近年来，随着以DeepSeek为代表的大模型技术迅猛发展，人工智能正以前所未有的速度重塑科研生态。大模型凭借其强大的数据处理能力、知识整合能力和跨领域迁移能力，为科学研究提供了全新的工具和方法论，正在深刻改变传统科研模式。由中国计算机学会（CCF）主办，CCF学生分会工作组、CCF YOCSEF广州分论坛，香港科技大学（广州）以及CCF广州分部联合指导CCF中山大学学生分会，CCF华南农业大学学生分会，CCF广东工业大学学生分会，特别举办了“走进港科广：DeepSeek浪潮下的AI科研新思路（学生分会前站论坛）。本次论坛聚焦人工智能大模型技术革新对科研范式的深度影响。活动邀请前沿领域的研究生分享大模型对其研究课题的创新影响。论坛另设互动研讨环节，围绕大模型对科研效率、思维局限突破与科研能力跃迁等议题展开思辨，旨在启发青年学生在AI浪潮中探索兼具创新性与落地价值的研究思路。活动于3月1日在香港科技大学（广州）成功举行。
出席本次活动的嘉宾包括中国计算机学会 NOI主席、香港科技大学（广州）校长顾问杜子德，中山大学计算机学院教授、国家优秀青年基金获得者、CCF YOCSEF广州主席李冠彬，香港科技大学（广州）助理教授、YOCSEF广州AC刘李，广东工业大学计算机学院教授战荫伟以及香港科技大学（广州）人工智能学域助理教授陈颖聪。本次活动邀请了华南理工大学博士生成鑫、中山大学硕士生李治达、香港科技大学博士生谢添鑫，华南理工大学计算机学院研究助理杨博，华南农业大学硕士生周子枫作为引导发言嘉宾，并设立了三个思辨议题。借由五位引导发言嘉宾的分享和老师们的点评以及有关思辨议题的精彩发言，为同学们共同呈现了一场内容丰富、思辨激烈、干货满满的学术论坛。参与本次活动的学生分会有华南农业大学学生分会、广东工业大学学生分会、华南理工大学学生分会、中山大学学生分会、华南师范大学学生分会、广东外语外贸大学学生分会等。本次论坛的主持人为CCF华南农业大学学生分会候任主席陈豪基和CCF中山大学学生分会执委张仕杰。
中国计算机学会NOI主席、香港科技大学（广州）校长顾问杜子德在开幕式致辞中，以学者与教育管理者的双重视角，回溯了YOCSEF创立的初心与发展脉络。他结合自身深耕学术与推动产学研融合的实践经验，强调YOCSEF始终以“搭建开放平台、培育青年力量”为使命，通过跨领域协作持续引领技术创新。针对本次学生分会论坛，他高度肯定“学生主持、教授点评”的互动模式，称其“既彰显青年科研人的主体性，又融合资深学者的智慧沉淀”，是激发学术活力的创新尝试。他指出，科研生态的繁荣离不开思维碰撞——从观点交锋中迸发的灵感火花，不仅能突破固有范式，更能锤炼研究者的问题凝练、逻辑表达与批判性思维等核心素养。致辞尾声，他代表主办方向全体与会嘉宾致以热烈欢迎，并表达深切期许：“期待本届论坛以DeepSeek技术浪潮为切入点，深入探讨AI驱动科研的底层逻辑与跨界应用，为学界开辟兼具创新性与落地价值的研究路径，共同绘制智能时代的科研新图景。
在致辞环节之后，论坛进入引导发言阶段。本次论坛邀请到的五位引导发言嘉宾分别作了题为“浅谈大模型训练流程和LLM科研应用”、“浅析大模型在科研流程中的应用”、“从指令到声音：大语言模型为语音合成研究注入新动力”，“评测驱动LLMs发展：从数学到代码的评测基准UTMath”，“基于LLM的企业大数据异常指标分析与应用”的分享。
来自华南理工大学的博士生成鑫以“浅谈大模型训练流程和LLM科研应用”为题，系统解析了大模型技术的全链条创新。他强调，传统数据合成面临同质化和多样性不足的问题，建议通过多Agent协同和数据演化技术提升数据质量。在预训练阶段，成鑫提到高效并行技术和混合精度训练的重要性，以平衡模型性能与资源消耗。他重点展示了代码生成工具（如Cursor、GitHub Copilot）的实践价值，尤其是Cursor的“多行补全”和“智能重写”功能，能够快速解决复杂问题。最后，他总结道：“大模型不仅是工具，更是重构科研范式的核心引擎，需从数据、算法到应用全链路创新。”
