AI4Research 综述 25 ‖ 人工智能如何助力科研:科研领域的人工智能综述

原作者:AI4CFD 公众号
发布于:2025年9月14日 19:30
原文链接:https://mp.weixin.qq.com/s/aD8EF4YCXixdyBZ-gCKdNA

---

摘要

人工智能（AI）的最新进展，特别是在诸如OpenAI-o1和DeepSeek-R1等大型语言模型（LLM）方面，已经在逻辑推理和实验编码等复杂领域展现出卓越的能力。受这些进展的推动，众多研究探索了AI在创新过程中的应用，特别是在科研背景下。这些AI技术主要旨在开发能够在广泛的科学学科中自主进行研究过程的系统。尽管取得了这些重大进展，但仍缺乏对科研用人工智能（AI4Research）的全面综述，这阻碍了我们的理解并妨碍了该领域的进一步发展。为了填补这一空白，我们进行了全面的综述，并对AI4Research提供了统一的视角。具体而言，我们工作的主要贡献如下：（1）系统分类法：我们首先引入一种系统分类法，对AI4Research中的五个主流任务进行分类。（2）新前沿：然后，我们确定关键研究差距，并突出有前景的未来方向，重点关注自动化实验的严谨性和可扩展性以及社会影响。（3）丰富的应用和资源：最后，我们汇编了大量资源，包括相关的多学科应用、数据语料库和工具。我们希望我们的工作将为研究界提供对这些资源的快速访问，并激发AI4Research领域的创新突破。

关键词:科研用人工智能,大型语言模型,科学理解,学术综述,科学发现,学术写作,学术同行评审

目录

1 引言 5
2 科研用人工智能的定义 6
2.1 人工智能促进研究的逐组件定义 8
2.1.1 用于科学理解的人工智能 8
2.1.2 用于学术调研的人工智能 8
2.1.3 用于科学发现的人工智能 9
2.1.4 用于学术写作的人工智能 9
2.1.5 用于学术同行评审的人工智能 9
2.2 关于人工智能促进科学和人工智能促进研究的讨论 10
3 用于科学理解的人工智能 11
3.1 文本科学理解 11
3.1.1 半自动科学理解 11
3.1.2 全自动科学理解 12
3.2 表格与图表科学理解 13
3.2.1 表格理解 13
3.2.2 图表理解 13
4 用于学术调研的人工智能 13
4.1 相关工作检索 14
4.2 概述报告生成 15
4.2.1 研究路线图绘制 15
4.2.2 章节级相关工作生成 15
4.2.3 文档级综述生成 16
5 用于科学发现的人工智能 17
5.1 想法挖掘 17
5.1.1 从内部知识中挖掘想法 17
5.1.2 从外部信号中挖掘想法 18
5.1.3 从团队讨论中挖掘想法 19
5.2 新颖性与重要性评估 20 5.3 理论分析 20
5.3.1 科学主张形式化 20
5.3.2 科学证据收集 20
5.3.3 科学验证分析 21
5.3.4 定理证明 21
5.4 科学实验实施 21
5.4.1 实验设计 22
5.4.2 实验前评估22
5.4.3 实验管理23
5.4.4 实验实施23
5.4.5 实验分析25
5.5 全自动发现25
6 用于学术写作的人工智能25
6.1 半自动学术写作26
6.1.1 稿件准备过程中的协助26
6.1.2 稿件撰写过程中的协助26
6.1.3 稿件完成后的协助27
6.2 全自动学术写作28
7 用于学术同行评审的人工智能28
7.1 预评审28
7.1.1 案头评审29
7.1.2 评审员匹配29
7.2 评审中29
7.2.1同行评审生成30
7.2.2元评审生成31
7.3评审后31
7.3.1影响分析31
7.3.2推广增强32
8人工智能在研究中的应用32
8.1人工智能用于自然科学研究33 8.1.1人工智能用于物理研究33
8.1.2人工智能用于生物学和医学研究33
8.1.3人工智能用于化学和材料研究35
8.2人工智能用于应用科学和工程研究36
8.2.1人工智能用于机器人与控制研究36
8.2.2人工智能用于软件工程37
8.3人工智能用于社会科学研究37
8.3.1人工智能用于社会学研究37
8.3.2人工智能用于心理学研究38
9资源39
9.1 用于科学理解的人工智能 39
9.1.1 文本科学理解 39
9.1.2 表格与图表科学理解 40
9.2 用于学术调研的人工智能. 40
9.3 用于科学发现的人工智能 40
9.4 用于学术写作的人工智能 42
9.4.1 半自动学术写作 43
9.5 用于学术同行评审的人工智能 43
10 前沿与未来方向 44
10.1 跨学科人工智能模型 44
10.2 人工智能研究中的伦理与安全 45
10.3 用于合作研究的人工智能 45
10.4 人工智能研究的可解释性与透明度 46
10.5 用于动态和实时优化科学实验的人工智能 46
10.6 人工智能研究中的多模态整合 47
10.7 人工智能研究中的多语言整合 47
11 相关工作 48
12 结论 49

