1. 研究員實際上都在做什麼？ 🤔

一句話來說

感覺就像把偵探 + 登山家 + 記錄者合而為一。只不過，這裡的「兇手」是整個人類都還不知道的真相，而你要爬的山是連地圖都沒有的山。🔬

研究員 (Researcher / Research Scientist)一句話講，就是「創造世界上原本不存在的知識的人」。具體來說，他們做這些事：

• 提出問題：「為什麼這個細胞不會死？」「能不能把這個材料做得更輕？」一切都從沒人知道答案的問題開始。
• **文獻調查：**把已經有誰、查清楚了哪些，讀完數百篇論文並整理起來（別人已經解開的，就不用再解一次了）。
• **建立假設：**做出像「大概是因為 X」這樣可以被驗證的推測。
• **設計與執行實驗：**設計能檢驗假設的實驗，然後真的去跑。如果是生物、化學，就親手操作；如果是電腦領域，就用程式碼。
• **資料分析：**用統計、計算去拆解跑出來的結果。「這到底是真的訊號，還是純粹巧合？」
• **撰寫論文與發表：**把發現寫成文章投到學術期刊，並在學會上發表。寫作是研究的一半。沒有被驗證過的發現，還不算發現。

我用氛圍幫你速寫一下「研究員的一天」（每個領域天差地遠喔）：

• **上午：**確認昨天跑的實驗結果。一半是「跟預想的一樣！」，另一半是「咦？怎麼會這樣？」。其實那個「為什麼？」才是真正有趣的部分。
• **中午：**實驗室會議（lab meeting）。把結果秀給同事看，有時被電爆，有時得到新點子。研究看起來像是一個人做的，其實是團隊運動。
• **下午：**再多跑幾組實驗，或寫程式，或讀論文，或分析資料。然後寫研究經費（grant）申請書的時間也相當多（這比想像中佔更大的比重）。
• **晚上：**如果截止日快到了，就修潤論文初稿。這是把好的發現，轉換成「別人能理解、能相信的文章」的工作。

最帥的一點？你每天都在人類知識最外圈的邊界線上工作。會有那麼一刻，教科書上還沒寫進去的東西，由你第一個看見。

這份職業帥在哪裡 ✨

老實說吧：研究很辛苦。但人們選這條路的那個「為什麼」，真的非常強大。

• **第一個看見世界上原本沒有的東西：**會有那麼一刻，在這個宇宙裡，知道那個事實的人地球上只有你一個。就為了那五分鐘的痛快，人們撐了好幾年。
• **影響力是真的：**卡塔林·卡里科的 mRNA 研究變成了新冠疫苗，光是第一年就救了約兩千萬人的命。而那原本是一開始沒人願意相信的研究。你的好奇心，可能救活數百萬人。
• **一輩子都在學：**對於覺得重複做同樣事情很膩的人，這裡是天堂。因為這是一個每年得學新東西才活得下去的領域。
• 自由度很高：（尤其是進入學界或成為 PI 之後）「要解哪個問題」可以由你自己決定。世界上這樣的職業沒幾個。

也有安靜的成就感：

• 好幾個月都解不開的問題，在凌晨兩點突然「啊！」一聲解開的時候。
• 讀了你論文的、地球另一端的研究者寄信來說「多虧了這個，我們的研究有了進展」的時候。
• 學弟妹說「聽了學長／姊的發表，我決定走這個領域」的時候。

而且現在真的是個非常有趣的時間點。隨著 AI 用瘋狂的速度加速文獻調查、假設生成、模擬，一個研究員把以前需要整個團隊花十年才能做完的事，做得遠遠更快的時代，正要來臨。

冷靜的現實（reality check） ⚠️

如果你哪怕只有一點點在考慮當研究員，你就有資格知道真相，而不是 IG 上的精選亮點。

進入門檻非常非常長：

• 學士 4 年 +（大部分真正的研究職）博士 4～6 年
• 之後博士後（postdoc）2～5 年幾乎是預設值
• 走完這些，你才終於站上「獨立研究者」的起跑線

