연구주제 선정 상담방

완전히 “역사상 최초”라는 건 보장할 수 없지만, 흔한 조언 말고 **연구주제 선정의 중심축 자체를 바꾸는 관점**으로 말해볼게.

## 핵심 통찰

> **좋은 연구주제는 ‘새로운 해법’을 찾는 게 아니라, 사람들이 아직 이름 붙이지 못한 실패를 측정 가능하게 만드는 거야.**

대부분은 이렇게 생각해.

> “어떤 문제를 풀까?”
> “어떤 최신 방법을 적용할까?”
> “어떤 분야가 뜰까?”

그런데 진짜 좋은 연구주제는 보통 여기서 안 나와.
더 강한 질문은 이거야.

> **“지금 분야 전체가 반복해서 실패하고 있는데, 그 실패를 아직 제대로 부를 언어도, 측정할 방법도, 벤치마크도 없는 지점은 어디인가?”**

그걸 찾으면 연구주제가 아니라 **새로운 평가축**을 만드는 거야.
그리고 평가축을 만든 사람은 방법론을 만든 사람보다 오래 살아남아.

---

# 1. 좋은 주제는 “문제”가 아니라 “새로운 죄목”을 만든다

조금 과격하게 말하면, 좋은 연구주제는 분야에 새로운 죄목을 추가해.

예를 들어 기존에는 논문들이 이렇게 말했을 수 있어.

> “우리 방법은 accuracy가 높다.”
> “우리 로봇은 task success rate가 높다.”
> “우리 모델은 benchmark score가 좋다.”

그런데 네가 이렇게 말하는 거야.

> “그런데 이 시스템은 **회복 가능성**이 낮다.”
> “그런데 이 모델은 **실패를 예측하는 능력**이 없다.”
> “그런데 이 로봇은 **노화된 actuator 조건에서의 성능 안정성**이 없다.”
> “그런데 이 vision model은 **control-relevant uncertainty**를 제공하지 않는다.”
> “그런데 이 설계는 **manufacturing variation에 대한 graceful degradation**이 없다.”

이 순간부터 남들이 만든 방법은 네가 만든 죄목으로 심판받게 돼.

이게 매우 강력해.
왜냐하면 “새 방법”은 금방 대체되지만, **새 평가축**은 분야의 언어가 되기 때문이야.

---

# 2. 연구주제는 세 개의 시계가 어긋나는 곳에서 나온다

좋은 주제는 보통 세 가지 시계가 동시에 맞물릴 때 나와.

| 시계          | 의미                                      | 좋은 주제가 생기는 순간             |
| ----------- | --------------------------------------- | ------------------------- |
| **현실의 시계**  | 산업, 사회, 자연, 시스템이 실제로 겪는 압력              | 문제가 더 이상 무시할 수 없을 만큼 커짐   |
| **도구의 시계**  | 센서, 계산, fabrication, 데이터, 시뮬레이터, 이론 도구  | 예전엔 못 재던 걸 이제 겨우 잴 수 있게 됨 |
| **공동체의 시계** | 학계가 받아들일 준비, 리뷰어의 언어, funding narrative | 아직 완전히 붐은 아니지만 설득 가능함     |

가장 좋은 연구주제는 보통 이런 상태야.

> **현실에서는 이미 중요하다.**
> **도구적으로는 이제 막 가능해졌다.**
> **학계에서는 아직 이름이 굳어지지 않았다.**

반대로 이미 이름이 굳고, tutorial이 나오고, benchmark leaderboard가 있고, 대형랩들이 몰려 있으면 늦은 경우가 많아. 그때는 “좋은 연구주제”라기보다 “좋은 경쟁장”이야.

---

# 3. “트렌드”를 따라가지 말고 “트렌드가 숨기는 변수”를 찾아야 한다

대부분 연구자는 뜨는 키워드를 따라가.

