结论还取决于导频集合、搜索范围、先验时延信息，以及是否存在其他信号辅助消除模糊性。

但至少说明，评价一个信号设计时，必须明确它究竟服务于什么接收任务。这也是为什么我在讨论中不断追问 AI：如果我只是做局部估计，需要考虑多峰吗？

如果使用相同的导频进行全局盲捕获，结论是否会发生变化？

图1｜对话内容整理示意：保留真实提问。

03｜真正有价值的讨论，是不断追问“为什么”

当一个具体问题逐渐明确后，我通常会让 AI 从最简单的数学模型开始分析。例如，对于 OFDM 导频的时延估计，可以先忽略多径和多普勒，考虑一个理想化的单径信号模型：

在适当的信道及噪声假设下，可以根据候选时延构造匹配相关函数：

这个表达式揭示了导频频域位置与时延域相关响应之间的关系。

为了更直观地理解，我们还可以构造一个具有严格周期性的例子。假设共有 12 个子载波，导频位于 P={0,3,6,9}，也就是每隔 3 个子载波放置一个导频。

在理想离散时延模型中，其相关函数在多个位置可能同时达到峰值。

图2｜蓝色为导频位置。在理想单径、等幅导频条件下，全局离散时延搜索出现多个等高相关峰。

这说明：同样的导频结构，为什么在局部估计和全局捕获中会产生不同的性能问题？原因就在于两类问题的评价目标不同。

局部估计更关注真实参数附近的估计精度；全局捕获还需要考虑不同候选参数之间能否被正确区分。

当然，这只是一个非常简单的教学示例。真实系统还需要进一步考虑有限导频长度、导频幅相设计、数据子载波、多普勒失配、多径传播以及噪声等因素。但一个科研问题，就可以沿着这些因素继续深入。

例如：如何同时评价局部估计精度与全局捕获可靠性？是否能够通过调整导频位置降低模糊峰，同时保持较高的估计精度？当导频资源受到限制时，两类性能是否存在可以解析刻画的权衡关系？

如果引入多普勒和多径，原来的性能结论是否仍然成立？

这些问题是否具有论文级创新，还需要经过文献检索和严格论证。但相比直接让 AI 生成一个新算法，从已有模型出发，逐步寻找变量之间尚未明确的关系，通常更有利于形成扎实的理论研究。

04｜我更喜欢让 AI 陪我一步步推导，而不是直接给答案

在实际科研中，我发现一种很常见的使用误区：只要遇到一个数学问题，就直接让 AI 推导最终结果。例如：“帮我推导该系统的 Fisher 信息矩阵和 CRLB。”

AI 可能在很短的时间里输出十几个公式，而且每一步看起来都非常合理。

但这些公式是否适用于当前问题？如果信道增益未知，应该如何处理这个干扰参数？如果观测噪声存在相关性，原有的 Fisher 信息表达式是否仍然成立？

如果采用不同的参数化方式，结果是否一致？这些往往是决定推导是否正确的关键。

因此，我更习惯采用逐步讨论的方式：先明确观测模型和需要估计的参数，再检查信道、噪声和参数先验假设；接着让 AI 写出似然函数，并解释每一项的物理意义；随后再推导 Fisher 信息矩阵，必要时通过 Schur 补消除干扰参数；最后检查公式的特殊情况，并与经典结果进行对比。

在这个过程中，我会经常要求 AI 重新检查某一个推导步骤，或者从另一个角度进行验证。如果某个数学关系无法解释清楚，我一般不会急着把它写入论文，而是先回头检查建模假设。

因为在理论研究中，一个建立在错误假设上的复杂公式，价值可能远不如一个物理意义清晰的简单结果。而且，AI 自己检查自己的推导并不能替代独立验证。

重要的数学结论仍然需要手工验算、符号计算、数值实验以及已有文献的交叉核对。

05｜我的 AI 科研工作流：从问题到论文

回顾这段时间的科研讨论，我发现自己的使用方式基本可以归纳为六个步骤。

这六个步骤并不是固定不变的。实际研究中，经常需要反复回到前面的步骤。

比如推导时发现假设不合理，就需要重新建立模型；发现已有文献已经得到类似结果，就需要重新评价原来的创新性判断；甚至有时候，经过多轮讨论之后，最终发现最初的想法并不值得继续研究。

我认为，这也完全正常。AI 帮助我们更快地识别不值得投入的方向，本身就是科研效率的提升。

第一步：提出具体问题不要求 AI 直接生成创新点，而是从真实的系统现象、性能矛盾或者已有方法的不足开始。

第二步：讨论问题的可行性让 AI 分析问题可能涉及哪些经典理论，哪些条件是必要的，哪些假设可以适当简化。

第三步：逐渐收敛科学问题通过反复讨论，明确研究对象、关键变量及需要揭示的理论关系。

第四步：逐步建立数学模型从简单模型出发，逐步加入实际系统约束。每次只推进一个关键推导环节，并检查其适用条件。

第五步：判断创新性与验证理论结论通过文献对比、理论分析、数值实验和特殊情况检验，判断得到的结果是否具有新的研究价值。

第六步：形成论文在模型、理论和实验比较充分之后，再利用 AI 辅助论文结构设计、学术表达、图表整理以及审稿意见分析。

图3｜AI辅助科研工作流。实际研究允许从后续步骤返回并修正前面的假设。

06｜AI 时代，真正重要的科研能力是什么？

现在的 AI 已经能够帮助研究者完成很多工作。它可以快速解释一个数学概念，可以提供不同的建模思路，也可以帮助我们检查代码、整理公式和修改论文语言。这些能力确实能够节省大量时间。

但我并不认为，AI 能够生成复杂公式，就意味着科研人员不再需要扎实的理论基础。恰恰相反，当每个人都能够比较容易地获得算法框架和数学推导时，真正决定研究质量的，反而是一些更基础的能力。

能否发现一个值得研究的问题？能否判断一个技术想法与已有方法的本质区别？能否发现推导中隐藏的不合理假设？能否解释一个数学结果对应的物理机制？能否设计严谨的实验验证自己的理论结论？

这些能力不会因为 AI 的出现而失去价值。对我而言，AI 最重要的作用，不是帮我直接生成一篇论文，而是让我能够围绕一个问题开展更充分、更连续的思考。

一个想法不成熟，可以继续讨论；一个模型不合理，可以重新建立；一个公式有疑问，可以反复检查；一个方向缺乏创新性，也可以尽早放弃。

AI 可以提高科研探索的速度，但真正决定科研深度的，仍然是研究者提出问题、分析问题和判断问题的能力。

这也是我准备持续分享这个系列的原因。下一期，我们继续讨论一个更加实际的问题：《一个普通的科研想法，如何与 AI 讨论出创新点？》

欢迎交流

你平时最常让 AI 帮你做什么？查文献、找创新点、推公式，还是写代码？欢迎在评论区交流。

AI科研实战录