而且研究的本質就是**失敗。**真的。實驗的 80～90% 都不會成功。確認「假設是錯的」是家常便飯。你得能撐住幾個月、甚至幾年的「今天也沒成」。

沒人會告訴你的事：

• 研究經費（grant）的申請通過率常常只有 10～20%。就算有好點子，拿不到錢就沒辦法做研究。所以研究員其實也花很多時間當「申請書作家」。
• 論文也會被拒。卡里科和魏斯曼把 mRNA 的發現投到*《自然》和《科學》*，結果兩邊都被拒。世界頂尖的學術期刊，拒掉了會得諾貝爾獎的研究。
• 博士、博士後時期，一週工作 60～80 小時是常見的事。然而薪水以博士後來說，常常只有年薪 5～6 萬美元左右（以美國為準）。

經濟上的現實：

• 博士在學期間因為是學生，收入很少（或幾乎沒有），「機會成本」很大。當同學就業賺錢時，你還在學校。
• 學界的正職（終身職軌道，tenure track）**位子真的很少。**拿到博士的人數比教授職位多太多，多到出現「一個世代裡最糟的學界就業市場」這種說法。

導正一個誤解：研究員一天的大部分，並不是電影裡的「Eureka！」。讀文獻、整理資料、寫申請書、debug 失敗的實驗——是把這些鍥而不捨地重複。但在那份鍥而不捨的盡頭，偶爾會跑出改變世界的發現。

2. 這份職業在未來也有前途嗎？ 📈

就業市場現實檢查

這裡得把「研究員」分成兩條線來看。因為真相完全相反。

產業界 R&D（企業研究所）正在成長。根據美國勞工統計局（BLS），電腦與資訊研究科學家在 2024～2034 年間預估成長約 20%。是全體職業平均（約 3%）的六倍以上。AI、生技、新材料、半導體那邊的企業研究職需求很強勢。韓國也一樣，三星、SK、LG、生技企業，以及政府出資研究機構（KIST、ETRI 等）的 R&D 需求穩定。

**但學界（大學教授職）正好相反。**終身職軌道的位子真的很少，博士後的位子也呈現減少趨勢，「博士滿出來，教授位子卻沒有」這種結構性瓶頸很嚴重。所以最近的博士們越來越多人不去學界，而是往產業界走。

結論：**研究本身的需求很強，但「你要在哪裡做研究」會分出命運。**只盯著大學教授看，路又窄又險；但把企業、國家級研究所、新創都納進視野，路就多得多。

AI 會取代這份職業嗎？

這才是 Reputo 真正想聊的。比起取代研究員，AI 正在把研究員的工作方式整個改掉。

已經正在發生的事：

• **文獻調查加速：**以前讀數百篇論文要花好幾週。現在 AI 幫你把重點摘要出來，縮短成幾天。
• 假設生成：2025 年 2 月，Google 的「AI Co-Scientist」獨立推導出了帝國理工學院（Imperial College）研究團隊花了十年才確認的細菌基因傳遞機制——只花了48 小時。
• **模擬與結構預測：**AlphaFold 解開了塵封 50 年的蛋白質摺疊難題，把以前要花幾個月到幾年的蛋白質結構預測，縮短到幾分鐘。新藥開發的速度整個被改寫。
• **實驗設計：**會由 AI 建議「用這個條件做實驗，能得到最多資訊」的自動實驗迴圈（self-driving lab）也正在出現。

那麼研究員的價值會往哪裡移動？會往這三個地方移：

1. **提出好問題的能力。**AI 能快速找到答案，但要問什麼它還決定不了。值得去解的問題、沒人看過的角度——這會成為人類研究員的核心武器。
2. **善用 AI 的發現者。**像使喚助手一樣驅使 AI，加速文獻、假設、模擬，把省下來的時間花在真正有創意的部分——這樣的人生產力會壓倒性地高。
3. **再現性與驗證。**AI 也會說煞有介事的謊（幻覺）。用實驗去驗證 AI 吐出的假設、結果是不是真的，並保證別人照做也會跑出同樣結果（再現性）——這件事變得更重要了。AI 越是大量產出結果，能判斷「這個真的對嗎？」的人，價值就越高。

