이기는 연구의 설계: 손자병법으로 읽는 세계 최고 논문의 전략

손자병법을 연구에 대입하면 가장 중요한 메시지는 이거야.

세계 최고 수준의 논문은 실험을 열심히 해서 우연히 이기는 것이 아니라, 시작하기 전에 이길 수밖에 없는 연구 구도를 설계한 결과다.

연구에서의 승리는 단순히 성능표의 1등이 아니야.

• 문제 자체가 중요하고
• 기존 연구가 구조적으로 풀지 못한 이유가 분명하며
• 우리에게만 있는 비대칭적 강점이 있고
• 주장을 반박하기 어렵게 증거가 설계되어 있고
• 커뮤니티가 받아들일 수 있는 언어로 전달되는 것

이 다섯 가지가 동시에 맞아야 해.

즉, 좋은 아이디어를 찾는 것보다 승리 조건을 설계하는 것이 먼저야.

1. 시계(始計): 실험 전에 승산부터 계산하라

손자는 전쟁을 시작하기 전에 먼저 계산했어. 연구도 똑같아.

대부분의 평범한 연구는 이렇게 시작해.

“이 방법을 구현하면 성능이 좋아질까?”

선도 연구는 다르게 시작해야 해.

“현재 분야의 전제가 무엇이며, 그 전제가 무너지는 조건은 무엇인가?” “우리가 이 문제를 제기하면 기존 방법은 어떤 실험에서도 피해 갈 수 없는가?” “우리 주장을 증명하기 위해 반드시 필요한 최소 증거는 무엇인가?”

연구 착수 전에 계산해야 할 것

① 문제의 크기

• 실제로 많은 사람이 겪는 문제인가?
• 기존 benchmark가 숨기고 있는 문제인가?
• 향후 3~5년 뒤에도 중요할 문제인가?
• 기술 발전이 오히려 이 문제를 더 크게 만들 가능성이 있는가?

② 기존 연구가 실패하는 구조적 이유

단순히 “성능이 낮다”는 약해.

강한 문제 정의는 다음 형태여야 해.

$$ \text{Existing assumption} \rightarrow \text{Deployment condition} \rightarrow \text{Systematic failure} $$

예를 들어:

• 기존 PGO는 입력 loop closure와 parameter가 합리적이라고 가정한다.
• 그러나 실제 배치에서는 오류 유형과 최적 parameter를 사전에 알 수 없다.
• 따라서 robust backend조차도 잘못된 confidence 아래에서는 치명적으로 붕괴한다.

이렇게 되면 문제는 단순한 개선이 아니라 기존 패러다임의 누락된 계층이 돼.

③ 우리만의 승리 조건

세계 최고 연구는 대개 다음 중 하나를 가지고 있어.

• 남들이 없는 데이터
• 남들이 못 하는 실험
• 서로 연결되지 않았던 두 분야의 결합
• 기존 evaluation 자체의 오류 발견
• 현실에서만 드러나는 failure mode
• 압도적으로 명확한 theoretical framing
• 강력한 system integration 능력

이 중 아무것도 없다면 실행력이 좋아도 쉽게 추격당해.

연구판 선승이후구전

논문을 쓰기 전에 다음 문장이 완성되어야 해.

“이 논문이 맞다면, 기존 연구는 앞으로 반드시 이 문제를 고려해야 한다.”

이 문장이 성립하지 않으면 연구의 중심 명제가 아직 약한 거야.

2. 작전(作戰): 연구를 오래 끌지 말고 불확실성을 빨리 제거하라

연구에서 속전속결은 “빨리 논문을 내라”는 뜻이 아니야.

가장 치명적인 불확실성을 가장 먼저 검증하라는 뜻이야.

많은 연구가 실패하는 이유는 구현부터 시작하기 때문이야.