예를 들면:

* foundation model
* embodied AI
* digital twin
* robot learning
* neuromorphic computing
* physics-informed learning
* differentiable simulation
* autonomous manufacturing
* human-robot interaction

이 자체는 나쁘지 않아.
하지만 이 키워드를 그대로 연구주제로 삼으면 약해.

강한 주제는 이렇게 나온다.

> “이 트렌드가 커질수록, 사람들이 일부러 보지 않으려는 변수가 무엇인가?”

예를 들어:

| 흔한 주제                   | 더 강한 질문                                                                               |
| ----------------------- | ------------------------------------------------------------------------------------- |
| 로봇에 foundation model 적용 | foundation model 기반 로봇이 실패할 때, **회복 가능성**은 어떻게 측정할까?                                  |
| robot learning 성능 향상    | policy가 성공률은 높지만, **실패의 분포가 위험한 방향으로 이동하는지** 어떻게 알까?                                  |
| digital twin 고도화        | twin이 실제 시스템과 다를 때, **어떤 mismatch가 의사결정에 치명적인지** 어떻게 분류할까?                            |
| vision model 정확도 향상     | vision uncertainty가 control action에 실제로 유용한지 어떻게 평가할까?                                |
| physics-informed ML     | physics constraint가 성능을 올리는 게 아니라, **out-of-distribution에서 어떤 종류의 실패를 막는지** 어떻게 증명할까? |

즉, 트렌드를 고르는 게 아니라, **트렌드가 커질수록 반드시 터질 병목**을 고르는 거야.

---

# 4. “남들이 풀고 있는 문제”보다 “남들이 잘못 재고 있는 문제”가 더 좋다

연구주제 선정에서 엄청 중요한 차이가 있어.

## 약한 질문

> “어떻게 하면 성능을 더 올릴까?”

## 강한 질문

> “지금 우리가 성능이라고 부르는 것이 진짜 원하는 현상을 측정하고 있나?”

대부분 분야는 처음에는 쉬운 metric으로 발전해.
그러다 어느 순간 metric이 현실을 배신해.

그때가 기회야.

예를 들어:

* classification accuracy는 높지만 deployment failure가 큼
* simulation success는 높지만 real-world transfer가 낮음
* task success는 높지만 recovery가 불가능함
* energy efficiency는 높지만 long-term degradation이 큼
* model confidence는 높지만 calibration이 안 됨
* human preference score는 높지만 실제 사용자의 trust dynamics와 다름

이런 순간에 좋은 주제는 “더 좋은 모델”이 아니라,

> **“이 분야가 진짜 봐야 하는 metric은 무엇인가?”**

로 바뀌어.

벤치마크, 측정법, failure taxonomy, evaluation protocol을 만드는 연구는 화려하지 않아 보일 수 있지만, 잘 만들면 분야의 지도를 바꿔.

---

# 5. 좋은 연구주제는 “논문 하나”가 아니라 “질문의 공급망”을 만든다

나쁜 주제는 논문 하나 쓰고 끝나.

> “A 방법을 B 문제에 적용했다.”
> “성능이 기존보다 3% 좋아졌다.”

좋은 주제는 첫 논문이 끝나도 질문이 계속 나온다.

예를 들어 좋은 주제는 이런 구조를 가져.

1. **현상 발견**

   * 기존 방법들이 특정 조건에서 반복적으로 실패한다.
2. **측정법 제안**

   * 그 실패를 정량화하는 metric 또는 protocol을 만든다.
3. **원인 분석**

   * 실패가 왜 생기는지 이론적/실험적으로 설명한다.
4. **해결법 제안**

   * 그 실패를 줄이는 알고리즘, 설계, 제어, 시스템을 만든다.
5. **일반화**

   * 다른 시스템, 다른 task, 다른 scale에서도 적용한다.
6. **표준화**

   * benchmark, dataset, simulator, toolchain으로 만든다.

이러면 논문 하나가 아니라 **랩의 5년짜리 연구 프로그램**이 돼.