成功的研究員不把 AI 當威脅，而是當超能力來用。不是「被 AI 搶走工作的研究員」，而是「去搶不用 AI 的研究員飯碗的研究員」。

💰 實際薪資

學生們永遠在問的：「所以…研究員賺多少？」

美國（USD，以 2026 為準）：

• **博士在學／博士後：**約 $50,000 ～ $65,000（以博士後為準，約 7,000 萬 ～ 9,000 萬韓元）——實質上是「修煉階段」的薪水
• **產業界研究科學家初中期：**平均約 $130,000 ～ $138,000（約 1.8 億 ～ 1.9 億韓元）
• **整體區間：**約 $75,000 ～ $160,000，中位數 $135,000 左右
• **大型科技公司 AI 研究科學家：**含股票的話可達 $300,000 以上（因為是稀缺領域，上限非常高）

韓國（KRW，以 2025～2026 為準）：

• **政府出資研究機構博士起薪：**約 5,200 萬韓元 ～（+ 計畫獎勵、津貼）。KIST 起薪約 4,600 萬韓元，平均年薪約 9,500 萬韓元左右（依資歷、計畫接案而落差很大）
• **大企業研究所（碩、博士）：**起薪普遍比政府出資機構高（甚至有「政府出資機構起薪約只有大企業的 60～70%」這樣的比較）
• 韓國研究員的年薪由「基本薪 + 固有計畫獎勵 + 其他計畫獎勵 + 技術移轉／顧問」構成，所以是越會接計畫、年薪就越往上跳的結構。

現實檢查：研究職是「比起當下賺大錢」更偏向較晚才穩定下來的結構。博士、博士後期間賺得少，等到進產業界或成為資深後就一口氣往上拉。如果你想快點賺錢，走別條路或許更好；如果「我想解開這個問題」才是你真正的動機，那這會是一條不後悔的路。

適合我嗎？（自我評估）

把它想成遊戲角色的養成。研究會獎勵特定的能力值。

這種人超適合：

• 好奇心強到瘋掉的人（受不了「為什麼？」的人）
• 把失敗當資料看的人（不行就別挫折，「喔，原來這樣不行啊」然後接著下一個）
• 有毅力的人（研究不是短跑，是超級馬拉松）
• 喜歡寫作、喜歡解釋的人（讓別人相信你的發現，是工作的一半）
• 一個人深挖、用團隊討論，兩種都行的人
• 撐得住模糊的人（沒有標準答案才是預設值）

老實說，這種人可能會很辛苦：

• 需要快速又確定的回報的人（研究的回報又慢又不確定）
• 必須要有明確答案、有手冊才安心的人
• 對拒絕、批評會大受傷的人（論文、研究經費被拒是家常便飯）
• 非得朝九晚六準時下班、行程可預測不可的人（實驗不會配合你的行程）

工作與生活平衡：

• 博士、博士後初期：大致上很硬（一週 60～80 小時也很常見，被實驗的時間點綁住）
• 產業界資深／穩定期：好很多，但在截止日、計畫季時還是可能很硬

3. 一定要知道的冷靜真相：缺點 ⚠️

工作與生活平衡的現實

老實說吧：尤其是修煉期（博士、博士後）最辛苦。

• 博士、博士後一週工作 60～80 小時是常見的事。
• 實驗不會配合人的行程。細胞凌晨三點也在長，量測儀器要排隊用，一旦開始的實驗就不能中斷。
• 截止日（論文、學會、研究經費申請）一擠在一起，就會被磨上好幾週。

