每年本科生或研一学生刚进入实验室，我都发愁。一是不了解他们的兴趣点在哪里，二是他们到底擅长做什么？
任凭他们的想法，那80%以上都是要选人工智能（AI）和深度学习（DL）的。因为，这个方向很宽泛，也很热，特别是未来“好”就业。
如果这样的话，那信息技术（IT）领域培养的学生就变成了千遍一律，大部分毕业生就成了数据标注师，代码测试和调参工程师。
我们不能否认科研新手的现有想法，毕竟以他们目前现有的对科研的认知，听得多的、见得多的就是人工智能（AI），对其他机理性、基础性需要花大量时间和精力的研究不感兴趣。而且现在国际、国内组织的很多针对本科生、研究生的科技竞赛，也都聚焦于利用AI解决问题。
不仅如此，很多的年轻教师，申请项目也都不自觉的把利用AI解决问题作为了自己的主要方向。因为，作为基础研究，特别是基金申报实在是不清楚自己的研究该往哪里走，才能得到同行认可。
在机器视觉领域，你发表的论文和申报的课题，如果不涉及深度学习，估计很大程度上是要被判死刑的。至少，你的概述和引言里要综述前沿和“新”技术，展望里要对前沿AI技术的讨论。否则，一定是需要给予充分的理由和解释的。
如今，学生跟你讨论选题时，基本上把研究方向分成了两大类：非深度（经典）方法和深度学习。
AI是个好东西，我们绝不能排斥。但只知道AI，不深究物理机理，那我们的基础研究路在何处，解决“卡脖子”的根又在哪里。
每年国际上机器视觉顶会发表了无数论文，除了公开数据集上能跑出几个百分点的好成绩，有几篇是用了实际场景测试的，几乎没有。
学生毕业论文也好，发表论文也罢，只要遇到主题为神经网络、深度学习类的论文，几乎没法评判其创新和价值到底在哪里。
因此，作为研究生，我们不能只知道深度（实则不深）学习，还需要知道物理机理和知识的广度。
总之，我建议的研究生选题，一定是基于解决问题的机理基础上的深度研究，而不是仅利用神经网络玩搭积木游戏。
长按/扫一扫二维码，敬请关注“闻道研学”
相关博文：
[1]选题
[2]谈谈工科研究生选题
[5]研究生文献阅读那些事