---

1. 引言

近年来，人工智能（AI）的兴起，尤其是像深势科技R1[265]这样的大语言模型（LLMs），激发了推理领域的大量研究。这些突破显著提高了模型在各个领域的性能，包括数学推理、编程和跨学科知识[727, 751, 619, 941, 957, 111]。其中一些模型甚至超越了图灵测试[354]，这标志着人工智能发展中的一个关键成就。受这些启发，一系列工作试图探索用于创新任务的先进人工智能系统，特别是在新研究的科学发现方面 。早期，人工智能科学家[509]引入了用于研究系统的全自动人工智能的概念，该系统将研究过程分为三个关键阶段：想法挖掘、实验进行和学术写作。最初，系统生成并评估新颖的想法和假设。一旦形成假设，就会自动进行实验，产生包括数值数据和可视化摘要的结果。这些结果以表格和图像的形式呈现，随后是带有令人信服描述的解释，最终形成一份LaTeX报告。在最后阶段，人工智能科学家生成一份自动评审，完善项目并为未来的开放科学发现提供反馈。同样，其他经典模型，如卡尔[332]和佐奇[12]，遵循大致类似的工作流程。值得注意的是，AgentArxiv[668]和AgentLab[669]为多个智能体分配不同的角色，以模拟科研团队的协作性质，纳入额外的同行评审、学术调查，实现半自动甚至全自动协作，而不是依赖单个智能体 。最近，斯旺森等人[735]通过展示虚拟实验室扩展了大语言模型的科学应用范围，这是一个人工智能与人类协作的平台，用于为新出现的SARS-CoV-2变体设计纳米抗体结合物，强调了这种协作在研究中的前景。尽管有这些进展，但仍然缺乏全面的综述来系统地分析人工智能驱动研究中的关键因素和最新发展，这严重阻碍了该领域的持续进步。

图1:人工智能辅助研究的主流流程和类别，可分为五个关键领域：（1）科学理解人工智能，（2）学术调查人工智能，（3）科学发现人工智能，（4）学术写作人工智能，（5）学术同行评审人工智能。这些领域中的每一个都有助于提高人工智能集成研究和出版的有效性和效率。

为了弥补这一差距，我们首先定义并提出了一项针对研究的人工智能的全面综述，称为人工智能辅助研究（AI4Research）。如图1所示，我们引入了人工智能辅助研究的系统分类法，重点关注以下领域：（1）科学理解人工智能：人工智能系统从科学文献中提取相关信息的能力至关重要；（2）学术调查人工智能：这涉及用于系统地审查和总结科学文献的人工智能技术；（3）科学发现人工智能：人工智能用于基于现有科学知识生成假设、理论或模型；（4）学术写作人工智能：人工智能工具支持研究人员起草、编辑和格式化手稿；（5）学术评审人工智能：人工智能协助评估科学手稿并提供反馈。鉴于文献数量庞大，我们突出了人工智能辅助研究中未来有前景的研究方向。未来的工作应优先考虑跨学科人工智能模型，这些模型整合跨科学领域的知识，以鼓励跨学科合作。解决人工智能系统中的伦理问题和偏差对于确保研究的公平性和透明度至关重要。提高人工智能模型的可解释性以及探索用于动态科学实验的自适应实时系统对于推进人工智能在研究中的作用至关重要。此外，我们还提出了人工智能辅助研究中的关键应用和宝贵资源，如代表性的多学科应用、开源框架和数据集存储库，以支持进一步的研究。我们介绍了自然科学研究人工智能、应用科学与工程研究人工智能以及社会科学研究人工智能。最后，我们回顾了模型开发所需的工具和为训练与实验提供丰富数据的公共基准。 这项工作的主要贡献如下： 研究中人工智能的系统分类法：本文介绍了研究中人工智能应用的全面分类法，涵盖五个领域：科学理解、学术调查、科学发现、学术写作和学术评审。它对增强甚至自动执行研究过程各个阶段的人工智能工具进行了分类。 新兴的未来研究领域：本文确定了学术界人工智能未来的关键研究途径，包括跨学科人工智能模型的开发、解决伦理问题和偏差、提高模型可解释性以及探索用于动态科学实验的自适应人工智能系统。 关键应用与丰富的热门资源：我们展示了AI4Research在自然科学、应用科学和社会科学中的多学科应用。它还识别了重要资源、开源框架、公共数据集、协作平台和学术工具，这些有助于发现管理和人工智能驱动的研究。

2. AI4Research的定义

AI4Research指应用人工智能方法来改进、加速和部分自动化跨学科研究。为阐明这一范式，如图2所示，我们确定了六个核心能力：用于科学理解的人工智能、用于学术调研的人工智能、用于科学发现的人工智能、用于学术写作的人工智能、用于学术同行评审的人工智能。它们各自展示了人工智能推进研究过程的独特方式。形式上，设 为研究任务集，即科学理解、学术调研、科学发现、学术写作和同行评审。对于每个任务 ，存在一个相应的人工智能模型 ，它是专门为满足该任务的要求而定制的。

图2:用于研究的人工智能（AI4Research）分类法分为五个关键领域。每个领域又细分为特定任务，突出了人工智能在整个研究过程中的不同作用。

那么整个AI4Research系统可以表示为功能组合： 其中 表示功能组合运算符，意味着一个函数的输出成为下一个函数的输入。此外，应用于研究查询 （或更一般地应用于交互式研究查询生命周期 ），我们可以得到： AI4Research系统的目标是最大化研究生命周期效率、应用性能和创新能力，即： 其中 ，并且 分别评估所生成研究出版物 的效率、性能和创新。