也就是說，尤其在初期，你會放棄很多週末、約會、興趣。要先知道這不是「短暫地忙一下」，而是好幾年的生活方式，再進來。

壓力與心理健康

這份職業的壓力，在親身經歷之前很難解釋：

• 不確定是預設值。「這個會不會成，誰也不知道」，每天都抱著這個過日子。
• **失敗是家常便飯。**實驗大部分都失敗，假設常常是錯的。
• **拒絕是家常便飯。**研究經費申請通過率 10～20%，論文被審稿人電，又改。
• 比較的泥沼。「他投上了*《自然》*，我卻…」這種比較會啃食你的精神。

實際上，博士在學、博士後的 burnout 與心理健康問題，被當作學界的重大議題在討論。所以「韌性（resilience）」不是有的話比較好，而是生存裝備。

經濟現實與機會成本

• 在博士 5～6 年 + 博士後好幾年的期間，同學們都就業領年薪、累積資歷了。你的「機會成本」就有那個差距那麼大。
• 博士後薪水以美國為準是年 $50,000～$65,000 左右，許多人評價：相對於博士學位，這算偏低。
• 回報來得**晚。**進產業界或成為資深後會變好，但在那之前得撐過漫長的隧道。

職涯風險

• **學界瓶頸：**終身職軌道的位子，相對於博士產出的數量，少得離譜。如果目標只有「要當教授」，那場機率之戰會很殘酷。
• **time on market（在市場上的時間）：**學界有種傾向，如果博士畢業後幾年內沒卡到位子，就會把「在市場上待太久」讀成弱點。時鐘一直在走。
• **領域波動：**研究經費會隨政策、趨勢起伏。原本很熱的領域冷掉，錢突然湧向另一個領域。

那些離開的人的故事

離開研究的人常說的話：

• 「不是因為沒才能，而是不確定與不穩定再也撐不下去，才離開的。」
• 「輾轉於各個博士後之間，回過神來已經三十好幾，卻沒有穩定的位子。」
• 「研究本身我是愛的，但為了拿研究經費把一半的時間花在寫申請書上，累了。」

但有個反轉：離開學界的博士裡，相當多人在**產業界、新創、資料領域反而混得更好。**博士訓練（深挖、定義未知問題、用資料證明的能力）在哪裡都是強力的武器。只要丟掉「研究員 = 教授」這個等式，路就寬廣得多。

**結論：**如果好奇心驅動著你、撐得住不確定與拒絕、心裡有「這個問題的答案，我想第一個看見」的渴望——那研究是一條跟世上任何職業都不換的路。如果你需要快速又確定的回報、可預測的行程，那就再多想一次吧。

4. 這個領域的傳奇們 🏆

在研究的歷史上，那些改變世界的人，你以為全都是「從一開始就被認定為天才的菁英」？才怪。是那些被輕視、被降級、被拒絕、被歧視，卻仍緊抓著問題不放到最後的人，最終翻了盤。看看這五個人的故事。

Marie Curie（瑪麗·居禮）——從漏雨的棚屋實驗室到兩座諾貝爾獎

你知道瑪麗·居禮連個像樣的實驗室都沒有，是在漏雨的棚屋般的空間裡，親手提煉好幾噸礦石做研究的嗎？

波蘭出身的她，在女性還上不了大學的時代渡海到巴黎，在貧困與寒冷中讀書。她和丈夫皮耶一起發現，鈾礦會放出光靠鈾無法解釋的過強放射性，並從中找出了釙（名字取自故鄉波蘭）和鐳。然後她揭示了一個根本性的事實：放射性不是來自分子層級的排列，而是來自原子本身——這是改變了物理學典範的發現。

她也正面對抗了歧視。1903 年諾貝爾物理學獎的候選名單，一開始只放了丈夫皮耶和貝克勒，瑪麗被排除在外。即使她是發現的核心主角也一樣。是皮耶堅持「瑪麗的貢獻是同等的，她被排除的話我也不接受」，她才得以一起獲獎。1911 年她又以分離鐳的功績拿下化學獎，成為唯一一位在兩個不同科學領域都獲得諾貝爾獎的人。1906 年皮耶因意外過世後，她成為索邦大學第一位女性教授。把好問題緊抓到最後的毅力是什麼樣子，她示範給我們看了。