• 전체 시스템 구현
• 대규모 데이터 수집
• 복잡한 네트워크 학습
• 화려한 visualization 제작

그런데 3개월 뒤에 핵심 hypothesis가 틀렸다는 걸 발견해.

선도 연구의 초기 실험

초기에는 완성도가 아니라 살아남을 자격을 검증해야 해.

예를 들어 새로운 PGO harness라면 처음부터 거대한 agent architecture를 만들 필요가 없어.

먼저 확인해야 할 것은:

1. 기존 robust backend가 실제로 잘못된 parameter에서 붕괴하는가?
2. 그 붕괴를 GT 없이 사후적으로 감지할 수 있는 관측량이 존재하는가?
3. 그 관측량으로 수정하면 반복적으로 회복되는가?
4. 특정 backend에 종속되지 않는가?

이 네 가지가 통과되면 프로젝트는 살아 있어.

통과하지 못하면 architecture를 더 크게 만드는 것은 의미가 없어.

중요한 정신상태

“내 아이디어를 증명하려 하지 말고, 최대한 빨리 죽이려고 해라.”

가장 적대적인 실험을 통과한 아이디어만이 강한 논문이 돼.

3. 모공(謀攻): 정면 성능 경쟁보다 게임의 규칙을 바꿔라

손자는 성을 직접 공격하는 것을 최하책으로 봤어. 연구에서 성을 공격하는 것은 이런 거야.

• 기존 SOTA보다 ATE 3% 개선
• parameter를 더 많이 튜닝
• 모델을 더 크게 만듦
• GPU를 더 많이 사용
• benchmark 하나에서 숫자 경쟁

이 전투는 이겨도 다시 누군가에게 추월돼.

최고의 연구는 측정축을 바꾼다

예를 들어 기존 연구가 평균 정확도만 경쟁할 때:

• long-term consistency
• recovery capability
• failure predictability
• calibration
• robustness under parameter mismatch
• human interpretability
• deployment cost
• memory stability

같은 새로운 축을 제시하는 거야.

이 순간부터 다른 연구들이 너의 질문에 답해야 하는 위치로 들어와.

논문의 위계

1. 숫자를 개선하는 논문
2. 새로운 방법을 제시하는 논문
3. 새로운 문제를 정의하는 논문
4. 분야가 무엇을 측정해야 하는지 바꾸는 논문
5. 기존 연구 패러다임의 전제를 다시 쓰는 논문

세계적인 선도 논문은 대체로 3~5단계에 있어.

정신상태

“남들이 만든 leaderboard에서 1등 할 것인가, 아니면 앞으로 leaderboard에 들어갈 열을 새로 만들 것인가?”

4. 군형(軍形): 약점을 감추는 것이 아니라 질 수 없는 구조를 만들어라

연구에서 군형은 paper architecture야.

좋은 연구는 모든 부분이 최고일 필요가 없어. 대신 어느 한 부분이 약해도 중심 주장이 무너지지 않는 구조를 가져야 해.

예를 들어 method가 완전히 새로운 neural architecture가 아니더라도:

• 중요한 failure mode를 최초로 정의했고
• 일반화된 진단 프레임워크를 제공하고
• 여러 backend에서 동일하게 작동하며
• failure 원인을 해석 가능하게 설명하고
• recovery까지 증명한다면

논문은 강해질 수 있어.

질 수 없는 논문의 구조

Claim 1: 기존 시스템에는 중요한 blind spot이 있다

→ controlled failure injection으로 증명

Claim 2: 제안 방법은 이 failure를 탐지한다

→ detection precision/recall, calibration, lead time으로 증명

Claim 3: 탐지만 하는 것이 아니라 회복시킨다

→ failure rate, recovery rate, final trajectory quality로 증명

Claim 4: 특정 방법에 종속되지 않는다

→ multiple frontends/backends/datasets에서 증명

Claim 5: 판단 과정을 설명할 수 있다

→ structured diagnosis, counterfactual explanation, expert agreement로 증명

이렇게 각 claim에 대응하는 evidence가 있으면 리뷰어가 한 부분을 공격해도 전체가 무너지지 않아.

