

在 CTB 全国站现场,有数百位来自清北复交、哈佛、斯坦福、牛剑、顶级风投、政策智库等高校与机构的评委将共同评审,见证同学们的高光时刻。
在这背后,还有更多阵容强大的专业人士长期支持着 CTB 的评审工作。
今天,我们请到了其中 6 位深耕各行各业的公益评委。他们长期关注 CTB,对同学们的成长也有着许多真切的思考。一起来听听,他们对大家的项目都有哪些幕后的观察。



幕后的工作,其实很大一部分都在努力维护公平。我们会严格按照组委会准备的、极其细致的评分标准来打分。拿研究型项目来说,从问题意识、研究价值再到方法的规范性,每一项都有非常明确的依据。
很多同学可能会隐隐担心,答辩的出场顺序会不会影响成绩?大家真的不用有这种顾虑。为了确保评分有一个统一的尺度(bar),我们一定会完整看完所有同学的材料和整场的答辩,最后再统一给出可比的分数。
到了现场,大家可能会经常听到评委问一个问题:“在这个项目里,你具体做了什么?”问这个,绝不是因为老师们没听懂你的 presentation,而是因为我们非常在意,到底哪些部分是由你们真正自主去探索和完成的。
现在外界的声音比较多,也会有辅导者或者 AI 工具不同程度的介入。其实,借助工具本身没有任何问题,但关键在于,你需要“清醒”地去使用它们,保持批判性的思考。在整个评审中,我们最希望看到的,是你真正自主探究的思维过程。

评审期间,我们会仔细审阅十几份甚至更多的项目材料,在每一份上都会投入大量的时间和精力。
在评审时,我最关注两个核心点:第一是选题的可行性。有些选题听起来很有意义,但如果在中学生现有的条件下可行性不高,最后往往只能得出一个模棱两可的结论。我更希望看到明确且真正能落地的探究。
第二是研究方法的细节。很多时候,实验是怎么设计的,比实验结果本身更重要。如果你在研究方法和设计思路上存在漏洞,那么最后得出的数据和结果也就并不可靠了。
在一开始看学生材料的时候,我通常会尝试把那些宏大的标题和概念先放在一边,只在里面找三个东西:究竟发现了什么问题?用了什么方法研究?最后有什么证据支持结论?建筑师的工作其实也是这样,面对一个看起来很完整的设计,我们更需要判断它底层的逻辑是否真的成立。
我尤其会注意前期调研和最终方案之间的对应关系。比如,学生发现的问题是“农村住宅保温不足、居住不便”,最后却设计出一栋面积较大、技术系统相当复杂的新房子。那我就会好奇:这个方案真的回应了最初的调研吗?有没有更贴合实际、成本更低的解决方式?逻辑的自洽,是我非常看重的。


在评审研究项目的过程中,我们发现有一个很大的误区是:觉得做了调查问卷、采样分析了数据,就是一个完整的研究了。
其实调查问卷只是我们收集数据的一个手段,不是完整的一个科学研究流程。在做问卷之前,我们肯定要有研究设计:这个概念怎么定义?本身分成哪些不同的维度?抽样过程是不是科学?
这反映的其实是研究方法的不足,它体现在流程的方方面面。比如在选题阶段,学生能从身边的好奇心出发,这很好。但是从一个“现象”到一个真正“能够被研究的问题”,中间还有很多过程,需要你去提取学术概念、结合理论,这些都是需要打磨的。
在做研究项目的全流程里,从选题开始,到文献阅读,到研究设计,到数据分析,最后得出结论的每一个步骤,掌握、应用科学的研究方法都是很关键的。