2.1. AI4Research的逐组件定义

我们现在定义并形式化AI4Research框架中的每个核心模块。 2.1.1.用于科学理解的人工智能 用于科学理解的人工智能（AI4SC）是AI4Research的核心，能够从单一科学文献中提取、解释和综合信息。这加速了人类知识获取并提高了自动分析的效率。形式上，我们将这个在理解后获取知识 的模块定义为一个复合推理函数： 其中 是用于提取可能知识 的理解人工智能模型；文档 包括文本 、图表 和其他元数据 （包括模型参数和领域先验知识）；并且 表示特定的理解算法，包括用于提取和解释文本内容的文本理解函数 以及用于分析表格和图表的表格与图表理解函数 。 AI4SC的目标是通过从原始文档 中提取的知识 来最大化科学理解 ： 其中连贯性衡量逻辑一致性；覆盖范围量化它们之间的概念完整性。 2.1.2.用于学术调研的人工智能 学术调查人工智能（AI4AS）旨在综合和构建多篇现有文献，全面概述一个研究领域。这增强了识别科学领域趋势、差距和关键贡献的能力。正式地，我们将这个生成结构化文献综述 的模块定义为一个功能合成函数： 其中 是用于生成可能的综述 的综述人工智能模型，该综述 包含综述领域要求； 包括模型参数和领域先验知识； 表示特定的综述算法，其中包括基于查询检索相关文献的检索函数 ，以及生成主题聚类和摘要的生成函数 。 AI4AS的目标是根据要求 最大化生成的综述 的综述质量 ： 其中相关性衡量文档与目标主题的匹配度；覆盖范围评估领域的广度和深度；清晰度反映基于生成的综述和要求的合成表示的连贯性、抽象质量和实用性。 2.1.3. 科学发现人工智能 科学发现人工智能（AI4SD）专注于生成和验证新的科学假设或想法，并进行实验或模拟。该模块增强了探索未知科学领域和加速创新的能力。正式地，我们将这个生成、验证和实施科学创新 的模块定义为一个面向发现的函数： 其中 是用于探索可能创新 的面向发现的人工智能；科学知识 是给定的领域知识 以及从上游理解和综述阶段得出的近期相关工作总结知识 ； 表示研究要求； 包括模型参数和领域先验知识； 表示特定的发现算法，其中包括挖掘候选想法的生成函数 、评估每个候选想法质量和重要性的新颖性和重要性评估函数 、检查理论合理性的理论分析函数 ，以及制定计划并执行实验然后最终完成科学发现的实验执行函数 。 AI4SD的目标是最大化生成的创新 的总发现质量 ： 其中新颖性评估创新性；有效性评估实验和理论合理性；重要性反映研究的后续影响。 2.1.4. 学术写作人工智能 学术写作人工智能（AI4AW）是AI4Research的一个亮点部分，协助研究人员生成、修订和格式化科学手稿。该模块提高了学术写作的质量和效率，确保手稿结构良好并符合出版标准。正式地，我们将这个生成可发表手稿 的模块定义为一个协作写作函数： 其中 表示用于生成可能手稿 的面向写作的人工智能；信息 是科学发现阶段的所有信息，包括想法、实验设计以及代码和数据等附件； 包括模型参数和领域先验知识； 表示特定的写作算法，其中包括准备手稿结构的手稿准备过程函数 、生成手稿内容的手稿写作过程函数 ，以及完成语法校正、表达和逻辑修改的手稿完成后函数 。 AI4AW的目标是最大化手稿 的写作质量和有效性 ： 其中一致性反映逻辑流程和内部连贯性；可读性衡量语言清晰度和易理解性；合规性评估对格式和文体要求的遵守情况。 2.1.5. 学术同行评审人工智能 用于学术同行评审的人工智能（AI4PR）是AI4Research的关键组成部分，它能自动化并加强同行评审流程。该模块旨在对科学手稿进行结构化、客观且具建设性的评审，提高评审周期的质量和效率。正式地，我们将此模块定义为生成结构化评审结果 的评估推理函数： AI4Science AI4Research Scope & Scientific Discovery, II Data Analysis. 2 Broader Research workflows. Goal ✓ Scientific Breakthroughs. Publications, Methods, No erall Productivity. Applications Material Discovery, Drug Design, Genomics,etc. LJ Comprehension, Writing, "9 Peer Review, etc. Target Users 1 Research Experts. Both Research Experts and 2 New Scientists.

表1:AI4Science与AI4Research的比较与讨论，特别是在范围、目标、应用和目标用户方面。

其中 表示用于生成可能评审结果 的面向评审的人工智能，包括模型参数和领域先验知识； 指特定的评审算法，其包括完成预评审准备的预评审函数 、生成或扩充评审报告的评审中函数 以及完成论文评审后分析的评审后函数 。 AI4PR的目标是基于手稿 最大化评审结果 的评审质量 ： 其中正确性意味着评审能够正确反映研究的优缺点；有用性衡量反馈的深度、建设性和有用性；一致性量化评审与既定评估标准和领域标准的契合度。

