自嗨——这是我热爱的东西，那我自己都不嗨的话，我怎么影响别人呢？
科学和艺术都有自嗨的成分在里面，这个词尽管现在多有些贬义，但其实从我自己角度来说，我挺喜欢这样自我勉励。
有时候实验结果不好，有时候模型构建的逻辑不够通顺，但换个角度一想，研究这个问题不就是一种自我追求么，即使不好，就当作自嗨了。
现在最火热的无疑是大模型。Nature 正刊都已经刊发了 DeepSeek-R1 的研究，它通过强化学习信号让大语言模型在数学、代码推理等任务上涌现出复杂策略，这样的工作一出，自然会成为全场的焦点。图神经网络领域同样不例外，很多研究也在想方设法与 LLM 结合，走向更大、更统一的模型体系。
比如现在对于大规模图数据研究，主流的思路往往是和 LLM 结合，走向更深、更大、更统一的模型体系，这也是所谓的“暴力扩展”路线。但也有人选择另一条自嗨式的探索：他们不去比拼规模，而是回到模型的结构本身，从不同角度引入新的复杂性。
- 结合物理学中的对流扩散方程搬到图学习里，用来解决拓扑分布偏移问题 Supercharging Graph Transformers with Advective Diffusion | OpenReview；这篇论文知乎也有讨论，作者也在知乎上：ICML2025 | 对流扩散引导的Transformer设计 - 知乎。
- 将计算神经科学中的 Hodgkin-Huxley 神经元动力学引入人工网络，证明小而复杂的节点也能媲美大而简单的体系 Network model with internal complexity bridges artificial intelligence and neuroscience。
从复杂网络研究和大规模图分析的视角来看，这两篇论文虽然来自不同领域（一篇偏向图机器学习，另一篇偏向计算神经科学与AI），但都对如何构建更强大、更鲁棒的网络模型提出了深刻的见解。一个借鉴了物理学的对流扩散方程，一个借鉴了计算神经科学的神经元动力学模型。前者强调拓扑的局部与全局信息统一，后者强调神经元内部与网络外部复杂性的等价。两者都说明了跨界的价值：借用成熟的理论工具，可以打开新的突破口。
相比于研究 LLM，这条主流大路能直接体现人工智能如何抵达 AGI；而很多其他领域的研究，更多是一种“自嗨”式的，就是为了实现自己研究一以贯之的目标而不断推动。从实际应用看，这些工作短时间内可能不会带来领域性的重大突破，但这并不代表它们没有意义。
写这些文字，主要也是看了这个视频有感而发
书法家熊伟，跑去菜市场写招牌、在地砖和冰块上写字、甚至在杂志上看到一个偏门知识点写错了也要打电话去较真。别人看不懂，甚至觉得是怪癖，但他自己却乐在其中。他说：“那我自己都不嗨的话，我怎么影响别人？”这句话和科学研究的状态何其相似。科学家在冷门问题上坚持，像是在“给自己写招牌”，哪怕没人注意，哪怕暂时没有掌声，但这份自嗨的执念，本身就是科学前进的动能。
所以，回答开头提到的“自嗨”，其实我觉得正如这个视频片尾所说的那样，这更多是一种憧憬。每一个在科学或艺术领域的人，都像是在把自己的手稿（manuscript，既是学术论文的投稿，也是艺术作品的发表）抛向风中。憧憬着风会带着这些碎片，飘向那些理解他们的人。碎片也许会被人捡起，也许不会，但只要持续做下去，总会换来一个会心的笑容。
科学和艺术，其实都需要这种“自嗨”。艺术家在自嗨中把书法带入日常，让冰冷的招牌和豆腐摊有了温度；科学家在自嗨中拓展复杂网络、研究冷门结构，让学科的边界一次次被触碰。或许有些碎片会被风吹散，但总会有人捡起来，看见其中的价值。
这种从自嗨出发的执念，本身就是科学与艺术最深的共通之处。