选题：如何找到值得做的问题

问题来自：已有方法的失败案例、论文的 limitation 与 future work、两个领域的交叉、新的数据/硬件/场景、假设的放松、实践中的痛点、理论与实证的矛盾。本章逐一举例，并说明每种来源的典型风险。

七个问题来源

问题不会凭空出现。以下七个来源覆盖了绝大多数好问题的出处，各有各的操作方法与典型风险：

来源	操作方法	典型风险
① 已有方法的失败案例	找到"某方法在什么条件下失效"的报告或复现尝试	容易做成纯工程修补
② 论文的 limitation 与 future work	扫读顶会论文的讨论章节，汇总反复出现的限制	Future work 里的问题通常是作者觉得难或不重要的
③ 两个领域的交叉	关注同一问题在两个领域被不同工具解决的方式	容易新颖，但需要两边都懂，评审也可能来自两边
④ 新的数据 / 硬件 / 场景	跟踪新数据集、新硬件、新应用场景的出现	机会窗口短，竞争密集
⑤ 假设的放松	找出方法论文的隐含假设，逐一问"如果不成立会怎样"	放松后的版本可能没人关心
⑥ 实践中的痛点	与工业界、用户、开源社区交流，记录反复抱怨的点	最容易有影响，但最难发表：评审可能认为"太工程"
⑦ 理论与实证的矛盾	实证结果与已有理论预测不一致之处	需要两边的能力才做得动

失败案例与 limitation（①②）：最好的输入是被拒论文的审稿意见和复现研究的负面结果——它们记录了社区共同承认"不清楚"的地方。读论文时专设一个"问题清单"，遇到 limitation 与 future work 就记下出处与一句话描述。
交叉（③）：不要跨太远。最可行的交叉是"共享一个问题，但工具不同"的两个领域，例如 NLP 与 HCI（人如何与语言模型协作）。两边术语体系的差异是第一道坎，先各自读对方的入门综述。
新资源（④）：新数据集、新硬件出现的头一两年是窗口期。判断标准是：这个资源是否让此前不可检验的问题变得可检验？
假设放松（⑤）：读方法论文时把隐含假设显式列出来（同分布、独立、无噪声标注、固定算力……），逐条问：这个假设在真实场景里成立吗？不成立时方法如何退化？
实践痛点（⑥⑦）：来自实践的问题影响力最大，但要用学术的证据标准重新表述它，才能发表（见研究空白与"增量"的边界）。

单一来源的问题往往拥挤（很多人同时看到同一个 future work），两个来源的交叉点竞争更少。例如"④ 新场景 × ⑤ 假设放松"：当预训练模型进入新领域，旧方法依赖的假设失效——这类问题既有清晰的新颖性论证，又有明确的动机。