想做AI科研?先看懂这4个方向

如果你准备申请AI方向的硕博,有一件事越早想清楚越好:

🚀 怎么获得一段有分量的科研经历?

如果你现在要选一个AI方向作为未来3-5年的主战场,有哪些选项,以及怎么判断哪个适合你。

我们用"顶会"作为坐标。原因很简单:对于科研方向来说,顶会是这个领域真正在发生什么的地形图。课程会过时,综述会注水,但顶会每年的录用论文不会骗人——它告诉你这个方向现在有多少人在做、做到了哪一步、谁的组在出货、谁的组只是在挂名。

AI领域目前最值得本科生/硕士生关注的方向有四个,分别对应三个最硬的顶会:

1. LLM/NLP：门槛最低，上限最高

如果用一句话概括2025-2026年这个方向的主线:让大模型从"会说话"变成"能干活"。

具体到细分赛道，可以粗略分成四块:

1️⃣ 基础模型(预训练、架构改进、scaling law)、

2️⃣ post-training(SFT、RLHF、DPO这些把模型调教成可用形态的技术)、

3️⃣ 对齐与推理(让模型不胡说、让模型会思考)、

4️⃣ Agent(让模型能调工具、能规划、能完成长任务)

这里有个对申请者非常重要的判断:预训练这条线对学生几乎已经关闭。能玩得起预训练的实验室全世界不超过20个,而且大部分进展发生在工业界(OpenAI、Anthropic、Google DeepMind、字节、DeepSeek、Qwen)。

学生能切进去的口子主要是后三块——尤其是post-training、推理、Agent。这三块对算力的要求更友好,而且每年顶会都在大量出新工作。

三大顶会性格差异

NeurIPS最老牌、最综合,体量也最大(每年录用论文超过3000篇)。理论、应用、各种子方向都收。如果你只能投一个会，投NeurIPS。

ICML比NeurIPS更偏"硬核ML",理论权重更大,审稿口味也更挑算法新意。做reasoning、做optimization、做scaling law这类工作的人偏爱ICML。

ICLR最年轻,但因为open review机制和对深度学习的早期押注,反而成了大模型时代节奏最快的会。很多重要的LLM工作首发在ICLR。如果你想看这个方向最新发生了什么,刷ICLR的OpenReview比刷arXiv还有信号。

申请的时候,如果一个PI最近两年在NeurIPS/ICML/ICLR上有稳定产出,基本可以认为他还在一线;如果只有workshop或者更早的论文,要谨慎。申请这个方向,本科要准备什么

最低门槛：扎实的深度学习基础 + 至少一段用过大模型做实验的经历。这个"实验"不要求多大,可以是post-training一个7B模型做某个特定任务、可以是用LLM做Agent解决一个垂直问题、可以是复现一篇ICLR论文并做出有意义的改进。

强画像：有一篇arXiv或者workshop论文。LLM/NLP方向这两年的卷度,使得"无论文的本科生"申请top校PhD几乎不可能。哪怕是个一作的workshop,也比纯GPA有用。

2. CV/Multimodal：工程量大、benchmark清晰

CV正在经历一次重要的范式转移。

老CV(2012-2020)的主战场是分类、检测、分割,代表是ResNet、Mask R-CNN这一系。这部分的SOTA已经卷到每年提升0.几个点,作为科研主线性价比已经不高。

新CV(2021至今)的主战场至少有四块:

1️⃣ 多模态大模型(把视觉接到LLM上,从CLIP到现在的VLM)

2️⃣ 生成式模型(图像/视频生成,Diffusion Transformer系)

3️⃣ 3D视觉与世界模型(从图像理解3D结构、生成可交互的3D场景)

4️⃣ 具身视觉(给机器人提供视觉,和Robotics方向高度重叠)

三大顶会性格差异

CVPR:每年一次,体量最大,通常6月在北美开。是CV的"奥运会",一篇CVPR一作几乎是申请top校CV方向PhD的标配。

ICCV:每两年一次(奇数年),国际化程度高,2025在夏威夷、2027预计在欧洲或亚洲。审稿口味略偏研究新意。

ECCV:每两年一次(偶数年,和ICCV错开),欧洲举办,体量小一些但常被认为是三大会里"最有思考感"的一个。

对申请者来说:CVPR是年度节奏,投稿截止一般在11月初,新人最容易切入。ICCV和ECCV错开年份,意味着你几乎每个夏天都有一个顶会可以盯。申请这个方向,本科要准备什么

CV方向的好处是"上手路径清晰":PyTorch + 一两个经典benchmark + 复现一篇顶会论文 + 在它基础上做一个改进,这条路是走得通的。

最低门槛:扎实的PyTorch、看过至少20篇近两年的CVPR论文、能跑通一个完整的训练-评估pipeline。

强画像:有一个能拿出手的项目,不只是复现,而是有自己的改进点和实验对比,最好能跑到一个benchmark的SOTA附近。

CV方向比LLM方向"对工程能力的奖励更高",代码写得漂亮的本科生在这里更容易出头。

3. System/AI Infra：门槛最高，回报最确定

LLM时代,算法的边际收益在递减,基础设施的边际收益在递增。让模型训练快10%、推理便宜30%、显存利用率提高一倍——这些工作在今天的价值不亚于发明一个新的模型架构。

这个方向的主战场:

