最近读完维特根斯坦的《逻辑哲学论》，首先，我对其中一个问题越来越敏感：什么才算是一个真正的“科学问题”。
这个问题对我并不抽象。每次写项目 proposal，最难的部分往往不是技术路线，而是那几行字——“拟解决的科学问题”。如果这个问题提炼得不够精确，后面写再多方案都是空的。而这一点我始终构建没有很清晰的思考原则。
维特根斯坦说，命题之所以有意义，是因为它对应某种可以成立或不成立的事实状态。翻成科研语言，其实很简单：
一个科学问题，必须能够被判定。
如果一个问题不能明确说清“在什么条件下成立，在什么条件下不成立”，那它其实还停留在动机层面，而不是科学问题。
我们经常写：“资源效率的 xxx”“提供泛化能力”“增强鲁棒性、安全性”。这些表达很像问题，但它们并不是问题本身。真正的问题应该更冷静：
- 在怎样的假设下，现有方法必然失败？
- 在什么结构约束下，某种机制才可能有效？
- 哪些条件一旦改变，结论就不再成立？
科学问题强调的不应是愿望、目标，而是边界。
模型不是解释世界，而是与世界共享结构
《逻辑哲学论》中，看到“命题是事实的图像”这一点，我产生了一些思考。命题之所以能描述世界，是因为它与世界共享某种结构。
如果把这个思想放到今天的智能模型上，我更愿意用一种更简洁的理解：
模型并不是在“理解人类智能”，而是在 latent space 中对齐世界的知识结构。
它在形式上捕捉到了某种同构关系。它可以压缩、映射、重组，但这种对齐是一种结构上的对齐，而不是本体上的解释。
这其实提醒我一件事：模型的成功，并不等于解释的成功。
当我们看到模型性能提升时，很容易下意识地把它理解为“更接近智能本质”。但从方法论上看，它只是更精细地逼近了某种统计结构。
结构同构，不等于机制揭示。
这对我是一种克制。尤其做模型训练，很容易被效果驱动带着走。但效果本身，只说明图像在某种程度上贴近现实，并不说明我们理解了现实。
一个主张的意义，在于它会在哪些情况下失败
《逻辑哲学论》里有一句我非常喜欢的思想：命题的意义等于它的真值条件。
我现在更愿意把它翻成一句更直白的话：
一个科研主张的意义，在于它会在哪些情况下失败。
这点我其实是被审稿人教育出来的。第一次投稿 SIGCOMM 被拒的时候，一位审稿人给了我一个建议：你们只展示了方法在什么情况下表现很好，但没有分析它在什么情况下会崩溃。当时我很沮丧，觉得在挑刺，不太理解，但后来回头看，那条评论是最有价值的。
因为如果一个方法没有明确的失败条件，它就没有真正的边界。没有边界，就没有科学意义。
很多论文都在不断强调“在多种场景下有效”，却很少系统地探索“在哪些场景下无效”。但恰恰是后者，构成了方法论上的严肃性。
承认失败条件，不是削弱工作，而是赋予工作真实的语义。
科学是一种边界意识
重读《逻辑哲学论》之后，我越来越觉得，科学研究的核心不在于扩张知识，而在于澄清边界。
- 什么是一个科学问题？
- 智能模型与世界知识之间的对应究竟是什么？
- 我们的方法、技术在哪些条件下失效？
- 哪些推论已经超出了证据所能支撑的范围？
当我们写 proposal 的时候，真正重要的不是技术路线画得多宏大，而是问题是否被逻辑化； 当我们写论文的时候，真正重要的不是效果图多漂亮，而是边界是否被清晰标注。
维特根斯坦最后说，对于不可说的，应当保持沉默。
我现在理解为：
对于超出证据与逻辑结构的判断，应当保持克制。
或许，科学真正的内在纪律，不是不断给出答案，而是知道何时停止。
2026.02.23