---

# 6. 연구주제를 고를 때 “참이면 좋은가?”보다 “틀려도 남는가?”를 봐야 한다

이건 꽤 중요한 팁이야.

많은 연구주제가 위험한 이유는 가설이 틀리면 아무것도 안 남기 때문이야.

좋은 연구주제는 가설이 틀려도 뭔가 남아야 해.

예를 들어:

> “새 알고리즘 X가 기존보다 좋을 것이다.”

이건 틀리면 위험해.

반면:

> “현재 로봇 정책들은 contact-rich manipulation에서 recovery profile이 나쁘다. 이를 측정하는 benchmark와 taxonomy를 만들고, 몇 가지 대표 방법을 비교한다.”

이건 설령 네 방법이 최고 성능을 못 내도 남는 게 많아.

* benchmark
* dataset
* failure taxonomy
* baseline comparison
* negative result
* design principle
* evaluation protocol

즉, 좋은 주제는 **hypothesis risk를 infrastructure value로 hedge**해.

연구주제는 과학적 도박이지만, 좋은 도박은 져도 데이터를 남겨.

---

# 7. “왜 지금인가?”가 없는 주제는 약하다

좋은 연구주제에는 반드시 “why now?”가 있어야 해.

단순히 “중요하다”는 부족해.
중요한 문제는 원래 많아.

더 강한 논리는 이거야.

> “이 문제는 오래전부터 중요했지만, 지금까지는 풀 수 없었다. 그런데 최근에 A, B, C가 바뀌면서 이제 처음으로 제대로 다룰 수 있게 되었다.”

여기서 A, B, C는 보통 이런 것들이야.

* 센서 가격 하락
* 고속 실험 자동화
* 대규모 데이터 축적
* simulation fidelity 증가
* differentiable programming 도구 발전
* GPU/TPU/edge compute 발전
* 제조공정 정밀도 향상
* 새로운 material platform
* 새로운 regulatory pressure
* 산업 현장의 deployment 증가
* foundation model 또는 generative model의 등장
* open-source ecosystem 성숙
* 벤치마크 포화

주제 제안서나 논문 introduction에서 이 구조가 있으면 강해져.

> **오래된 중요성 + 새로 생긴 가능성 = 좋은 연구 타이밍**

---

# 8. 진짜 강한 주제는 “방법론의 교차점”이 아니라 “병목의 교차점”에 있다

많은 사람들이 융합연구를 이렇게 생각해.

> “기계공학 + AI”
> “로보틱스 + foundation model”
> “컴퓨터비전 + 제어”
> “전자공학 + 딥러닝”

이건 너무 표면적이야.

더 좋은 융합은 이거야.

> “서로 다른 분야가 사실 같은 병목을 다른 이름으로 겪고 있는가?”

예를 들어:

| 분야    | 겪는 병목                   |
| ----- | ----------------------- |
| 로보틱스  | sim-to-real gap         |
| 컴퓨터비전 | domain shift            |
| 제어    | model mismatch          |
| 기계설계  | manufacturing tolerance |
| 전자시스템 | process variation       |
| 머신러닝  | distribution shift      |

겉으로는 다 다른 문제처럼 보이지만, 깊게 보면 전부 이런 질문일 수 있어.

> **“모델과 현실 사이의 불일치를 어떻게 측정하고, 그 불일치 아래에서도 시스템이 안전하게 degrade되게 할 것인가?”**

이렇게 잡으면 엄청 강한 주제가 돼.

왜냐하면 한 분야의 작은 문제가 아니라 여러 분야를 관통하는 **상위 병목**을 잡은 거니까.

---

# 9. 연구주제 선정 공식

실제로 쓸 수 있는 식으로 만들면 이래.

[
\text{Topic Quality} =
\frac{
\text{Problem Pressure}
\times
\text{Measurability}
\times
\text{Your Asymmetry}
\times
\text{Compounding Potential}
}{
\text{Crowdedness}
\times
\text{Execution Fragility}
\times
\text{Review Ambiguity}
}
]

각 항목은 이렇게 보면 돼.