在创新项目里,我观察到一个比较普遍的误区:很多同学容易把创新简单地理解为“技术的叠加”。
比如有一些同学做“绿色农房”主题的项目,我经常看到方案里同时堆砌了装配式建筑、节能材料、太阳能、雨水回收、智能系统等一大堆前沿技术。这看起来似乎非常完整、先进。但作为评委,我首先会想的是:这些技术为什么必须同时出现在这栋房子里?相对于当地传统的建造方式,这个方案究竟有什么不可替代的价值?
同学们需要理解,创新绝对不是把已有的好东西组合在一起,也不是给一个普通问题套上一个最新的技术,而是找到那种现有解决方式中真正没有被解决的部分。

第一个误区,就是宏大叙事。比如低空经济、人类可持续发展,这些话题太大了,别说中学生,就是一个成年人、一个成熟的组织可能都没法承载。选身边一件哪怕很小、但真实存在的事要好得多,要避免“为了高端而高端”。
第二个呢,是企图用技术的“高级”来呈现方案的好。技术本身的新旧其实不重要,重要的是你的技术是否真的解决了真实世界的小问题。千万不要用一个听起来很高级的技术,去解决一个非常宏大的问题。我们需要找真实、可用的技术去完成事情。
第三个误区,是我们很容易进入“自证”。什么叫自证?就是你脑补了一个场景,然后团队从上到下一起去自证你们的逻辑有多完整。这其实挺可怕的,因为当大家一起去圆一个想象出来的场景时,通常都是圆不上的。最好的自证就是不要自证,直接把你的产品拿去向用户证明,用反馈来改进。不要在团队内部自己卷自己,自己是卷不出好答案的,一定要去找大量的真实用户去“卷”。

说到 CTB 很多公益项目的盲点,我特别想强调“落地性”。
很多同学会误以为,我们在社区里做了科普宣推、做了精美的周边,甚至成功筹到了善款、获得了大家的认可,这个公益项目就算大功告成了。
比如我见过一个保护江豚的项目,就停在了“宣传出去、获得肯定”这一步。其实,既然是公益项目,“落地”的标准就是:你想要惠及的那个群体,最后到底有没有真正受益。筹集到的善款,最终打算怎么具体去帮助江豚?这才是项目切实的闭环。


我非常欣赏能从日常生活中发现小问题,并展现出“真实解决问题能力”的项目。
我印象很深的是一组同学,他们基于图像识别做了一个“监测课堂走神”的辅助工具。这个项目的起点很好,从大家每天最熟悉的课堂场景里切入。
做一个这样的工具,需要学生自己去查资料自学,解决诸如“摄像头画面如何实时传输”、“多人走神时怎么追踪多目标”等非常具体的小难点。在答辩交流中,他们不仅对这些技术细节言之有物,甚至还深入探讨了这项技术应用背后的“隐私伦理”考量。
在评委眼里,这些扎实的细节是极具说服力的,能够向我生动还原这组同学一步步做出这个项目的真实过程,也让我感受到他们具备了解决真实问题的能力。

最让我欣赏的,是同学们身上鲜活的好奇心与观察力。很多成人研究者做久了,往往是“从文献中来,到文献中去”;但 CTB 的中学生们不一样,你们的选题不是从文献里抠出来的,而是结合自己的生活真实“生长”出来的。
比如有位同学,因为不认同妈妈总说“桌面乱就不会有好成绩”,就从这个日常细节出发,去研究“环境的秩序感究竟怎样影响创造力”。这种扎根于真实生活的探索欲,连许多成人研究者都要向你们学习。
在学生身上,我觉得特别可贵、也特别稀缺的一点,是能够意识到自己所做项目的真正价值所在——我为什么要做这个东西?它能服务什么样的人?它为什么好?
能把价值真正想明白的同学其实很少。很多时候大家只是基于一个好想法做“直接映射”,而能够去深究并讲清项目的价值,意味着你在追求一个“答案”之外,还在追求对答案的“理解”。
现在 AI 很强,哪怕你只有一个粗糙的想法,AI 也能很快帮你生成一个漂亮的 Demo,但这就像做练习册时直接翻看了参考答案,本身是没有意义的。当 AI 已经能轻易给出“答案”时,不本末倒置地追求一个表面完整的结果,而是全情投入从问题到答案的过程,真正搞懂背后的价值,这在今天尤为重要、尤为可贵。