2.2. 关于AI4Science和AI4Research的讨论

由于AI4Science和AI4Research的概念有许多相似之处，如表1所述，区分两者的关键差异很重要。AI4Science（科学领域的人工智能）专注于应用人工智能技术来加速各个领域的科学发现和数据分析，包括材料发现、药物设计和基因组分析。其主要目标是将人工智能集成到研究工作流程中，以支持专家取得重大科学进展。相比之下，AI4Research（研究领域的人工智能）采用更广泛的视角，涉及出版物、方法以及整体研究生产力。它强调人工智能在改进研究方法和支持资深研究人员与新兴科学家的学术环境方面的作用。该领域的关键应用包括用于文献理解、学术写作辅助和同行评审流程的人工智能驱动工具。 这些框架之间的核心区别在于它们的重点：AI4Science针对特定的科学问题和实验方案，而AI4Research关注更广泛的研究方法和学术基础设施。然而，随着大语言模型（LLMs）发展出更先进的推理和生成能力，一种统一的工作流程正在出现，它可以应对专门的科学挑战和一般的研究过程。因此，AI4Science工具越来越多地集成到AI4Research环境中，通常作为基于大语言模型的科学探索系统中的可调用组件。随后，我们将对我们的分类法和相关文献进行详细分析。

图3:用于科学理解的人工智能的主要范式。这些包括：（1）文本科学理解，它进一步分为半自动和全自动科学理解；以及（2）表格与图表科学理解，包括表格和图表理解。

3. 用于科学理解的人工智能

科学理解在推进AI4Research中起着关键作用，它包括从科学文献中提取、理解和综合信息的能力。这种能力不仅加速了人类的理解和知识获取，还提高了自动分析的效率，使研究处理更有效。如图3所示，它包含两个主要类别：文本科学理解（§3.1）和表格与图表科学理解（§3.2）。

3.1. 文本科学理解

文本科学理解是指理解、解释和批判性评估科学文本的能力。它涉及识别关键概念、掌握复杂术语以及综合信息以形成对科学原理和发现的连贯理解[624, 70, 533]。如图3（中间）所示，我们根据自动化程度将相应的理解技术分为两类：半自动和全自动科学理解。 3.1.1. 半自动科学理解 半自动科学理解指的是这样的系统：给定一个手动创建的问题，人工智能会对长上下文科学内容产生与问题相关的全面理解。此类系统支持研究人员和人工智能模型加深对复杂科学概念 的理解。具体而言，这些系统包括三个主要类别： 人工引导的科学理解是一种交互式方法，研究人员和语言模型通过迭代对话，逐步加深对复杂科学文献问题的理解[393, 903, 444, 864, 616]。LaMAI[591]为语言模型配备了“主动询问”功能：在给出最终答案之前，模型会提出澄清问题，以解决用户查询中的歧义，减少误解并提高相关性[854]。这些平台表明，在基于大语言模型的工具中嵌入结构化的人工反馈回路，可以提高输出的可靠性，并通过揭示潜在问题和假设来丰富科学发现过程。然而，这种方法需要大量的人工与人工智能交互，这可能会增加成本。 工具增强的科学理解是指研究人员的查询超出语言模型的知识库或其上下文窗口限制的情况[827]。然后，模型会调用多个外部工具以确保准确输出：(1)知识检索工具使用检索增强生成技术，注入模型训练之外的知识[380, 662]。早期的系统，如以文档为中心的智能体[407]，会提取关键发现、指出局限性并提出未来方向。Graphusion[862]在此基础上更进一步，构建科学知识图谱并提取实体三元组，无需人工干预即可解决跨学科冲突。SiGIR[137]在知识密集型多跳推理任务中，使用自我批判反馈来指导迭代推理过程。(2)事实核查工具通过应用验证模块来减少人工智能的幻觉，从而减轻幻觉和事实性错误[356, 280, 251, 917]。PaperQA2[699]集成了严格的事实性检查，在文献综述任务中达到或超过了专家的准确率，而且无需无限制的网络访问或人工监督。(3)推理增强工具解决了独立模型中有限的逻辑推理和计算问题，以加深人工智能的理论层面理解[111]。例如，SciAgent[524]动态选择计算器和公式求值器，以提供精确的、特定领域的推理。总的来说，这些进展展示了将人工智能与专业工具相结合，如何将科学工作流程从被动消费转变为一个交互式的、由工具驱动的过程，既能加快发现速度，又能保持严谨性。 自我引导的科学理解是指模型能够针对关于科学出版物的单轮查询，给出全面的、上下文敏感的答案的能力[56, 653, 71]。早些时候，Clark等人[144]证明，即使是关于学术论文的看似事实性的问题，也需要深入的上下文理解和对文档特定细节的细致关注[239]。为了应对这些挑战，后续研究更多地关注长上下文论文中增强的半自动科学理解[489, 746]，特别是在航空航天科学[225]、化学[597, 120]和临床医学[639, 696]等专业领域。这表明，增强模型以符合各学科的语言和概念惯例，特别是那些具有改进的长上下文能力的学科，会带来显著的进步 。此外，认识到科学论文本质上具有多模态性质，一些研究已经开始将文本分析与图表相结合[433, 455, 643]，从而朝着对科学内容更全面、涵盖整篇论文的理解迈进。 3.1.2. 全自动科学理解 用于全自动科学理解的人工智能是指人工智能系统能够独立读取和理解科学知识，无需人工提问或其他干预的能力。此类系统的目标是使科学文献的处理、复杂问题的提出和回答，甚至在某种程度上使科学发现或想法挖掘完全自动化。 摘要引导的自动科学理解是指大语言模型能够自主生成科学文章的摘要，并基于这些摘要构建研究的全面叙述的能力[371, 212]。这个过程增强了模型对冗长科学文本的整体理解，并减轻了因逐词处理大量文档而产生的理解偏差[922]。此外，Ifargan等人[330]认为，大语言模型可以通过生成自主摘要进一步增强对冗长科学文档的整体理解。他们的方法利用多个智能体系统，如摘要智能体和校对智能体，在无需人工干预的情况下协同工作，提取和完善实验结果及研究方法。这最终会生成一个适合同行评审的精炼摘要。 自我提问与自我反思 自动科学理解涉及人工智能生成并回答自身问题或进行反思，以加深其对科学内容的理解[313, 550, 875]。早期，SciInstruct[896]提出了一种自我反思注释框架，其中模型为未标记的科学问题生成逐步推理，然后通过自我批判来完善其输出，从而产生高质量的注释。在此基础上，一些研究[516]专注于促使模型自主创建问题序列，以增强它们对科学文本的理解。一个显著的例子是SciQAG[774]，它提出了一种流程，其中“问题生成器”和“答案评估器”协作，从科学论文中提取多样化的、研究级别的理解。 最近，大语言模型被引导通过提出澄清问题并以苏格拉底式风格分解复杂问题来进行自我改进，从而加强推理和概念理解[625, 708, 816]。内省式增长[834]进一步完善了这种方法，促使较小的模型生成基本的、开放式问题，引导较大的模型更好地理解任务。这个过程整合了外部文本检索，以完善对技术语义的理解。