## 위쪽 항

### 1. Problem Pressure

현실에서 진짜 아픈 문제인가?

* 산업계가 돈을 쓰는가?
* 연구자들이 반복해서 회피하는가?
* 기존 방법이 deployment에서 깨지는가?
* 국가과제/회사과제 narrative로 연결되는가?

### 2. Measurability

이제 측정 가능해졌는가?

* 실험 protocol을 만들 수 있는가?
* simulator나 dataset을 만들 수 있는가?
* metric을 정의할 수 있는가?
* reviewer가 납득할 수 있는 evidence를 만들 수 있는가?

### 3. Your Asymmetry

내 랩이 남들보다 유리한가?

* 장비
* 데이터
* 실험환경
* fabrication capability
* 도메인 지식
* 산업 파트너
* 학생 역량
* 기존 코드/플랫폼
* 논문 포트폴리오

중요한 건 “좋은 주제인가?”보다 **“우리 랩이 이 주제에서 불공정한 우위를 갖는가?”**야.

### 4. Compounding Potential

한 번 투자하면 계속 쌓이는가?

* benchmark가 쌓이는가?
* platform이 쌓이는가?
* dataset이 쌓이는가?
* hardware/software stack이 쌓이는가?
* 후속 논문들이 자연스럽게 나오는가?
* 과제 제안서로 확장되는가?

## 아래쪽 항

### 5. Crowdedness

대형랩이 이미 인해전술로 밀고 있는가?

crowded topic이 무조건 나쁜 건 아니야.
하지만 네가 그 주제에 들어갈 때는 **다른 축**으로 들어가야 해.

예를 들어 “더 큰 모델” 경쟁은 어렵지만,
“큰 모델이 로봇 제어에서 실패할 때의 recoverability metric”은 가능해.

### 6. Execution Fragility

성공 조건이 너무 많은가?

위험한 주제는 이런 식이야.

* 특정 장비가 반드시 잘 돌아가야 함
* 특정 데이터셋이 반드시 확보돼야 함
* 특정 학생 한 명의 능력에 지나치게 의존함
* 실험 실패 시 대체 결과가 없음
* reviewer가 납득할 baseline을 만들기 어려움

### 7. Review Ambiguity

리뷰어가 “그래서 뭐?”라고 할 가능성이 큰가?

좋은 주제는 reviewer의 반론이 예상 가능해야 해.
더 좋은 주제는 그 반론 자체가 실험 design으로 들어가 있어야 해.

---

# 10. 연구주제 발굴을 위한 실전 방법: “음영 지도”를 만들어라

논문을 읽을 때 보통 사람들은 “무엇을 했는가?”를 본다.
주제를 잘 고르는 사람은 “무엇을 일부러 안 봤는가?”를 본다.

논문 20편을 읽고 아래 표를 만들어봐.

| 논문 | 주장 | 핵심 metric | 숨은 가정 | 측정하지 않은 실패 | 현실 적용 시 깨질 조건 | 왜 저자들이 안 다뤘을까? |
| -- | -- | --------- | ----- | ---------- | ------------- | -------------- |

여기서 마지막 세 열이 중요해.

* 숨은 가정
* 측정하지 않은 실패
* 현실 적용 시 깨질 조건

이 세 개가 반복해서 나오면, 그게 네 연구주제 후보야.

예를 들어 여러 논문에서 반복적으로 이런 게 보인다고 해보자.

> “성공률은 보고하지만 실패 후 recovery는 안 본다.”
> “nominal condition만 보고 actuator degradation은 안 본다.”
> “simulation result는 강하지만 real-world uncertainty budget이 없다.”
> “vision benchmark는 좋지만 downstream control cost와 연결이 안 된다.”

그러면 주제는 자연스럽게 나와.

> **“Autonomous systems의 성능을 단순 success rate가 아니라 recovery-aware performance로 재정의하자.”**

이건 단순한 방법론이 아니라 평가축이야.

