跳出学科标签往往意味着要面对最初的质疑。新加坡国立大学统计系副教授姚智刚在《NUS News》撰文分享科研心路，从流形拟合到审视医疗 AI，他回溯了一段从“冷门发问”到重构研究视角的学术长跑。
从“这算不算统计学”说起
最初钻研流形拟合（manifold fitting）时，姚智刚面对最多的困惑并非算法推导，而是同行那句直接的发问：“这到底算不算统计学？”在传统学科分工里，统计学的重心多落在给定模型下的参数估计，而从杂乱数据中恢复几何形态，往往被归入计算机视觉或应用数学的范畴。
这种界限感反而促使他重新梳理研究的价值排序。比起迎合现成的学科框架，他更关注现实中有哪些重要现象因缺少合适的问题而被忽略。正如他近期在《海峡时报》撰文所指出的，从复杂高维数据中精准还原几何结构，恰恰能为当下审视和检验医疗 AI 的可靠性提供一套有力的数学工具。
A question that looks natural from one discipline can look unfamiliar from another, and before making progress I first had to argue that it was worth asking. 把几何当成核心信号
在处理复杂高维数据时，几何工具通常只被当作降维、聚类或辅助对齐的“脚手架”。姚智刚在研究中调转了这个逻辑：几何形态本身不应只是过渡工具，它就是深藏在噪声背后的核心信号。
这一视角的切换直接重塑了评估研究的标准。一个模型在测试集上的分类准确率再高，如果底层结构被歪曲，其实并未触及真实规律。科研的重心由此从单纯追求“指标是否提升”，转向追问“这个问题有没有抓到事物本质”。
What if geometric structure is itself something we should recover from the data — geometry as signal rather than scaffolding? 周六讨论会与学术长跑
这种打破框架的思维，也延伸到了日常的教学与带组中。每个周六，姚智刚都会组织自愿参加的开放讨论会，带着学生反复推敲：哪些问题值得投入数年时间去死磕。在他看来，好问题在诞生之初往往没有现成答案，甚至充满争议，但并不妨碍它成为值得探索的起点。
在工具唾手可得的当下，生成一个课题并不难，难的是在缺乏立竿见影的反馈时依然选择守住方向。今年冬季，姚智刚将前往德国发表题为“几何即信号”（Geometry as Signal）的学术演讲，继续把这场持续多年的跨学科求索推向深入。
Finding a question is one thing and deciding it is worth staying with is another.
📌 要点总结
✦ NUS统计系副教授姚智刚撰文分享心得，主张打破学科标签限制去提出根本问题
✦ 将流形拟合与几何结构视作核心信号，为审视医疗AI等前沿应用提供严谨工具
✦ 通过周六研讨会引导学生打磨长期课题，今冬将赴德开展专题学术报告
探索更多 NUS 前沿科研与学术思考