3.2. 表格与图表科学理解

除了纯文本内容，大语言模型正在采用各种技术，以更有效地解释和利用表格和图表中的信息，从而对科学文献有更深入、更全面的理解[142, 564, 268]。 3.2.1. 表格理解 表格理解涉及使大语言模型能够从科学文献中的表格中提取、解释和推断数据的方法 。(1) 数据增强：最直接的方法是添加更高质量的表格理解数据。例如，Zheng等人[936]以生成格式引入了用于大规模多模态表格理解的MMTab数据集，并提出了Table-LLaVA，它通过指令调整直接对表格图像进行推理，展示了基于视觉的表格表示的巨大优势。(2) 推理范式增强：后续工作探索了合适的推理范式[88, 912, 777, 778]。Wang等人[815]提出了表格链，它在大语言模型的推理链中逐步构建和更新表格，以提高对复杂表格的理解。Ji等人[340]引入了表格树，将大型表格分层压缩并分解为树结构，以促进大语言模型的推理。Cao和Liu[88]提出了TableMaster，这是一个通过提取和阐述具有丰富语义上下文的相关表格内容，并在文本和符号推理之间自适应切换来增强大语言模型表格理解的框架。 3.2.2. 图表理解 图表理解涉及使多模态大语言模型能够直接处理和解释科学论文中的图表图像的技术，支持基于图表内容的问答和总结等任务 。此外，一些研究专注于组装和合成大型、多样的图表数据集，以提高图表理解[490, 303, 433]。Masry等人[538]和Meng等人[545]提出了用于图表的视觉语言指令数据集，并训练了在科学图表理解任务上取得了当前最优结果的端到端和流水线模型[539]。此外，Yang等人[865]提出了可视化的形式化描述(FDV)，这是一种图表的结构化文本表示，使大语言模型能够进行多样化和更深入的学习理解。

4. 用于学术调研的人工智能

人们普遍认为，全面且精心开展的写作前调研和研究阶段是成功撰写学术文章的基石[649]。受此启发，提出了用于学术调研的人工智能，通过应用人工智能技术来系统地回顾和总结科学文献。这个过程在确保研究人员和自动化系统跟上其领域的最新进展，并能够有效地识别相关研究以指导他们自己的工作方面起着至关重要的作用。如图4所示，它包含两个主要阶段：相关工作检索(§4.1)和综述报告生成(§4.2)。

图4:人工智能驱动的学术调研中的两个主要阶段：相关工作检索和综述报告生成。相关工作检索进一步细分为语义引导检索、图引导检索和大语言模型增强检索。综述报告生成包括研究路线图映射、章节级相关工作生成和文档级调研生成。

