研究计划里最让人犯难的，常常不是没有想法，而是想法写出来以后太大，任何一位做人工智能的老师都能被放进同一段话。比如“希望利用图神经网络推动智慧医疗发展”，方向听起来积极，却很难判断你准备研究的究竟是什么。
我想借中国科学技术大学生物医学工程学院谢希科研究员公开的工作，认真改一改这种表述。他的研究涉及图机器学习系统、流数据计算和神经数据结构等方向，也关注相关方法在生物医学工程中的应用。学院列出的代表性成果中，一项是 SIGMOD 2025 的《Capsule: an Out-of-Core Training Mechanism for Colossal GNNs》，另一项是 ICDE 2025 的《HIGGS: Hierarchy-Guided Graph Stream Summarization》。
先弄清楚这两项研究为什么相关。图神经网络可以把实体之间的关系纳入学习，但当图特别大，训练时的数据与显存就可能成为瓶颈。Capsule 讨论的是巨大规模图神经网络的外存训练机制。另一方面，图并不总是静止的，边和节点会持续到来。HIGGS 聚焦的是图流摘要，希望用更紧凑的表示保留对后续分析有用的结构信息。
如果只看“图神经网络”这个共同词汇，容易把它们混作一个宽泛题目。实际阅读时会发现，一个偏向训练资源与系统实现，一个偏向动态数据的组织和摘要。研究计划最有价值的起点，是把这样的技术矛盾说清楚，而不是先宣布某个大领域会被人工智能改变。
假设现在有一位申请者，过去参与过医疗数据建模，也想向图学习方向深入。原来的研究计划写法可能是：“拟构建先进的图神经网络模型，融合多模态医疗数据，提高疾病预测的准确率，并促进临床应用。”问题不在于这句话错，而在于它没有说明数据关系如何形成、图是否动态变化、资源限制发生在哪里，甚至没有一个能够被检验的对照。
我会建议先不要追求把所有关键词一次塞进题目，而是做一次收窄：如果项目面对的是不断新增关系的医疗事件图，并且只能使用有限显存，能否研究一种结合图流摘要与分批训练的处理方案？它与普通静态图训练方法相比，在同样资源预算下，预测质量、峰值内存与运行时间分别怎样变化？
这样改以后，问题仍然是一个待验证的设想，不是谢希科研究员已有论文的结论，更不是声称他的论文做过医院的真实临床数据。它只是从可归属于他的两项图计算研究中，提取出可以进一步讨论的方法线索，再把申请者自己的应用兴趣放进一个明确的实验场景。
接下来还得检查这个假设能不能真的做。首先要确定“医疗事件图”的节点和关系是什么，例如不同时间出现的记录如何连接；其次要找到有权限使用、能合法获取的数据，否则漂亮的实验设计没有着落。还要说明一条朴素的基线：不用复杂摘要、仅按已有方式训练时，资源和效果各是什么。没有对照，改进就无从谈起。
这也是材料修改中最容易被忽略的一步。研究计划不是把最新方法排成队，而是告诉读者一个研究问题如何被发现，又准备用什么证据判断尝试是否有效。如果已经有大规模图训练经验，可以如实写清显存、批次、图规模和性能取舍；如果只有小规模图分类项目，也可以解释从哪里开始补齐系统实验能力，不必冒充自己做过图流系统。
对于中国科大这类把工程方法与生命健康应用联系起来的研究环境，跨学科设想当然有空间。但跨学科不是在标题上拼接两个学科名字。它需要一方提供清晰、可复现的技术问题，另一方提供真实的数据语境和适当的验证方式。
最后再回看那句最初的“用图神经网络推动智慧医疗”。它可以作为兴趣的开头，却不适合独自承担博士研究计划的核心。真正让一份 RP 站起来的，是把问题缩小到能被讨论、能被检验、也知道哪些假设尚未成立的程度。