Katalin Karikó（卡塔林·卡里科）——被降級四次卻拿到諾貝爾獎的人

你知道卡塔林·卡里科在賓州大學被降級了整整四次，還被同事們叫做「那個瘋掉的 mRNA 大嬸」嗎？

匈牙利出身的她相信 mRNA 能拿來治病。但在 1990 年代，沒人願意相信。拿不到研究經費，大學在 1995 年把她降了級。她投出的研究經費申請書接連被打回票，跟同事德魯·魏斯曼一起寫的核心論文，被*《自然》和《科學》*兩邊都拒絕。會得諾貝爾獎的研究，被世界頂尖學術期刊拒掉了。

她撐下去的祕訣？不是因為「相信長期的努力總有一天會被全球認可所回報」。而是根本不在乎被不被認可，就只是專注在下一個實驗上。2013 年她轉到 BioNTech，她的 mRNA 技術成了輝瑞、莫德納新冠疫苗的基礎，據估計光是第一年就救了約兩千萬人的命。然後在 2023 年，她和魏斯曼獲得了諾貝爾生理醫學獎。她的一句話：「專注在下一個。那就是全部。」

Jennifer Doudna（珍妮佛·道納）——從咖啡店餐巾紙上的塗鴉開始的基因剪刀

你知道珍妮佛·道納的 CRISPR 研究，其實不是「當下就有用的研究」，而是純粹好奇細菌是怎麼跟病毒對抗，才開始的純粹好奇心研究嗎？

在華盛頓特區出生、在夏威夷長大的她，即使身處學校裡「女生搞什麼科學」的氛圍，仍迷上了化學。她在波莫納學院（Pomona College）主修化學、在哈佛拿到博士後，鑽研起 RNA 的三維結構。2006 年，地質微生物學家吉莉安·班菲爾德（Jill Banfield）在柏克萊校園的一間咖啡店裡，把 CRISPR 的示意圖刷刷地畫在餐巾紙上給她看——這就是開端。

她和埃瑪紐埃爾·夏彭蒂耶（Emmanuelle Charpentier）揭示出，可以把細菌的 CRISPR-Cas9 免疫系統，改造成「剪下想要的 DNA 來編輯的工具」。這成了基因編輯的革命——現在全世界數百間研究室都在用它，正在改變遺傳疾病、農業、食品。兩人在 2020 年獲得諾貝爾化學獎，成為兩位女性一起拿下科學領域諾貝爾獎的首例。她的訊息很明確：「從好奇心出發的基礎科學，最終會改變世界。」就算當下看不到用處，好問題也值得挖到最後。

Demis Hassabis（戴密斯·哈薩比斯）——從西洋棋神童到靠 AI 拿諾貝爾獎

你知道戴密斯·哈薩比斯 13 歲就是西洋棋大師（等級分 2300），當過遊戲開發者，後來拿了神經科學博士，再去開了一間 AI 公司嗎？他不是只挖一口井，而是挖了好幾口井的人。

在倫敦出生的他，途經西洋棋、遊戲設計、認知神經科學，執著地鑽研「智慧到底是什麼」。他在 UCL 拿到認知神經科學博士，共同創辦了 DeepMind（深思）。然後他帶領的團隊，用 AlphaFold 解開了生物學 50 年的難題——只看胺基酸序列就預測蛋白質三維結構的問題。

這有多大件事呢，以前光是搞清楚一個蛋白質結構就要花幾個月到幾年。AlphaFold 把它縮短到幾分鐘，並把幾乎所有已知的蛋白質結構都預測出來公開。新藥開發、遺傳疾病研究，乃至被忽視疾病的治療，速度整個被改寫。憑著這份功績，他和約翰·江珀（John Jumper）獲得了2024 年諾貝爾化學獎。是 AI 研究者、而非化學家，拿下了化學獎。他示範的是這件事：AI 不是來取代研究，而是幫研究員解開他一輩子都解不開的問題的工具。未來研究員的樣貌，他先示範給我們看了。