4.1. 相关工作检索

相关工作检索要求人工智能主动识别与其不断演变的科学目标相一致的基础和新颖研究论文[52, 457, 674, 194]。现有研究分为三种范式： 语义引导检索（Semantic-Guided Retrieval）是指通过将从用户查询中提取的语义表示与文档中基于相似度的术语进行匹配，来识别相关文献[37, 388, 447]。在生物医学领域，GTSLNet [514]利用基于组的关键词相似性学习网络增强语义引导检索，该网络会自动选择临床类似研究。同样，SPLADE V2 [213]通过将稀疏词汇信号与密集扩展模型相结合来推进神经检索，取得了显著成果。此外，Garikaparthi等人[227]专注于启发式检索，为创意挖掘提供更强支持。 图引导检索（Graph-Guided Retrieval）将学术实体（如论文、作者、引用）建模为图[74, 729, 862, 716]。基于节点的类型和粒度，这种搜索方法可分为三种类型：（1）作者关系图捕捉研究人员之间的联系，实现基于作者关系的搜索。例如，作者关系图可以有效地对合作网络和研究人员影响力进行建模[362, 600]。基于这一概念，Kang等人[361]开发了一个“用户推荐论文”知识图，追踪用户与文献的交互，提高推荐的透明度和可信度。（2）论文关系图通常使用论文之间的引用关系来构建更广泛的论文关系[311]。CitationSum [518]创建一个引用图，将目标论文与其参考文献通过加权相关分数链接起来，然后使用图对比学习生成摘要。（3）实体关系图：可以通过对论文中逻辑实体之间的关系进行建模来构建，实现更精确的检索。例如，Li和Ouyang [448]提出了一个基于图的模型，该模型能自动识别论文间的实体关系，如对比和支持关系，指导构建结构化的相关工作部分。跨领域图方法在跨学科研究中越来越常用。此外，为了解决诸如“哪些合成途径能使材料X达到最佳导电性？”这样的复杂问题，Ye等人[872]从材料科学文献中系统地提取实体及其关系，从而加深探索深度。 大语言模型增强检索（LLM-Augmented Retrieval）是指通过将大语言模型（LLMs）与学术检索系统集成，利用其能力提高搜索效率和结果质量。（1）单智能体检索：最直接的方法是使用单个人工智能模型作为独立智能体来完成检索任务。例如，Lee等人[422]引入了PaperWeaver框架，该框架将基于大语言模型的智能体置于图之上，以实现更深入的推理，从而提高分类和推荐任务中的可解释性。（2）多智能体检索：除了单智能体系统，一些研究使用多个专门智能体来简化检索并提高准确性[670, 498, 689]。LitLLMs [9]将自动文献综述分为两个子任务：检索和生成。它提出了一个两阶段的大语言模型管道，从摘要中提取关键词并对结果重新排序以提高召回率。Liu等人[498]提出了一个用于全文相关工作生成的多智能体框架，其中包括一个选择要阅读部分的选择器、一个更新共享内存的阅读器和一个生成相关工作部分的写入器。该框架使用图感知策略来优化参考文献的阅读顺序。（3）深度研究：最近的研究将这一范式推进到更自主的“深度研究”[578, 579]，即人工智能智能体执行从探索、综合到生成富含引用报告的端到端研究过程[865, 181, 942]。这一进展得益于模仿人类研究启发式方法的新型智能体架构[829]。例如，PaSa智能体[287]通过主动遍历引用网络来发现文献。同时，检索策略本身也变得更加智能；ExSearch框架[680]允许智能体通过自激励循环不断优化其搜索策略，而CuriousLLM [868]采用“好奇心驱动”机制，智能体主动生成问题以指导其知识图谱的检索过程。

4.2. 概述报告生成

基于检索到的数据，自动生成结构化、连贯的概述报告在学术写作和人工智能促进研究（AI4Research）过程中变得至关重要[293]。根据写作顺序，我们首先需要完成研究路线图绘制，然后生成章节级相关工作，最后生成完整的文档级综述。 4.2.1. 研究路线图绘制 研究路线图绘制是指通过综合广泛文献中的见解，对研究主题的发展轨迹进行清理、整合和描绘的过程[8, 855, 690, 807]。这种方法对于提高文献综述和元分析的严谨性和完整性至关重要，因为它使研究人员能够更系统地辨别新兴趋势、未解决的差距和潜在的未来方向[111, 69, 855]。具体而言，Zhu等人[948]表明将综述组织成层次结构可显著提高连贯性[676]。 最近，更多交互式分层框架也已出现。例如，CHIME[301]通过迭代的人机协作来完善大语言模型生成的结构。同样，卡茨等人[369]将其扩展为两层层次结构，有效地组织了广泛的调查。此外，HiReview[311]展示了多层树状结构在系统知识组织方面的优势。此外，庄和肯宁顿[955]提出了一种基于图的分类法，将大语言模型的综述论文分类到已定义的类别中，其性能优于微调后的大语言模型，并为组织综述文献提供了一个可扩展的框架。 4.2.2. 章节级相关工作生成 章节级相关工作生成一直被视为一项重要研究[118, 119, 583, 498, 357, 447]。这种章节级方法与科学论文的实际结构高度契合，能够有效满足相关工作章节的要求[293]。 提取式相关工作。早期生成“相关工作”章节的自动化方法包括从多篇论文中提取关键句子，然后对其进行改写并组合成连贯的叙述[293]。随后的一种方法通过选择引用与目标工作相似参考文献的论文并从中提取相关句子来对此进行优化[104, 792]。进一步的研究集中在改进这些提取句子的组织和整合上。一些方法探索了最优的参考文献结构和句子排序[310, 168]。例如，ReWoS[293]和RWS-Cit[104]构建主题树来对句子进行排序，而王等人[812]采用基于预测显著概率的排序机制来提高提取式相关工作的质量。 Methods Model Reference Quality Outline Quality Content Quality Input Cov. Reference Cov. Structure Relevance Coverage Avg Human-Written - - 0.6294 87.62 - - - - AutoSurvey [807] Claude-3-Haiku [24] 0.1153 0.2341 82.18 72.83 76.44 72.35 73.87 SurveyForge [855] Claude-3-Haiku [24] 0.2231 0.3960 86.85 73.82 79.62 75.59 76.34 AutoSurvey [807] GPT-4o-mini [644] 0.0665 0.2035 83.10 74.66 74.16 76.33 75.05 SurveyForge [855] GPT-4o-mini [644] 0.2018 0.4236 86.62 77.10 76.94 77.15 77.06 SurveyForge [855] DeepSeek-v3 [479] 0.2554 0.4553 87.42 79.20 80.17 81.07 80.15