来自中山大学的研究生李治达以“浅析大模型在科研流程中的应用”为题，探讨了大模型技术在科研全链条中的深度融入。他指出，在科研课题初始化阶段，大模型能够迅速建立领域视野。同时，模型还可批量分析文献缺陷，并生成改进建议。在技术方案设计环节，李治达通过提问激发创新思路，模型提出结合CLIP与NeRF的方案，涵盖多个关键技术路径，并辅助解决代码实现问题。在学术论文撰写方面，他倡导聚焦高层逻辑与细节处理的结合，强调大模型在评估大纲及语言润色中的作用。李治达总结道，大模型是提升科研效率的“加速器”，但仍是辅助工具，研究者需以批判性思维验证结果，深入探索核心问题。
针对李治达的演讲，李冠彬老师点评提出了使用大模型在科研中的双刃剑效应：一方面能提升科研水平，另一方面可能导致过度依赖，影响创新。建议在使用大模型辅助科研时，应先有充分的个人思考和领域调研，以确保创新性。同时，鼓励学生分享如何将大模型应用于自己的研究课题，以减少讨论的冗余度，并促进科研工作的有效性和深度。
来自香港科技大学的博士生谢添鑫以“从指令到声音：大语言模型为语音合成研究注入新动力”为题，探讨了大语言模型（LLMs）在语音合成领域的革命性影响。LLMs通过高效的数据处理和模型训练，能够生成更自然流畅的语音，克服传统技术的固定模板限制。他强调，LLMs通过深度学习从海量数据中提取复杂语言模式，使得生成的语音更具人性化，适应多种语境与情感表达。结合指令生成能力，用户可以简单输入文本，指导模型生成不同风格的语音，广泛应用于教育、娱乐和客服等领域。谢添鑫还分享了研究案例，展示了如何利用LLMs提升语音合成质量，并为未来研究提供新视角，推动该领域的进步。
来自华南理工大学的研究助理杨博以“评测驱动LLMs发展：从数学到代码的评测基准UTMath”为题，指出大语言模型（LLMs）在数学评测中存在挑战：传统基准过于依赖简单计算，复杂领域表现薄弱（如图论、拓扑学通过率低于16%）。为此，杨博团队构建了UTMath评测基准，涵盖9大数学领域的1053道题，确保问题复杂性与学科前沿接轨。他提出的RCoT（推理到代码思维）方法将推理与编码分为两个阶段，显著提升通过率（最佳模型o1-mini达32.57%）。杨博总结，代码与数学推理的融合是未来方向，引用DeepSeek-Coder研究表明，代码能增强逻辑严谨性，为LLMs解决复杂科学问题开辟新路径。
在这个议题上，参会的各位老师和同学代表们讨论了将某个思想应用于数学之外的其他领域，强调了数学的可测性以及生活中的重要问题的抽象性。提出了对数据转换形式和效率评估的疑问，并探讨了算法对用户规模和内容的依赖性，以及加入语音和线性方面内容的可能性。
来自华南农业大学的研究生周子枫以“基于LLM的企业大数据异常指标分析与应用”为题，聚焦企业数据整合与分析的挑战。他指出，企业面临数据激增与分析碎片化的问题，导致决策效率低下。为此，他团队开发了一个指标异动分析系统，依托大型语言模型（LLM）的自然语言理解、分步推理和归纳总结能力，实现全链路智能化的“问数-取数-用数”。系统通过精准匹配用户查询与8000余种数据指标，拆解复杂问题生成深度报告，根据不同单位的信息偏好输出个性化结论，解决传统看板的模板化展示问题。周子枫强调，该系统不仅提升了分析效率，还推动了数据跨层级穿透，量化生产对财务指标的影响。
针对周子枫同学提出的大模型在相关农牧企业中的应用，战荫伟老师提出由于相关农牧企业 规模较大，需要处理大规模的数据，顺势提出了大模型高效处理大规模数据遇到的困难。老师还强调了个性化报告和标准化的必要性，并指出大模型可能过于复杂，需要提炼干货，以提高理解和学习效率。
接着，参与论坛的各位老师、嘉宾以及各个学生分会代表对于三个思辨点充分发表了自己的看法。
思辨点1：遇见“DeepSeek”，如何平衡科研效率与角色？