Donna Strickland（唐娜·斯特里克蘭）——博士在學時的一個發現換來諾貝爾獎

你知道唐娜·斯特里克蘭，她拿下諾貝爾獎的核心研究，是在博士在學學生時期做出來的，而且當中隔了 55 年的空白嗎？

加拿大圭爾夫（Guelph）出身的她，在羅徹斯特大學博士在學時期的 1985 年，和指導教授傑拉爾·穆胡（Gérard Mourou）一起發明了啁啾脈衝放大（CPA, Chirped Pulse Amplification）。原理很聰明：直接放大強雷射脈衝會把設備燒掉，所以先把脈衝拉長、降低瞬間功率，安全地放大後，再壓縮回去把強度拉上來。多虧這項技術，雷射脈衝強度一路上升到拍瓦（10¹⁵ 瓦）等級。

現在雷射近視手術（LASIK）、精密加工、超高速科學都在用這項技術。如果你做過近視雷射手術，那你就受惠於唐娜的發現。她在 2018 年獲得諾貝爾物理學獎——是繼瑪麗·居禮（1903）、瑪麗亞·格佩特·梅耶（1963）之後，第三位拿下物理學獎的女性。第二位和第三位女性得主之間，隔了 55 年的空白。她的故事告訴我們兩件事：第一，學生時期做的研究也能改變世界。第二，科學界的多樣性還有很長的路要走，所以還有你可以進去的位子。

5. 該怎麼準備？ 🎯

如果你還是學生（高中生／大學生）

不必是「天才」。需要的是好奇心 + 持之以恆 + 練到手熟的工具們。

要打好的基礎：

• **數學、統計：**幾乎所有研究的通用語言。尤其統計是分辨「這是真的訊號還是巧合」的核心，一定要練強。
• **程式設計：**Python 或 R 現在不分領域都是必備。資料分析、模擬、AI 工具運用全都從這裡出來。
• **你那個領域的核心科學：**生物、化學、物理、CS 等，你被吸引的那個領域的基礎。
• **英文閱讀、寫作：**論文幾乎都是英文。早點把英文讀寫的肌肉練起來。

現在馬上就能開始做的事（真的）：

• **進大學部研究室（UROP）：**這最重要。親身體會真正的研究是什麼樣子，拿到推薦信，也確認適不適合自己。別害怕寄信給教授。
• **讀論文的習慣：**挑一篇有興趣領域的論文，每週讀一篇。一開始只懂 10% 也沒關係。六個月後你會看懂 50%。
• **小小的 side project：**用公開資料集（Kaggle 等）做做分析，或自己設計一個簡單的實驗。用身體把「問題→假設→驗證」這個循環練熟，才是關鍵。
• 早點把 AI 工具練到手熟：用 AI 來摘要文獻、寫程式，但同時也要養成驗證 AI 說了什麼的習慣。這是未來研究員的核心能力。

目標不是堆積經歷。而是**「我真的是那種能抓著真正不知道答案的問題、好幾個月還樂在其中的人嗎？」**——拿來試駕看看。

如果你是從別的領域轉行

好消息：研究意外地是一條可以轉行的路，而且不同的經歷反而會變成優勢。

能順利移轉的東西：

• **領域知識（domain knowledge）：**有臨床經驗的護理師轉去醫學研究、工程師轉去材料研究，懂現場就是很大的武器。
• **資料、寫程式的技能：**開發者、分析師出身的話，會很自然地連接到計算研究（computational research）那邊。在現在的 AI 時代尤其強力。
• **寫作、溝通：**研究的一半是文字。企劃、記者、行銷的經歷意外地也有幫助。

現實的期待：真正的研究職（尤其學界）通常得重新走一趟研究所（碩、博士）。不要把它想成「快速轉行」，而是往新軌道的重新設計。不過產業界 R&D 或資料科學那邊，有不用博士也能進去的路，所以在跳進全職研究所之前，先瞄準那邊的職位也是一種方法。而且在決定之前，一定要先以實習或約聘的形式，把腳伸進研究室試試水溫。

