跳出學科標籤往往意味著要面對最初的質疑。新加坡國立大學統計系副教授姚智剛在《NUS News》撰文分享科研心路，從流形擬合到審視醫療 AI，他回溯了一段從「冷門發問」到重構研究視角的學術長跑。
從「這算不算統計學」說起
最初鑽研流形擬合（manifold fitting）時，姚智剛面對最多的困惑並非算法推導，而是同行那句直接的發問：「這到底算不算統計學？」在傳統學科分工里，統計學的重心多落在給定模型下的參數估計，而從雜亂數據中恢復幾何形態，往往被歸入計算機視覺或應用數學的範疇。
這種界限感反而促使他重新梳理研究的價值排序。比起迎合現成的學科框架，他更關注現實中有哪些重要現象因缺少合適的問題而被忽略。正如他近期在《海峽時報》撰文所指出的，從複雜高維數據中精準還原幾何結構，恰恰能為當下審視和檢驗醫療 AI 的可靠性提供一套有力的數學工具。
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. 把幾何當成核心信號
在處理複雜高維數據時，幾何工具通常只被當作降維、聚類或輔助對齊的「腳手架」。姚智剛在研究中調轉了這個邏輯：幾何形態本身不應只是過渡工具，它就是深藏在噪聲背後的核心信號。
這一視角的切換直接重塑了評估研究的標準。一個模型在測試集上的分類準確率再高，如果底層結構被歪曲，其實並未觸及真實規律。科研的重心由此從單純追求「指標是否提升」，轉向追問「這個問題有沒有抓到事物本質」。
What if geometric structure is itself something we should recover from the data — geometry as signal rather than scaffolding? 周六討論會與學術長跑
這種打破框架的思維，也延伸到了日常的教學與帶組中。每個周六，姚智剛都會組織自願參加的開放討論會，帶著學生反覆推敲：哪些問題值得投入數年時間去死磕。在他看來，好問題在誕生之初往往沒有現成答案，甚至充滿爭議，但並不妨礙它成為值得探索的起點。
在工具唾手可得的當下，生成一個課題並不難，難的是在缺乏立竿見影的反饋時依然選擇守住方向。今年冬季，姚智剛將前往德國發表題為「幾何即信號」（Geometry as Signal）的學術演講，繼續把這場持續多年的跨學科求索推向深入。
Finding a question is one thing and deciding it is worth staying with is another.
📌 要點總結
✦ NUS統計系副教授姚智剛撰文分享心得，主張打破學科標籤限制去提出根本問題
✦ 將流形擬合與幾何結構視作核心信號，為審視醫療AI等前沿應用提供嚴謹工具
✦ 通過周六研討會引導學生打磨長期課題，今冬將赴德開展專題學術報告
探索更多 NUS 前沿科研與學術思考