5. 병세(兵勢): 개인의 천재성보다 연구팀의 운동량을 만들어라

손자는 개별 병사의 용맹보다 집단의 기세를 중요하게 봤어.

연구에서도 세계적 성과는 한 번의 영감보다 지속적인 연구 momentum에서 나와.

연구 기세를 만드는 구조

• 한 학생은 benchmark와 failure taxonomy
• 한 학생은 핵심 algorithm
• 한 학생은 system integration
• 한 학생은 evaluation infrastructure
• 교수는 framing, claim, positioning, fatal flaw 검수

이렇게 역할이 맞물리면 각자의 결과가 다른 사람의 생산성을 높여.

반대로 모든 학생이 개별 논문을 독립적으로 처음부터 끝까지 만들면 연구실 전체의 자산이 축적되지 않아.

탑 연구실의 진짜 강점

논문 한 편이 끝날 때 다음이 남아야 해.

• 재사용 가능한 dataset
• evaluation code
• failure simulator
• baseline infrastructure
• theoretical vocabulary
• 다음 논문의 research question
• 커뮤니티가 기억하는 문제의식

그렇지 않으면 매번 처음부터 다시 싸우는 셈이야.

정신상태

“이번 논문을 완성하는 것과 동시에 다음 세 편의 논문이 쉬워지는가?”

6. 허실(虛實): 경쟁자의 강점이 아니라 빈 곳을 공격하라

연구자가 자주 하는 실수는 최고 연구팀의 강점을 그대로 따라가는 거야.

• 거대한 compute
• 수천 대 로봇 데이터
• 자체 foundation model
• 대규모 human annotation
• 수백 GPU 학습

이건 상대의 실(實)을 공격하는 거야.

대신 상대가 구조적으로 하기 어려운 곳을 봐야 해.

대형 연구팀이 의외로 약한 곳

• 장기간 실제 로봇 운용
• failure case의 세밀한 분석
• 반복 방문 환경의 시간적 변화
• 인간과 로봇 사이의 애매한 상호작용
• localization/map consistency
• benchmark의 숨겨진 편향
• 시스템의 recovery와 debugging
• 모델 이후 단계의 verification과 orchestration

대형 모델 연구는 “평균적으로 잘 되는가”를 보여주기 쉽지만,

“언제 실패하는가, 실패를 어떻게 알고, 어떻게 회복하는가?”

는 상대적으로 비어 있을 수 있어.

이 영역은 로보틱스와 시스템 연구자가 강점을 가지기 좋은 전장이야.

선도 연구 질문의 형태

• 무엇을 더 잘할 수 있는가? → 추격형 질문
• 왜 기존 방법은 특정 조건에서 반드시 실패하는가? → 분석형 질문
• 실패를 미리 알아차리고 회복시킬 수 있는가? → 시스템형 질문
• 시스템이 자기 실패를 설명하고 전략을 바꿀 수 있는가? → 선도형 질문

7. 군쟁(軍爭): 좋은 아이디어를 커뮤니티의 주도권으로 바꿔라

좋은 아이디어가 자동으로 좋은 논문이 되지는 않아.

연구의 주도권은 다음 세 가지에서 결정돼.

1. 문제를 누가 먼저 명명하는가
2. 어떤 사례로 문제를 각인시키는가
3. 어떤 평가 프로토콜을 표준처럼 제시하는가

명명은 강력한 전략이다

예를 들어:

• temporal amnesia
• scale inconsistency
• execution-semantics gap
• distractor-augmented recall
• silent optimization failure
• unverified robustness
• post-backend safety gap

좋은 명칭은 복잡한 현상을 커뮤니티가 반복해서 말할 수 있게 만들어.

논문의 기여는 method뿐 아니라 새로운 사고 단위를 제공하는 것이야.