对于这个议题，华南理工大学的成鑫表示DeepSeek等工具通过强大的数据处理和知识整合能力，显著提升了科研效率。例如，它能快速完成文献综述、生成实验代码、辅助论文润色，甚至提供跨领域的研究灵感，将研究者从重复性劳动中解放出来。他表示曾在一项多模态数据分析项目中借助DeepSeek自动清洗和标注数据，耗时从两周缩短至两天，同时其跨学科知识迁移建议帮助团队发现了生物学特征与算法参数间的潜在关联。然而，李冠彬老师提出效率提升不等于科研质量的必然跃升。过度依赖大模型可能导致两个问题：一是“路径依赖”，研究者可能满足于模型生成的表面结果，忽视对底层逻辑的深度思考；二是“创新惰性”，模型基于已有数据的推演可能限制突破性思维的涌现。李老师认为DeepSeek是一把双刃剑，它将大家拉到了同一起跑线，不能对其过度依赖，若想持续提升自我必须时刻坚持独立思考和批判性思维的处事习惯。
思辨点2：借力“DeepSeek”，如何突破思维局限？
对于这个议题，华南农业大学的周子枫认为，DeepSeek作为一款强大的工具，不仅仅是一个数据分析平台，更是激发创新思维的重要助推器。并且分享了他在使用DeepSeek时的经验和体会。他提到，借助DeepSeek的智能推荐功能，他能够快速获取相关文献和数据，从而拓宽自己的研究视野，发现原本未曾考虑的研究方向。通过分析大量数据，DeepSeek能够揭示潜在的趋势和模式，帮助他在复杂的科研环境中找到新的突破口。与此同时，战荫伟老师也指出，仅依赖工具并不足以实现真正的创新。科研人员需要在使用DeepSeek的同时，保持独立思考与批判性分析。只有在充分理解问题的基础上，结合DeepSeek提供的智能分析，才能将工具的优势转化为实际的创新成果。此外，战荫伟老师还提到在跨学科的研究中，DeepSeek能够帮助不同领域的学者进行有效的合作与交流。通过共享数据和见解，团队成员能够集思广益，从而在思维上突破各自的局限，实现多元化的创新。
思辨点3：如何解锁DeepSeek变身高手？
针对议题3，华南师范大学的同学表示，对需要解决的问题，首先要搭建好一个大框架。在某一阶段，若有对模型的需求，就向大模型提出在该阶段要模型实现的具体功能问题。大模型可能会给出几个备选答案，并对其进行简单介绍，然后使用者依据这些介绍，从中挑选出自己认为合适的答案。在这个过程中，大模型就如同秘书一般，能为使用者提供选择的辅助，帮助使用者在不同阶段，根据自身对模型功能的需求，通过大模型的备选和介绍，选出恰当的答案，以更好地达成目标，逐步实现从普通到高手的进阶。广外学生代表在研讨中强调，与大模型的交互不应停留在简单提问层面，而应构建系统性的科研协作框架。他们提出，有效利用大模型的关键在于掌握"提问的艺术"。首先要明确科研目标的边界，将复杂问题拆解为可验证的子问题，例如在语言学研究中，可将"分析某方言语法特征"细化为"提取特定句式的频率分布"等具体任务。他建议采用"问题迭代法"，初始提问需包含明确的约束条件（如时间范围、数据量），并根据模型输出的质量动态调整参数。例如在翻译研究中，首次提问可设定 "保持学术文本专业性" 的要求，若输出不符合预期，可补充"对比三位译者的风格差异" 等细化指令。
他强调大模型应作为科研的"思维催化剂"而非答案供应商。通过设计具有挑战性的问题框架，研究者不仅能激发模型的创造性潜能，更能在交互过程中深化对问题本质的理解，最终实现从 "被动接受" 到 "主动引导" 的科研能力跃迁。
李冠彬老师针对思辨点3表示，解锁“变身高手”的方法，即深入理解其原理和研究脉络，而非单纯使用。强调了研究者明确的动机和解决问题的针对性设计，鼓励研究生和博士生思考科研的思维路线和创新。同时，相关的文章也指出了深度学习技术可能带来的问题，如原创性减少和鉴别优质研究的困难。最后，提出了对使用AI审稿工具的谨慎态度，强调了其双刃剑特性。
参与论坛的每位嘉宾都对本次论坛议题发表了各自的看法，论坛思辨现场讨论热烈。此次论坛历时近三小时，广州分论坛主席李冠彬对此次论坛进行了总结并再次对与会嘉宾表示感谢。他认为这种活动的二级联动模式非常有效，能够指导学生分会举办活动并分享经验，促进学生快速成长。通过与老师合作，资源得到共享，活动顺利进行。讨论议题时结合学生和老师观点，使讨论更深入。今天的议题聚焦于科研新思路，讨论了DeepSeek在教研中的应用。希望未来有更多机会深入交流，助力科研发展。最后，论坛在一片热烈的讨论氛围中圆满结束。
评论 0