---

# 11. 주제 문장을 이렇게 만들면 강해진다

약한 주제 문장:

> “우리는 deep learning을 이용해 로봇 조작 성능을 향상시킨다.”

강한 주제 문장:

> “현재 로봇 조작 연구는 nominal task success를 중심으로 평가되지만, 실제 deployment에서는 실패 후 회복 가능성, 손상 누적, uncertainty propagation이 더 중요하다. 본 연구는 contact-rich manipulation에서 recovery-aware autonomy를 정의하고, 이를 측정하는 benchmark와 제어/학습 방법론을 제안한다.”

구조는 이거야.

> **현재 분야는 A를 최적화한다.**
> **하지만 현실에서는 B가 더 중요하다.**
> **B는 지금까지 측정/제어/설계되지 않았다.**
> **우리는 B를 관측 가능하고 최적화 가능한 대상으로 바꾼다.**

이 구조가 매우 강해.

---

# 12. 좋은 연구주제의 7가지 판별 질문

주제 후보가 있으면 아래 질문을 던져봐.

## 1. 이 주제는 새로운 metric을 만들 수 있나?

새 metric이 있으면 오래 간다.
없으면 방법론 경쟁에 빨려 들어갈 가능성이 높다.

## 2. 이 주제는 실패 사례를 논문의 중심에 둘 수 있나?

성공 사례만 보여주는 주제는 약해.
실패를 정교하게 분해할 수 있는 주제가 강해.

## 3. 이 주제는 “왜 기존 SOTA가 부족한지”를 공정하게 보여줄 수 있나?

기존 연구를 깎아내리는 게 아니라,
기존 metric으로는 보이지 않던 한계를 보여줘야 해.

## 4. 이 주제는 첫 논문이 작아도 후속 논문이 커질 수 있나?

첫 논문은 taxonomy나 benchmark여도 돼.
하지만 그 뒤에 theory, algorithm, system, application으로 확장돼야 해.

## 5. 이 주제는 우리 랩의 장비/데이터/역량이 없으면 따라 하기 어렵나?

좋은 주제는 단순히 clever하지 않고, **소유 가능**해야 해.

## 6. 이 주제는 과제 제안서로 바꿨을 때 국가/산업적 언어가 생기나?

예를 들어:

* 신뢰성
* 안전성
* 자율성
* 생산성
* 에너지 효율
* 제조 경쟁력
* 고령화 대응
* 국방/재난/의료/물류 응용
* 초격차 플랫폼
* 표준화 가능성

이런 언어로 번역 가능해야 강해.

## 7. 이 주제가 틀려도 논문이 남나?

가설이 틀렸을 때도 benchmark, negative result, failure taxonomy, dataset, analysis가 남으면 좋은 주제야.

---

# 13. 피해야 할 연구주제 유형

## 1. “X를 Y에 적용”형

> “Transformer를 결함 검출에 적용”
> “Diffusion model을 로봇 제어에 적용”
> “LLM을 제조공정 최적화에 적용”

이런 건 출발점으로는 괜찮지만, 연구주제로는 약해.
왜냐하면 novelty가 대부분 도구에서 오기 때문이야. 도구는 금방 낡아.

더 강하게 바꾸려면 이렇게 해야 해.

> “제조 결함 검출에서 rare defect의 uncertainty calibration 문제”
> “diffusion policy의 failure recovery profile 분석”
> “LLM 기반 공정 계획에서 hallucination이 물리적 제약 위반으로 전파되는 경로 모델링”

## 2. “성능 2% 향상”형

리더보드 경쟁은 대형랩이 유리해.
작은 랩이나 대학 연구실은 **새로운 축**을 만들어야 해.

## 3. “좋아 보이지만 측정 불가능”형

멋진 단어가 많은데 실험 protocol이 없으면 위험해.