논문의 첫 그림이 해야 할 일

첫 그림을 본 독자가 20초 안에 알아야 해.

• 기존 시스템은 왜 실패하는가?
• 그 실패는 왜 중요한가?
• 우리는 어느 위치에 새로운 계층을 넣는가?
• 결과적으로 무엇이 달라지는가?

Method detail보다 먼저 전장의 형태를 보여줘야 해.

8. 구변(九變): 초기 아이디어에 충성하지 말고 중심 명제에 충성하라

세계적 연구는 처음 계획 그대로 완성되는 경우가 거의 없어.

중요한 건 pivot을 하더라도 중심 문제는 더 선명해져야 한다는 거야.

나쁜 고집

• 이미 구현했으니 이 모듈을 살려야 한다.
• 학생이 몇 달 했으니 이 방향을 유지해야 한다.
• 처음 proposal에 썼으니 바꾸면 안 된다.
• 성능이 조금 나오니 framing을 억지로 맞춘다.

좋은 유연성

• method는 바꿔도 problem은 유지
• architecture는 줄여도 claim은 강화
• benchmark는 바꿔도 scientific question은 유지
• LLM이 필요 없으면 과감히 제거
• 복잡한 학습보다 간단한 evidence aggregation이 강하면 그것을 채택

특히 LLM/VLM을 활용하는 논문에서 중요한 태도야.

LLM을 쓴다는 사실이 기여가 아니라, 기존 시스템에 없던 판단 능력을 어떤 방식으로 검증 가능하게 추가했는지가 기여야.

LLM을 제거해도 동일한 효과가 난다면 LLM은 장식이었던 거야. 반대로 LLM이 있어야만 가능한 reasoning, diagnosis, tool selection, reflection이 명확하다면 그것을 분리해 증명해야 해.

9. 행군(行軍): 연구 진행 중 나타나는 징후를 읽어라

손자는 행군하면서 적과 지형의 징후를 읽었어. 연구에서도 실험 수치 외의 신호가 중요해.

위험 신호

• 설명할수록 아이디어가 더 복잡해진다.
• baseline이 약해야만 결과가 좋아 보인다.
• 특정 dataset 하나에서만 효과가 있다.
• parameter를 많이 조정해야 한다.
• qualitative result만 매력적이다.
• ablation을 하면 핵심 모듈의 효과가 사라진다.
• 실패 사례를 보여주기 어렵다.
• 학생마다 논문의 핵심 기여를 다르게 설명한다.
• introduction과 experiment가 서로 다른 문제를 말한다.

좋은 신호

• 간단한 toy example에서도 현상이 보인다.
• 강한 baseline일수록 제안법의 가치가 명확해진다.
• 성능 향상보다 failure reduction이 일관된다.
• 한 문장으로 기여를 설명할 수 있다.
• 예상하지 못했던 조건에서도 원리가 유지된다.
• reviewer가 제기할 질문을 이미 실험으로 답했다.
• 결과를 보고 새로운 후속 질문이 자연스럽게 생긴다.

논문이 약할 때의 올바른 반응

정신력으로 밀어붙이는 게 답이 아니야.

약한 결과를 더 많이 생산하지 말고, 왜 약한지 구조적으로 진단해야 해.

10. 지형(地形): 분야, 학회, 데이터셋, 리뷰어의 지형을 이해하라

같은 연구라도 어디에 제출하느냐에 따라 평가 기준이 달라져.

• CVPR: vision novelty, benchmark, scale, learning formulation
• RSS: robotics significance, system insight, conceptual novelty
• ICRA/IROS: technical contribution과 실증의 균형
• T-RO: 완결성, 깊이, 실험 범위, engineering rigor
• NeurIPS/ICML: general formulation, learning principle, broad relevance
• AAAI: reasoning, AI formulation, methodological clarity

좋은 연구자가 모든 학회에 같은 논문을 내는 게 아니야.

