AI论文中的novelty如何评价？

这是很多刚做AI科研的人最困惑的问题。因为导师经常说“这个工作没有novelty。”但又说不清到底差在哪里。结果学生改了半个月还是被一句“创新性不足”打回来。其实AI论文里的novelty并不是“别人没做过”。而是别人没这样做过并且这样做确实带来了新的价值。这两句话缺一不可。最低级的novelty换模块这是很多新手最容易掉进去的坑。比如原来模型用Attention。你改成Mamba。原来用ResNet。你改成ConvNeXt。然后性能提升0.3%。论文标题《一种新的XXX方法》。说实话。现在顶会审稿人看到这种工作已经非常敏感了。因为这类工作太多。很多时候属于换了零件。没换思想。创新性有限。中等级别的novelty发现新问题我觉得很多优秀论文真正厉害的地方不在方法。而在问题。举个例子。以前大家都在追求模型准确率。后来有人提出为什么准确率提高了鲁棒性反而下降于是出现鲁棒学习方向。以前大家都在做大模型。后来有人提出为什么模型越大越容易幻觉于是出现大量对齐研究。很多经典论文最开始甚至没有复杂模型。只是提出了一个别人没注意到的问题。这其实已经是一种很强的novelty。更高层的novelty新视角这是顶会特别喜欢的东西。同一个问题。别人都从A角度研究。你从B角度解释。例如推荐系统以前关注点击率。后来有人从因果推断角度研究推荐。同样是推荐。但视角变了。整个研究方向都可能变。这种创新往往比堆模型更值钱。顶级novelty建立新范式这种比较少见。例如Transformer提出之后改变了NLP。后来扩展到CV、语音、多模态。再比如Diffusion Model直接重塑生成模型路线。这种属于改变游戏规则。大部分博士毕业都未必能碰到一次。所以不要把它当目标。一个很现实的问题很多学生评价novelty的方法是“我没见过所以有创新。”这其实很危险。因为你没见过。不代表别人没做过。AI领域一年几十万篇论文。靠记忆判断创新性基本不现实。真正靠谱的方法是先做文献调研。然后问自己三个问题。第一别人解决过这个问题吗第二别人是怎么解决的第三我的方案相比现有方法到底多了什么如果第三个问题回答不出来。大概率创新性就比较弱。审稿人怎么看novelty很多新手以为审稿人在看“这个模块新不新”实际上他们更关心“为什么需要这个模块”如果你只是堆结构。创新性一般。如果你能证明现有方法存在缺陷。你的设计专门解决这个缺陷。并且实验验证有效。即使模型不复杂。审稿人也可能认可。我觉得现在AI论文最大的误区不是创新太少。而是大家把创新理解成了“复杂”。于是出现模型越来越大。结构越来越长。公式越来越多。结果核心思想一句话讲不清。反而很多真正有价值的论文。核心贡献三句话就能说完。所以评价一篇AI论文的novelty我最喜欢一个简单标准如果把模型细节全部删掉你的核心想法还能不能让别人觉得“这个角度挺有意思”。如果能。大概率有novelty。如果不能。那可能只是工程优化而不是创新。