研究对象是什么？
患者、设备、材料、市场、分子还是软件系统。
AI + Your domain
从专业问题出发，而不是从热门模型出发
交叉科研的价值在于解决真实问题。先明确数据、目标和约束，再判断哪类AI方法值得使用。
问题是否真实且可验证
数据是否可用且合规
方法是否优于合理基线
证据是否支持研究结论
Four questions
一个交叉课题，先回答四个问题
答不清这四项时，先补问题定义和数据条件，不要急着选最新模型。
现有数据是什么？
图像、序列、文本、表格、图结构或多模态。
输出如何评价？
准确率、误差、时间、成本，还是外部验证结果。
AI比谁更好？
与传统方法、现有规则或可靠Baseline公平比较。
AI+医学
适合医学影像、临床数据与检验方向。第一优先级是伦理、脱敏、患者级划分和跨中心验证。
AI+工程
适合机械、电气、能源、材料与控制。必须与物理模型、传统信号方法或数值算法比较。
AI+机器人
适合自动化、机械与计算机。先确定验证载体是离线数据、仿真环境还是真实硬件。
AI+金融
适合金融、经济与管理。必须按时间划分数据，并将交易成本、滑点和样本外表现纳入评价。
AI+生命科学
适合生物信息、组学、分子与结构研究。需要区分统计相关、计算预测与真实实验验证。
有专业问题，但还写不成AI任务？
整理研究对象、数据类型、目标输出和评价方法，先判断任务是否可计算、可评价、可复现。