같은 연구의 의미를 해당 커뮤니티의 지형에 맞춰 정렬해야 해.

지형을 아는 것은 눈치를 보는 것이 아니다

논문의 진실은 같아도, 왜 중요한지를 설명하는 언어는 달라.

예를 들어 PGO safety harness를:

• 로보틱스에서는 deployment safety와 recovery
• AI에서는 agentic reasoning과 self-correction
• optimization에서는 adaptive solver orchestration
• systems에서는 runtime assurance layer

로 해석할 수 있어.

핵심은 어디에 제출할지를 마지막에 정하지 않고, 초기부터 어느 공동체의 중심 문제를 해결할 것인지 정하는 거야.

11. 구지(九地): 연구 단계에 따라 다른 방식으로 지휘하라

모든 프로젝트를 같은 방식으로 관리하면 안 돼.

연구의 아홉 지형을 단순화하면

1단계: 탐색지

문제가 아직 흐림.

• 많은 아이디어 허용
• 작은 실험
• 빠른 폐기
• 관련 연구 폭넓게 탐색

2단계: 가설지

핵심 claim이 형성됨.

• 변수 통제
• 최소 증명 실험
• 강한 반례 탐색
• terminology 고정

3단계: 구축지

가설이 살아남음.

• 코드 정리
• dataset 확장
• baseline 확보
• method 완성

4단계: 결전지

논문 제출이 가까움.

• 새로운 아이디어 추가 금지
• claim-evidence 정합성
• 치명적 결함 제거
• figure와 writing 집중

많은 연구팀이 결전지에서도 탐색을 계속해. 그러면 논문이 산만해지고 마감 직전에 중심이 무너져.

단계별 교수의 역할도 달라야 해

• 초기: 질문을 열어준다.
• 중기: 가장 중요한 가설로 좁힌다.
• 후기: 추가 연구를 막고 증명 구조를 잠근다.
• 제출 직전: 리뷰어 관점에서 공격한다.

12. 화공(火攻): 강력한 도구를 쓰되 도구에 연구를 맡기지 마라

현대 연구의 불은 다음과 같아.

• foundation model
• LLM/VLM agent
• synthetic data
• large-scale simulation
• automated coding
• automated experiment
• large compute

이것들은 연구를 크게 가속하지만, 잘못 쓰면 논문 전체를 태워.

LLM을 활용한 논문의 위험

• prompt engineering에 성능이 지나치게 의존
• 모델 버전이 바뀌면 재현 불가
• reasoning이 실제 causal mechanism인지 불명확
• evaluator와 solver가 같은 모델이라 self-confirmation 발생
• textual explanation은 그럴듯하지만 진단은 부정확
• latency와 cost가 배치 환경에서 비현실적
• black-box API에 핵심 성능이 종속

따라서 강력한 도구일수록 통제 장치가 필요해.

좋은 사용 구조

$$ \text{Deterministic evidence} \rightarrow \text{Structured reasoning} \rightarrow \text{Bounded action space} \rightarrow \text{Verified execution} $$

LLM이 모든 것을 자유롭게 결정하게 하지 말고:

• 관측값은 명시적이어야 하고
• 선택 가능한 action은 제한되어야 하고
• action 결과는 solver metric으로 검증되어야 하며
• 실패하면 rollback 가능해야 해.

이렇게 해야 “LLM을 썼다”가 아니라 LLM을 안전한 연구 시스템 안에 harness했다고 주장할 수 있어.

13. 용간(用間): 경쟁 정보를 수집하되 논문의 영혼을 경쟁자에게 맡기지 마라

연구에서 간첩은 부정적 의미가 아니야. 정확한 정보 수집이야.

