在信号处理领域，比如雷达、阵列、通信等分支上，有大量的科研工作者在基带端从事着信号处理工作，每年在Top期刊和顶会上，有大量的成果不断刷新着人类对知识的认知极限，这类成果其实单纯从基带端出发去认真思考和总结后发现：在传感器分辨率和数据精度相同的情况下，通过不同手段不断挖掘已有数据的多样性确确实实能带来性能的极大提升，比如先验知识的挖掘利用、信号个性化结构的精准理解和定义（比如张量就是矩阵运算的高维版本，但这一转变彰显信号的个性结构）、从主被动层面对数据多样性的深度挖掘、从不同角度对信号的理解（统计、迭代、解析以及网格搜索等）等等，这些具体的方法看似没有头绪，其实遵从的一个共性结构是：增加数据的多样性。当然了这一创新驱动准则同时也适用于模型驱动的传统建模方式和数据驱动的人工智能分支。我们发现：每年在Trans.上发表大量“灌水”论文（注：这里其实不是贬义的“灌水”）其创新思维就是在这样一个框架内进行的。

  其实真正写好一篇文章，最关键的还是应该首先体现在对问题是否真正吃透上？是否真正理解了问题的本质和第一性？这时所有核心思想的根源，我认为：一个真正好的学者，不应该只是玩弄数学手段非常高明和强悍的高手，更应该是对研究对象和问题本身有深刻理解和独到见解的高手，后者能真正解决实际问题，但论文不一定多，篇篇是精品；前者一定是论文的高产专家，但其实并没有下沉到问题本身，所以许多文章属于“灌水”系列，当然论文多不是坏事，至少证明你在这个领域的数理基础还不错。我也认为：真正的一流学者，应该是两者的结合，既对普通问题抱有独到的观点和看法，也能把艰涩的数学理论应用到解决问题当中去，并获得优异的性能提升。

  有人说：“解决问题的方法才是好的方法，解决问题的学者才是好的学者”，其实就是说，你的数学理论和技巧是一个工具，它们是为解决问题而服务的。确实是这样子，但是也不能否认工具和技巧的重要性，它们应该都很重要，只是问题的深度理解处于上游，而工具和技巧处于下游，当然了，上游是源头是问题的根源，从做科研的角度来看，应该是先理清上游，对上游问题的理解深度所带来的的好处远比仅仅对下游数学工具和技巧的利用所带来的好处多得多。

  源头创新更加原创，其实质仍然是增加数据的多样性。