表2:使用三个关键的综述评估指标（参考文献质量、大纲质量和内容质量）在SurveyBench[855]上对文档级综述生成能力的比较。“输入覆盖率”表示检索到的论文与基准参考文献之间的重叠，而“参考文献覆盖率”评估引用参考文献与基准的一致性。数据来源于严等人[855]。

生成式相关工作。最近的研究集中在为整个相关工作章节构建引用结构并生成连贯连接文本的方法上[793, 488, 448]。这些方法通常分为三类：(1) 人工引导生成：这种方法纳入人工输入，如关键词、简短摘要或论文分组，以指导生成过程并保持重点[449, 535]。例如，顾和哈恩洛泽[258]以及李等人[450]整合用户提供的或自行提取的关键词以实现更好的相关工作生成。(2) 图引导生成：这些方法通过文献图利用引用关系[229, 118, 881]。具体而言，王等人[812]通过在异构引用图上进行随机游走增强相关工作生成。同样，陈等人[119]使用图将参考文献与论文链接起来。(3) 模型引导生成：在这种方法中，模型自主完成任务，无需额外的人工输入[679, 794, 606]。郭等人[267]和西村等人[573]将相关工作生成视为带有结构化段落和新颖性陈述的总结任务。此外，普和登贝格[608]将修辞结构理论整合到基于LoRA的微调中以识别语篇关系，阿克卡尔等人[4]提出了一个可定制的多阶段流程（检索、引用提取、上下文聚合、润色），进一步增强了相关工作生成过程。 4.2.3. 文档级综述生成 文档级综述生成旨在通过利用现有研究和既定框架来自动创建系统的文献综述[819, 948, 69, 218, 830]。详细的比较结果可在表2中找到。例如，AutoSurvey[807]采用提示词引导，通过分阶段生成过程来指导大语言模型。同样，LitLLM[7]通过实施基于计划的搜索机制增强内容结构化。SurveyX[464]通过在线参考文献检索和属性树预处理的结合来加强逻辑连贯性。在这些方法的基础上，SurveyForge[855]通过学术导航智能检索高质量论文，并根据预定义大纲生成综述章节，随后进行迭代优化以保持文档级质量[699]。相比之下，STORM[676]使用多智能体对话进一步提高生成性能。除了无训练的智能体管理外，Bio-SIEVE[645]和苏斯尼亚克等人[734]专门针对综述生成对大语言模型进行微调[405]，而OpenScholar[26]提供了一个无需依赖专门生成架构来训练综述写作模型的流程。

图5:用于科学发现的人工智能增强型流程，包括创意挖掘、新颖性与重要性评估、理论分析和实验实施。全自动发现将这些元素整合为一个连贯的端到端流程，支持科学探索与创新。

5. 科学发现中的人工智能

科学发现中的人工智能[783, 655, 628]利用人工智能基于现有知识生成新颖的假设、理论或想法。其目标是通过自动化诸如想法生成、新颖性和重要性评估、理论分析以及实验设计等任务来加速研究过程。这种方法不仅能引导新的研究方向，还能应对复杂的科学挑战[510, 279, 286]。如图5所示，它包含五个主要类别：创意挖掘（§5.1）、新颖性与重要性评估（§5.2）、理论分析（§5.3）、实验实施（§5.4）和全自动发现（§5.5）。