1️⃣ LLM推理优化(vLLM、SGLang、TensorRT-LLM这一系)、

2️⃣ 分布式训练(Megatron、DeepSpeed、FSDP)、

3️⃣ GPU kernel与编译器(Triton、FlashAttention、MLIR这一系)、

4️⃣ ML系统调度与serving、训练数据系统

一个诚实的提示:这个方向是四个方向里"工业界主导"程度最高的。学生能做出有影响力的工作,几乎都需要和工业界合作或者在工业界实习。这不一定是坏事——意味着这个方向的实习机会和就业出口都极强——但意味着纯学术路径会比较窄。

三大顶会性格差异

SOSP:两年一次(奇数年),系统领域最顶尖的会,录用率经常在个位数。一篇SOSP一作在系统界的分量,接近一篇CVPR一作在CV界的分量但更稀缺。

OSDI:两年一次(偶数年),和SOSP互补,声誉相当。

NSDI:每年一次,偏网络系统,门槛比SOSP/OSDI低一点但仍是顶会。

需要补充一个:MLSys(每年一次,2018年开始办),是专门为ML系统方向设立的会。单看声望不如SOSP/OSDI,但对做ML系统的学生来说,MLSys的相关性更高。还有ASPLOS、ATC也是这个圈子的重要会议。

对绝大多数想做ML系统的学生而言,现实目标是MLSys/NSDI,SOSP/OSDI是冲刺目标。申请这个方向,本科要准备什么

硬技能:

扎实的C++(不是LeetCode的那种,是写过一个有规模的系统的那种)

真正学过操作系统、计算机网络、计算机体系结构(不是水过去的那种)

GPU编程基础(CUDA / Triton)

分布式系统的基本概念

如果你前三年没认真学过系统课、没写过C++项目、没碰过CUDA,这个方向的转入成本会非常高。

一个可行的起步项目:给vLLM、SGLang这种开源LLM serving框架贡献一个有意义的PR。这比写一篇综述论文管用一百倍。

4. Robotics/Embodied AI：周期最长，变革最深

Robotics正在经历自己的"GPT时刻"。

传统机器人是三段式pipeline:感知 → 规划 → 控制,每段都靠精心设计的模块。这套体系正在被端到端的"大模型策略"替代,代表就是VLA(Vision-Language-Action)——一个模型直接吃图像和指令,输出动作。

2025-2026年这个方向的几条主线:

1️⃣ VLA与机器人基础模型: Pi-0、RT-2、OpenVLA这一类工作的延续

2️⃣ 人形机器人: Unitree、Figure、Boston Dynamics、宇树、智元、银河通用这一波,把整机平台门槛拉到了学生有可能接触的程度

3️⃣ Sim-to-Real: 在仿真里训练、在真实世界部署,Isaac Sim、MuJoCo是主战场

4️⃣ 机械臂操作与触觉: dexterous manipulation仍是没解决的硬骨头

5️⃣ 世界模型: 让机器人在脑子里"预演"动作

三个顶会的性格差异

ICRA: 每年一次,机器人领域体量最大的会,IEEE主办,覆盖从控制、机械设计到学习的全光谱。

IROS: 每年一次,体量第二大,也是IEEE,国际轮转明显。

RSS (Robotics: Science and Systems): 每年一次,体量小、单轨、不并行,每篇paper都被严肃对待。是学术界最喜欢的机器人会。

需要补充一个:CoRL(Conference on Robot Learning,每年一次,2017年开始办),是ML味道最浓的机器人会,VLA、机器人基础模型这类工作很多首发在CoRL。如果你做"学习驱动的机器人",CoRL的相关性可能高于IROS。

理想画像:

ML基础(PyTorch、RL基本概念)

控制论基础(至少学过控制系统、最优控制更好)

仿真平台经验(MuJoCo、Isaac Sim至少用过一个)

至少一个项目让机器人(真实或仿真)完成一个非平凡任务

如果你只懂ML、对控制一无所知,这个方向的入门会比较吃力。反过来,如果你有机械/自动化背景再补ML,反而是这个方向的优势画像。

选好方向，下一步呢？

硕博申请最核心的就两件事: 一段有分量的科研,和一篇讲清楚你是谁的文书。

科研选对方向和组,胜过多发两篇论文。我见过太多优秀本科生的情况是:海投了几十个实验室,要么没回音,要么进去之后发现导师不带人、组里没产出,三到六个月白浪费。问题不在能不能进实验室,在于你根本没法判断哪个组值得进。

你需要的不是有人帮你写文书，是有人帮你看清楚你的故事里什么细节能真正体现你是谁。文书最常见的坑,是写成简历的扩写版："我参加了XX项目,担任了XX角色,获得了XX成果"——这种文书招生委一年看几千份，记不住你是谁。真正决定成败的是storyline:你的经历串起来要讲一个什么故事、指向一个什么方向、为什么是你,而不是另一个GPA比你高的人。

所以，如果你已经选好了AI方向、只想在一个地方寻求帮助，我的建议是:

科研方向的判断 + 文书storyline的梳理

路径A | 科研 + 文书
适合还没有真正算数的科研经历的学生。我们用持续积累的PI网络帮你判断方向、争取内推机会、起草真的会被回复的套瓷信,把"零科研"变成"一段在Top实验室的真实经历",再把这段经历翻译成你的申请文书。
路径B | 单独文书
适合科研已经过硬的学生。不补背景,只做叙事——所有storyline由创始人亲自把关。

想要咨询AI细分方向的同学

欢迎领取专属自己的科研方案：

【dylanmiao7】