• 최신 preprint
• 코드 repository
• 저자 발표 영상
• reviewer 반응
• benchmark protocol
• baseline implementation detail
• community가 반복해서 제기하는 실패
• accepted paper의 claim 범위
• rejected paper에서 반복되는 약점

하지만 related work를 많이 읽는다고 선도 연구가 되는 건 아니다

과도한 조사에는 위험이 있어.

• 남이 만든 문제 정의 안에서만 생각하게 됨
• 최신 SOTA의 architecture를 변형하는 데 머묾
• 이미 존재하는 terminology에 갇힘
• 독창적인 observation을 스스로 약하게 평가함

따라서 literature review는 두 단계로 해야 해.

1단계: 원점 관찰

먼저 현상을 직접 본다.

• 실제 로봇이 어디서 깨지는가?
• 기존 metric이 무엇을 숨기는가?
• 연구자들이 당연하다고 여기는 전제는 무엇인가?

2단계: 선행연구 검증

그 뒤에 조사한다.

• 이 문제를 누가 언급했는가?
• 부분적으로 해결했는가?
• 왜 완전한 해결이 아니었는가?
• 우리 framing이 정말 새로운가?

정보는 방향을 만드는 것이 아니라 방향의 독창성과 타당성을 검증하는 데 사용해야 해.

손자병법의 오사(五事)를 연구에 대응시키면

도: 명분

연구의 중심에는 강한 명분이 있어야 해.

“성능을 조금 높이겠다”가 아니라 “현재 시스템은 중요한 실패를 감지하지 못하며, 실제 배치를 위해 이 계층이 반드시 필요하다.”

천: 타이밍

아이디어가 좋아도 너무 이르면 받아들여지지 않고, 너무 늦으면 증분이 돼.

지금 Physical AI에서는 다음이 강한 천시가 될 수 있어.

• 자율 시스템의 self-verification
• long-horizon memory
• failure-aware reasoning
• test-time adaptation
• human-centered deployment
• agentic orchestration
• runtime safety and recovery

지: 전장 선택

아무 dataset에서나 싸우지 말아야 해.

우리 방법의 가치가 가장 선명하게 보이는 조건을 먼저 만들어야 해.

• parameter mismatch
• adversarial loop closures
• repeated environmental change
• long-horizon accumulation
• unknown failure composition
• backend transfer
• GT-unavailable deployment

장: 지휘관

PI의 핵심 역할은 모든 코드를 직접 보는 게 아니야.

• 무엇을 하지 않을지 결정
• 프로젝트의 중심 명제를 보호
• 학생들의 결과를 하나의 논리로 통합
• 논문의 치명적 약점을 조기에 발견
• 결과가 부족할 때 실험을 늘릴지 framing을 바꿀지 판단

법: 규율

탑 논문은 창의성만으로 나오지 않아.

• seed 관리
• parameter 공개
• train/validation/test 분리
• baseline 재현 검증
• negative result 기록
• 모든 figure의 source 추적
• 주장별 evidence table
• reviewer attack checklist

이런 규율이 있어야 창의성이 과학적 결과로 변해.

전 세계 탑급 논문을 위한 연구 정신상태

1. “내 방법이 좋은가?”보다 “이 문제가 분야를 바꾸는가?”

method에 애착을 가지면 방어적으로 돼.

문제에 애착을 가져야 method를 과감히 바꿀 수 있어.

2. 많이 하는 것보다 결정적인 한 가지를 증명하라

탑 논문은 보통 메시지가 많지 않아.

오히려 하나의 명제를 여러 방향에서 피할 수 없게 증명해.

One paper, one irreversible idea.

독자가 논문을 읽고 이전 방식으로 돌아갈 수 없게 만드는 관점 하나가 필요해.

3. 성능을 자랑하기 전에 실패를 지배하라

강한 연구자는 최고 성능을 보여주는 사람이 아니라,

• 언제 성공하는지
• 언제 실패하는지
• 왜 실패하는지
• 실패를 어떻게 감지하는지
• 어떻게 회복하는지

를 통제하는 사람이야.