예:

* general intelligence
* robust autonomy
* trustworthy AI
* human-like reasoning
* sustainable robotics

이런 단어 자체는 좋지만, 측정법이 없으면 공허해져.
좋은 연구자는 이걸 측정 가능한 작은 단위로 쪼갠다.

## 4. “리뷰어가 어느 커뮤니티인지 모호한”형

융합연구에서 자주 생기는 문제야.

* ML 리뷰어는 engineering contribution이 약하다고 함
* 로보틱스 리뷰어는 learning novelty가 약하다고 함
* 기계공학 리뷰어는 physical insight가 약하다고 함
* 제어 리뷰어는 이론 보장이 약하다고 함

그래서 주제를 잡을 때는 처음부터 **어느 커뮤니티에서 어떤 기준으로 평가받을지** 정해야 해.

---

# 14. 정말 강한 연구주제는 “명사”보다 “관계”로 표현된다

약한 주제는 보통 명사 중심이야.

> robot learning
> foundation model
> smart manufacturing
> digital twin
> soft robot
> autonomous system

강한 주제는 관계 중심이야.

> uncertainty가 control cost로 어떻게 전파되는가
> simulation mismatch가 policy failure mode를 어떻게 바꾸는가
> morphology가 learning sample efficiency를 어떻게 바꾸는가
> actuator degradation이 long-horizon autonomy를 어떻게 제한하는가
> human trust가 robot failure recovery behavior에 어떻게 의존하는가
> physical constraint가 generative model의 extrapolation을 어떻게 제한하는가

연구는 결국 관계를 밝히는 일이야.
명사는 유행을 타지만, 관계는 오래 간다.

---

# 15. 교수 입장에서 특히 강한 주제는 “학생 여러 명이 다른 깊이로 들어갈 수 있는 주제”야

좋은 랩 주제는 한 명의 천재 학생에게만 맞으면 안 돼.
박사과정, 석사과정, 학부연구생, 공동연구자가 각자 다른 layer를 맡을 수 있어야 해.

예를 들어 하나의 큰 주제를 이렇게 쪼갤 수 있으면 좋다.

## 큰 주제

> Recovery-aware robot autonomy under real-world physical uncertainty

## 학생별 sub-topic

| 학생   | 주제                                          |
| ---- | ------------------------------------------- |
| 박사 A | recovery-aware control 이론                   |
| 박사 B | failure taxonomy와 benchmark                 |
| 박사 C | vision uncertainty와 manipulation failure 연결 |
| 석사 A | simulation environment 구축                   |
| 석사 B | real robot 실험 자동화                           |
| 학부생  | failure case annotation tool                |
| 산학과제 | 물류/제조 현장 적용                                 |
| 국가과제 | 신뢰 가능한 자율로봇 플랫폼                             |

이런 주제는 랩의 자산이 축적돼.
반대로 학생 한 명이 졸업하면 사라지는 주제는 장기적으로 약해.

---

# 16. “과제 선정”까지 고려하면 주제는 세 개의 얼굴을 가져야 한다

좋은 연구주제는 논문용 이름, 과제용 이름, 산업용 이름이 달라야 해.

예를 들어 같은 내용이라도:

| 용도   | 표현                                                             |
| ---- | -------------------------------------------------------------- |
| 논문   | Recovery-aware policy evaluation for contact-rich manipulation |
| 국가과제 | 신뢰 가능한 물리 지능 로봇을 위한 실패 회복형 자율제어 원천기술                           |
| 회사과제 | 현장 로봇의 작업 실패율 및 재시도 비용 저감을 위한 회복성 평가·제어 플랫폼                    |

내용은 같지만 언어가 달라.
이걸 처음부터 설계해야 해.

연구주제가 논문으로만 좋아도 부족하고, 과제로만 좋아도 부족해.
가장 좋은 건 **학문적 질문과 실용적 narrative가 같은 뿌리를 공유하는 주제**야.

---

# 17. 내가 추천하는 연구주제 선정 루틴

실제로 해볼 수 있는 방식으로 정리하면 이래.