必備技能

把實用的技能堆疊照優先順序整理一下：

• **最優先：統計、資料分析。**所有研究的根基。（資源：第 6 節的統計課程）
• **最優先：程式設計（Python／R）。**分析、模擬、AI 運用的通用語言。
• **最優先：批判性思考 & 提出好問題。**AI 時代最不會被取代的能力。鍥而不捨地追問「這真的對嗎？」的力量。
• **高：科學寫作。**讓別人相信你發現的能力。（資源：The Craft of Research）
• **高：實驗設計 & 再現性意識。**留心「這個結果，別人照做也會跑出同樣的嗎？」的習慣。
• **高：AI 工具運用 + 驗證。**用 AI 加速、同時過濾掉幻覺的能力。這是下一代研究員的差別所在。
• **中：毅力、韌性。**撐住拒絕與失敗的心理素質。可以靠訓練養成。
• **中：協作、發表。**研究是團隊運動。在學會發表、實驗室會議上被電然後學到東西。

6. 學習資源 📚

線上課程（現在馬上能開始）

• **Coursera — Methods and Statistics in Social Sciences（阿姆斯特丹大學）：**把研究方法論與統計的基礎打紮實。https://www.coursera.org
• **Coursera — Johns Hopkins「Data Science」/ R Programming：**資料分析、R 入門的正統路線。https://www.coursera.org/browse/data-science
• **edX — HarvardX「Data Analysis: Basic Probability and Statistics」：**作為機率、統計的起點最棒。https://www.edx.org/learn/statistics
• **edX — MIT/Harvard 統計、資料科學課程：**從 R、迴歸一路到機器學習，分階段進行。https://www.edx.org/learn/data-science
• **Kaggle Learn（免費）：**用手把 Python、資料分析、ML 練熟的實戰迷你課。https://www.kaggle.com/learn

書（研究者的必讀書）

• **《The Craft of Research》（Wayne Booth 等）：**如何立好的研究問題、蒐集證據、寫得有說服力。不分領域的研究聖經。
• **《A PhD Is Not Enough!》（Peter Feibelman）：**從挑指導教授、學界 vs 產業界 vs 國家級研究所的選擇，到研究面試——科學家職涯的生存指南。
• **《Authoring a PhD》（Patrick Dunleavy）：**把博士論文從點子一路帶到完成、出版的實戰指引。
• **《How to Write a Lot》（Paul Silvia）：**養成不拖延、持之以恆書寫的習慣。既然研究的一半是寫作，這就是本意外的必讀書。

網站 & 工具

• **Google Scholar（scholar.google.com）：**論文搜尋的起點。跟著引用關係走，畫出領域地圖。
• **arXiv（arxiv.org）：**物理、CS、AI 等最新預印本（正式出版前的論文）的寶庫。AI 研究的最前線會先在這裡出現。
• **PubMed（pubmed.ncbi.nlm.nih.gov）：**生命、醫學研究論文資料庫的標準。
• **Connected Papers / Semantic Scholar：**把論文之間的關係視覺化、並用 AI 幫你摘要的次世代文獻調查工具。能大幅縮短文獻調查的時間。
• **NobelPrize.org（nobelprize.org）：**傳奇們的演講、訪談、傳記都免費。需要打氣的時候最棒。

親自動手做（最重要）

比起課程、書本，把腳伸進真正的研究室快上 100 倍：

• 申請大學部研究計畫（UROP）
• 寄信給有興趣領域的教授，說「我想在研究室裡學」（回信比想像中常喔）
• 暑期研究實習（大學、國家級研究所、企業 R&D 計畫）
• 用小小的公開資料做做自己的迷你研究，並整理到部落格上

謹記：研究員不是「知道標準答案的人」，而是**「把好問題緊抓到最後的人」**。越是 AI 能快速幫你找到答案的時代，知道要問什麼的你，價值就越大。把今天的「不知道」變成明天的「知道」的這趟旅程，你也完全可以加入。🔬✨