这些年建筑行业发生了一个很大的变化:过去我们更关注如何设计一座全新的标志性建筑,而现在,越来越多的建筑师开始思考如何处理大量“已经存在的建筑”,以及追问建筑材料背后的生产过程——比如一块砖、一根竹子是从哪来的?经过了怎样的加工运输?改变材料的组织方式,能不能创造出新的可能?
对于同学们来说,我不建议大家一上来就选“未来城市”、“智慧建筑”或“碳中和建筑”这类宏大的题目,那很容易变成对现有知识技术的汇总。
相反,身边具体的小问题更值得深挖:比如一栋老房子为什么在冬天特别冷?城市里某块不起眼的空地,为什么有人愿意停留、有人却总是匆匆走过?某一种被丢弃的建筑材料,真的值得回收利用吗?不要只把建筑理解成“外形的设计”,去关注这些具体问题背后复杂的社会与技术网络。
在生态与野生动物保护领域,现在大家越来越关注一个核心议题:当城市不断扩张、人类活动越来越频繁,我们该如何与野生动物共存?
我建议对这个领域感兴趣的同学,一定要“走出去”,千万不要只坐在教室或家里,对着电脑做网上的研究。
如果你关心某个物种,先去野外看看它们最原始的生存状态是什么样的。只有亲眼见过、理解了它们在自然家园里的真实习性,你才能真正换位思考:当这些动物出现在人类密集的城市社区时,我们怎么从“它们的视角”出发,去做一些切实的守护与创新?走出屏幕,去真实地接触它们,是做一切生态项目的起点。

我主要从事气候变化相关的研究。目前我们领域的一个前沿探索,是尝试用 AI 大模型去突破极端气候(如强厄尔尼诺现象)的预报瓶颈,提高人类对极端旱涝灾害的预警能力。
但对于中学生来说,我最建议的选题方向,是把“气候变化”和你们的“日常生活或个人爱好”结合起来。
比如之前有位同学特别喜欢去公园观鸟、拍鸟。我就建议他利用公开的观鸟记录网站,结合全球气温数据去研究:随着气候变暖,北京候鸟向南迁徙的日期是不是推迟了?它们过冬的目的地是不是变得更偏北了? 像这样,从你真正热爱的日常小事切入,再结合公开数据去探究背后的气候议题,就能做出非常扎实且有趣的研究。

我所在的教育心理学领域,目前最前沿的探索很多都围绕着人工智能展开,主要有两大方向:一是 AI 如何改变人的思维方式,二是人如何与 AI 更好地协同。
如果同学们对这个方向感兴趣,我非常鼓励大家“以自己为研究对象”去探索。不要笼统地讨论 AI 是好是坏,而是去具体研究:在你们的日常学习或项目探究中,到底哪些环节可以让 AI 辅助?而在哪些环节,我们必须牢牢握住作为人的主体性和主动权?

我们在为企业做 AI 转型时,早年做的是“把 10 个人的活变成 5 个人干”,这其实挺无聊的;现在我们关注的是用 AI 去创造增量,做以前根本没人做过的新产品。
给同学们的建议也是一样:不要去做商业界已经在做、大厂已经在卷的事。在 CTB 里,我认为最值得做的反而是那些以前没人研究过、但又很“很趣”的事——有些事过去之所以没人干,是因为纯靠人力太耗时耗力,但现在有了 AI,你们就有机会做成了。
比如破解石碑上的古文字。如果让 AI 把所有字形的偏旁部首拆开,再放回整篇碑文里去做海量的排列组合测试,看看怎么拼才讲得通——这种工作量人根本没法干,但现在 AI 的帮助下很快就能试出来。我举这个例子,是想鼓励大家去选一些大胆的、甚至是你们儿时梦想里想做的小事。





