研究对象
先看它处理什么数据或系统：图像、文本、视频、3D 场景、机器人、推荐日志、代码、医学数据。
例如“医学影像”主要处理 CT、MRI、病理切片、超声等图像；“世界模型”处理智能体看到的环境状态和动作序列。
为什么计算机科研方向看起来都很玄？
因为老师主页通常写的是“学术压缩包”：一个方向名词背后包含数据类型、模型方法、任务指标、论文社区和算力资源。学生真正需要的不是背名词，而是先拆成几个判断维度。
简单判断公式
计算机科研方向 = 数据/场景 + 任务目标 + 模型方法 + 评价指标 + 可落地成果
核心问题
再看它到底想解决什么：看懂、生成、预测、规划、控制、检索、推荐、解释或保障安全。
同样是计算机视觉，图像分类是“认出是什么”，目标检测是“找出在哪里”，分割是“精确圈出边界”。
使用方法
看老师常用什么技术路线：Transformer、扩散模型、强化学习、图神经网络、检索增强、对齐、蒸馏。
主页写“多模态大模型”，通常意味着把图像、文本、语音、视频接到同一个模型里做理解和推理。
数据来源
判断你能不能快速入门：公开数据集、仿真环境、开源模型和算力资源是否足够。
医学影像和自动驾驶更依赖高质量标注；大模型方向更依赖算力；推荐系统更依赖真实行为日志。
成果形态
看最后能沉淀什么：论文、模型、系统 Demo、数据集、benchmark、开源工具或可部署服务。
想兼顾求职，可以优先选能做出项目闭环的方向，比如 RAG、推荐系统、医学影像分割、智能体应用。
计算机 / AI 常见科研方向
先看方向到底处理什么数据、解决什么任务，再看具体老师的论文和课题组资源。
医学影像 AI
让模型看懂 CT、MRI、病理切片、超声等医学图像，辅助医生发现病灶、分割器官、判断风险。
适合：适合想做“AI + 医学”交叉、能接受医学术语和数据标注复杂度的同学。
查看完整方向介绍世界模型
让智能体在脑子里模拟世界：理解当前状态，预测下一步会发生什么，再据此规划行动。
适合：适合喜欢“让 AI 学会理解环境和做决策”的同学，通常需要较强数学、建模和实验能力。
查看完整方向介绍多模态学习
把图片、文字、语音、视频、传感器等多种信息放到一起理解，让模型不只会“看”或“读”。
适合：适合想做前沿 AI 应用、喜欢处理复杂数据和模型对齐问题的同学。
查看完整方向介绍大模型与智能体
研究大语言模型如何理解指令、调用工具、规划任务、检索知识，并像“助手”一样完成复杂流程。
适合：适合想快速做出可展示系统、兼顾论文和求职项目的同学。
查看完整方向介绍强化学习
让模型通过试错学习策略：在某个环境里采取动作，拿到奖励，逐渐学会更优决策。
适合：适合数学和代码能力较强、能忍受实验不稳定和调参成本的同学。
扩散模型 / AIGC
研究如何从噪声生成图像、视频、设计方案或合成数据，是文生图、可控生成和视频生成背后的核心路线。
适合：适合喜欢视觉生成、设计应用、医学/工业图像增强和可控生成项目的同学。
查看完整方向介绍具身智能与机器人
让 AI 不只停留在屏幕里，而是通过机器人身体感知环境、移动、抓取、导航和执行任务。
适合：适合喜欢软硬结合、愿意接触仿真平台或真实机器人系统的同学。
查看完整方向介绍推荐系统
研究如何把合适的内容、商品、视频或服务推荐给合适的人，是互联网业务里最接近真实数据的方向。
适合：适合想进入互联网、广告、电商、内容平台，喜欢工程和业务指标结合的同学。
查看完整方向介绍AI 安全与隐私
研究模型会不会泄露数据、被攻击、胡说八道、产生偏见，以及怎样让 AI 更可靠。
适合：适合逻辑严谨、喜欢找漏洞、对安全合规和模型可靠性感兴趣的同学。
查看完整方向介绍AI for Science
用 AI 加速科学研究，比如预测蛋白结构、发现新材料、模拟气候、辅助药物设计。
适合：适合想做交叉科研、愿意补领域知识，未来考虑读博或发高质量论文的同学。
查看完整方向介绍知识图谱 / GraphRAG
把文档、实体和关系组织成图，让大模型回答问题时能沿证据链检索、推理和引用来源。
适合：适合喜欢知识工程、信息抽取、企业知识库和大模型应用落地的同学。
查看完整方向介绍时间序列预测
研究历史数据如何随时间变化，并预测未来趋势、异常风险和资源需求。
适合：适合金融、交通、能源、医学监测和工业设备等有连续观测数据的项目。
查看完整方向介绍计算机方向高频词翻译
看到这些词时，可以先按下面的含义理解，再去读老师近三年论文。
表征学习
把图片、文本、用户、分子、场景等对象变成向量，让模型能计算相似度和关系。
生成式模型
不只是判断答案，而是生成图片、文本、视频、分子结构或动作序列。
对齐
让模型输出更符合人的意图、规则和安全边界，常见于大模型方向。
Benchmark
一套公开任务和评价标准，用来比较不同方法到底谁更强。
端到端
从输入到输出尽量由一个模型直接学习，中间少做人为规则。
可解释性
不仅要模型准，还要解释它为什么这样判断，医疗和金融尤其重视。
泛化
模型在没见过的新数据、新医院、新场景、新用户上还能不能表现好。
鲁棒性
遇到噪声、攻击、光照变化、分布变化时，模型还能不能稳定工作。
计算机方向怎么选，先看三件事
不要只看方向是不是前沿，更要看它能不能启动、能不能做出成果、是否匹配你的未来路线。
能不能快速上手
正向信号
有公开数据集、开源代码、成熟 baseline，3-6 周能复现一个小结果。
风险信号
必须依赖昂贵算力、封闭数据或复杂硬件，新手很难独立启动。
能不能形成项目
正向信号
能做出 Demo、模型评测、可视化结果或完整系统，简历和面试都讲得出来。
风险信号
只停留在抽象理论，短期很难展示成果，面试时也讲不清贡献。
是否匹配未来路线
正向信号
想找工作就选工程闭环强的方向；想读博就选问题足够深、论文社区活跃的方向。
风险信号
只因为“听起来前沿”就跟，最后既不喜欢，也积累不到自己需要的能力。
下一步：从一个方向变成一个可做项目
如果你对某个方向有感觉，可以继续看 AI 如何和具体专业结合；如果你想更快形成简历和科研经历，可以从项目案例反推自己的入门路线。