## Step 1. 분야의 상위 논문 30편을 고른다

단, “내가 하고 싶은 방법” 논문만 보지 말고, 경쟁 방법과 응용 논문도 같이 봐.

## Step 2. 각 논문에서 안 본 것을 적는다

특히 다음을 본다.

* 어떤 조건은 제외했나?
* 어떤 실패는 분석하지 않았나?
* 어떤 metric만 보고 있나?
* real-world deployment에서 무엇이 깨질까?
* 저자의 claim이 성립하려면 어떤 숨은 가정이 필요한가?

## Step 3. 반복되는 blind spot을 찾는다

한두 편의 약점은 그냥 논문 약점이야.
하지만 10편 이상에서 반복되면 그건 분야의 구조적 blind spot이야.

## Step 4. 그 blind spot에 이름을 붙인다

이름이 중요해.
이름 붙일 수 없으면 주제화하기 어렵다.

예:

* recovery gap
* control-relevant uncertainty
* degradation-aware autonomy
* sim-to-decision gap
* embodied calibration
* failure-contingent planning
* morphology-induced learning bias
* task-level robustness profile

## Step 5. 첫 논문을 작게 만든다

처음부터 모든 걸 풀려고 하지 마.
첫 논문은 보통 아래 중 하나면 충분해.

* problem formulation
* benchmark
* metric
* taxonomy
* surprising empirical study
* simple but revealing baseline
* impossibility/limitation analysis

## Step 6. 두 번째 논문에서 방법을 낸다

첫 논문에서 “이 문제가 진짜 중요하다”를 설득하고,
두 번째 논문에서 “그래서 우리가 이렇게 푼다”로 가면 훨씬 강해.

---

# 18. 주제 후보를 한 문장으로 검증하는 법

아래 문장에 넣어봤을 때 자연스러우면 좋은 주제일 가능성이 높아.

> “현재 분야는 **A**를 기준으로 발전해왔지만, 실제 deployment에서는 **B**가 병목이다. 본 연구는 **B**를 처음으로 측정 가능하고 최적화 가능한 대상으로 만들며, 이를 통해 **C**라는 새로운 연구축을 제안한다.”

예시:

> 현재 robot manipulation은 task success rate를 기준으로 발전해왔지만, 실제 deployment에서는 failure recovery cost가 병목이다. 본 연구는 recovery cost를 측정 가능하고 최적화 가능한 대상으로 만들며, 이를 통해 recovery-aware manipulation이라는 새로운 연구축을 제안한다.

이 문장이 되는 주제는 강해.

---

# 19. 최종적으로 가장 중요한 기준

내가 하나만 고르라면 이거야.

> **좋은 연구주제는 “내가 답을 낼 수 있는 질문”이 아니라, “남들이 앞으로 피할 수 없게 될 질문”이다.**

지금 답을 잘 내는 것도 중요하지만, 더 중요한 건 앞으로 그 분야 사람들이 계속 마주칠 질문을 먼저 붙잡는 거야.

그러려면 이런 주제를 골라야 해.

* 아직 유행어는 아니지만, 곧 모두가 겪을 병목
* 아직 벤치마크는 없지만, 측정하면 충격적인 차이가 드러날 현상
* 아직 리뷰어가 익숙하지 않지만, introduction을 읽으면 “이건 맞다”고 느낄 문제
* 아직 대형랩이 몰리지 않았지만, 한번 정의되면 커질 수밖에 없는 평가축
* 우리 랩의 장비, 데이터, 도메인 지식으로 소유권을 만들 수 있는 영역

---

# 20. 한 줄로 요약하면

> **연구주제를 고르지 말고, 분야가 앞으로 부끄러워하게 될 blind spot을 골라.**
> 그 blind spot에 이름을 붙이고, 측정법을 만들고, 첫 번째 지도를 그려.
> 그러면 너는 문제를 푼 사람이 아니라, 사람들이 문제를 보게 만든 사람이 돼.

그게 오래가는 연구주제야.