近日，一篇题为《Prompts for Open Problems》的文章在机器学习研究社区引发了广泛讨论。文章作者系统性地提出了四个具有高度前瞻性和可行性的研究方向，旨在推动领域突破现有范式。首先，“基于设计的机器学习”倡导将系统化设计原则融入模型构建过程，而非单纯依赖数据驱动。其次，“竞争性测试理论”旨在建立一套评估模型在对抗性或动态环境中鲁棒性的新框架。第三，文章呼吁在大语言模型的推理能力评估上“超越平均情况与确定性等价”，即需要更精细地衡量模型在边缘案例和不确定性下的表现。最后，“开源、开放语料库的语言模型”则强调了构建透明度更高、可审计性更强的模型生态的重要性。作者指出，这些研究方向并非遥不可及，关键在于研究社区是否具备足够的意愿与资源投入。这些问题的提出，直指当前机器学习研究在可解释性、鲁棒性、评估方法及开放性方面的核心挑战，对学术界和工业界的下一步发展具有明确的指引价值。