로보틱스에서는 특히 failure ownership이 중요해.

4. 논문을 제출물로 보지 말고 분야에 대한 주장으로 봐라

논문은 “이번 학회에 붙을 결과물”이 아니야.

“이 분야는 앞으로 이 문제를 이렇게 보아야 한다.”

라는 공개 주장이어야 해.

그렇게 생각하면 writing도 달라져.

• introduction은 배경 설명이 아니라 관점 전환
• related work는 논문 목록이 아니라 기존 패러다임의 한계
• method는 구성 요소가 아니라 주장 구현
• experiment는 성능표가 아니라 반박 제거
• conclusion은 요약이 아니라 새 연구 방향 선언

5. 연구를 사랑하되 자신의 아이디어를 사랑하지 마라

아이디어를 사랑하면 반례를 피하게 돼.

현상을 사랑하면 반례를 통해 더 깊은 원리를 발견하게 돼.

틀린 가설을 빨리 버리는 것은 실패가 아니라 연구 속도의 증거야.

탑티어 논문을 위한 실전 질문 10개

프로젝트마다 이 질문에 답해보면 돼.

1. 이 논문이 없으면 커뮤니티가 어떤 중요한 사실을 계속 놓치게 되는가?
2. 기존 연구가 이 문제를 풀지 못한 구조적 이유는 무엇인가?
3. 왜 지금 이 문제인가?
4. 왜 우리가 특히 잘 풀 수 있는가?
5. 가장 단순한 형태로 핵심 현상을 보여주는 실험은 무엇인가?
6. 리뷰어가 제기할 가장 치명적인 반론은 무엇인가?
7. 그 반론을 단 하나의 실험으로 제거할 수 있는가?
8. 성능 향상 외에 새롭게 측정해야 하는 축은 무엇인가?
9. 논문에서 단 하나의 그림만 남는다면 무엇을 보여줄 것인가?
10. 3년 뒤 다른 논문들이 우리 논문에서 어떤 용어, metric, protocol을 인용하게 될 것인가?

10번에 답이 선명하면 선도 연구가 될 가능성이 높아.

교수로서 가져갈 수 있는 연구 지휘 원칙

학생에게 “실험 더 해봐”라고 말하기 전에 다음 순서로 물어보는 것이 좋아.

1. 전장은 맞는가?

문제가 충분히 중요한가?

2. 승리 조건은 명확한가?

어떤 결과가 나오면 hypothesis가 지지되는가?

3. 적의 가장 강한 방어는 무엇인가?

가장 강한 baseline과 반론은 무엇인가?

4. 지금 하는 실험이 결정적인가?

그 실험 결과에 따라 실제 의사결정이 바뀌는가?

5. 이 결과가 paper claim으로 변환되는가?

그냥 수치가 아니라 문장으로 무엇을 증명하는가?

이 다섯 질문을 반복하면 학생들이 “일을 많이 하는 연구자”가 아니라 승리 구조를 설계하는 연구자로 바뀌어.

마지막으로 압축하면

연구판 손자병법은 다음 일곱 문장으로 정리할 수 있어.

싸우기 전에 이길 조건을 만든다. 남이 강한 곳이 아니라 비어 있는 곳을 친다. 방법보다 문제를 선점한다. 실험량보다 반박 불가능한 증거 구조를 만든다. 성공 성능보다 실패와 회복을 지배한다. 한 편의 논문이 다음 연구의 지형을 바꾸게 한다. 논문을 내는 것이 아니라, 분야가 생각하는 방식을 바꾼다.

그리고 가장 중요한 정신상태는 이거라고 봐.

“내가 세계 최고의 연구자보다 더 똑똑해야 이기는 것이 아니다. 그들이 아직 제대로 싸우지 않은 전장을 먼저 발견하고, 내가 이길 수밖에 없는 규칙으로 문제를 다시 정의하면 된다.”