5.1. 创意挖掘

创意挖掘，也称为假设生成，对于开展创新且有影响力的研究至关重要[577, 35, 146]。近期研究表明，大语言模型展现出强大的创造力，能够促进自动化科学发现[502, 398, 687, 259]。表3对这些发现进行了全面比较。这预示着未来人工智能代理将充当独立研究者的情景。该领域目前的工作重点是从各种来源提取想法以促进创新[664, 717, 476]。这些方法大致可分为三种主要途径： 5.1.1. 从内部知识进行创意挖掘 从内部知识进行创意挖掘利用大语言模型的潜在知识和生成能力，在不依赖外部数据的情况下发现新颖概念[240, 687, 398]。通过利用预训练参数和定制提示，研究人员可以提取模型中嵌入的各种高质量想法[542, 105, 735]。早些时候，Meincke等人[543]通过调整解码温度和应用基于约束的提示，引导大语言模型进入不同的“想法空间”，有效地鼓励探索多样的主题轨迹。基于这些见解，Haarmann[272]进行了一项实证研究，让本科生使用一种交互式工具，该工具用商业模式模板自动提示GPT - 4，从而产生具有更高新颖性和可行性的想法，而且所有这些都无需广泛的创新培训。此外，Liu等人[497]证明，在基于大语言模型的构思过程中注入元数据并在选择过程中应用自动验证，可显著提高气候领域想法的可行性和整体质量。 Model Fluency Feasibility Clarity Originality Flexibility Average DeepSeek-R1 [265] 6.63 6.52 8.10 7.84 6.83 7.18 Deepseek-R1-Distill-Qwen-32B [265] 7.06 6.08 7.43 7.13 6.62 6.86 Deepseek-R1-Distill-Llama-70B [265] 6.66 6.07 7.43 6.98 6.41 6.71 Claude-3.7-Sonnet [24] 7.80 5.46 7.61 7.81 6.92 7.12 Claude-3.5-Sonnet [24] 6.90 5.42 7.85 7.83 6.62 6.92 Claude-3.5-Haiku [24] 5.61 5.05 7.40 7.72 6.08 6.37 Claude-3-Opus [24] 5.74 5.66 7.72 6.66 6.04 6.36 Gemini-2.0-Flash-Exp [747] 7.30 6.02 7.84 7.37 6.83 7.18 Gemini-2.0-Flash-Thinking-Exp [747] 7.38 6.05 7.69 7.35 6.83 7.06 Gemini-2.0-Pro-Exp [747] 6.84 5.88 7.90 7.76 6.75 7.03 Gemini-Pro-1.5 [748] 6.68 5.92 7.75 7.33 6.58 6.85 GPT-4o [3] 6.12 5.58 7.74 7.64 6.38 6.69 o1-mini [336] 5.89 6.20 7.77 7.09 6.33 6.66 01 [336] 6.23 5.88 7.42 7.23 6.29 6.61 o3-mini [336] 5.57 5.91 7.43 7.45 6.21 6.51 o3-mini-high [336] 5.76 5.82 7.62 6.95 6.17 6.47 GPT-4o-mini [3] 5.28 5.86 7.45 6.67 6.00 6.25 Llama-3.1-405B-Instruct [253] 6.57 5.56 7.48 7.18 6.33 6.62 Llama-3.1-70b-Instruct [253] 6.71 5.49 7.34 7.16 6.38 6.62 QwQ-32B [754] 6.45 6.35 7.98 7.77 6.75 7.06 QwQ-32B-Preview [753] 7.49 6.10 7.46 6.87 6.71 6.93 Qwen-2.5-72B-Instruct [857] 6.17 5.99 7.72 6.91 6.29 6.62 Qwen-2.5-7B-Instruct [857] 6.66 6.02 7.17 6.34 6.17 6.47 Mistral-Small [344] 7.36 5.97 7.36 6.98 6.62 6.86 Mistral-Large [344] 6.68 6.06 7.69 7.01 6.50 6.79 Nova-Pro-v1 [333] 6.45 6.19 7.41 6.59 6.25 6.58 Nova-Lite-v1 [333] 4.51 6.06 7.38 6.60 5.71 6.05 Phi-4 [1] 6.58 5.80 7.57 7.24 6.42 6.72 Gemma-2-27b-IT [749] 7.18 5.50 7.36 6.86 6.38 6.65 Grok-2 [841] 5.76 5.82 7.62 6.95 6.17 6.47

表3:来自Liveideabench基准测试[658]在流畅性、可行性、清晰度、原创性和灵活性五个关键维度上的结果。数据来源自阮等人[658]。加粗内容表示每个指标的最高性能。

谈判实验。此外，陈等人[112]将推理时学习和推理过程建模为一个电路，通过各种电压增强技术提高模型的创意挖掘能力。 5.1.2. 从外部信号中挖掘创意 研究工作流程中的大语言模型不仅可以利用内部参数化知识，还可以利用外部信号来生成更新颖、可行且与上下文相关的假设和创意。通过整合结构化知识库或实验反馈，这些方法超越了单纯的内部推理。我们将它们分为两类： 从外部知识中挖掘创意涉及为人工智能提供精心策划的学术数据，如出版物元数据、引文网络或知识图谱，以推动创意挖掘。整合最新的特定领域信息可确保生成的假设与该领域的最新发展相一致[485, 442, 577]。早期的努力受早期语言模型能力的限制，专注于预测概念之间的关系以生成经典的“A+B”创意[290, 387]。随着语言建模的最新进展[619, 927]，注意力已转向利用大语言模型从学术数据中探索创意[528, 485]。为支持这一点，研究人员提出了各种组织文献的策略，以优化知识提取和挖掘。这些主要包括三元知识表示[797]、链式结构[435]、综合数据库[800]和知识图谱[79, 260, 224]。此外，努力集中在完善创意挖掘中的知识注入过程。例如，顾等人[259]提出了一个框架，包括(1)用于跨域知识发现的广义检索系统和(2)用于改进创意挖掘的结构化组合过程。 从外部环境反馈中挖掘创意涉及将创意挖掘视为一个交互式循环，纳入来自实验或模拟环境的反馈[36, 609]。相比之下，静态文档挖掘往往忽略了现实世界的复杂性，限制了其创新潜力。这些方法使人工智能系统能够提出实验、接收结果数据并完善后续创意，从而模仿设计、执行和分析的研究周期[29, 12]。在这个领域，研究人员主要利用基于多智能体的自主研究系统，将创意挖掘智能体与实验传导智能体集成[669, 668, 332]。此外，研究人员已成功将创意挖掘扩展到各种实验学科，包括化学[520]、材料科学[568]、生物学[153]、医学[735, 252]和机器学习[322, 582]。 5.1.3. 从团队讨论中挖掘创意 从团队讨论中挖掘创意包括模拟或促进多个智能体之间协作头脑风暴的方法，这些方法可以是纯算法的，也可以涉及人类参与者，利用迭代批判、背景知识检索和方面重组来生成比单智能体管道更丰富、更多样化的创意组合。 人工智能与人工智能协作通过完善假设、批判提议和整合外部知识（也称为多智能体协作）来改进科学构思[735, 504]。我们将当前方法分为两个主流：(1)反馈引导挖掘涉及智能体在各个研究阶段交换批判，通过迭代反馈来完善假设。一些研究在创意挖掘、实验设计和结果解释之间引入反馈循环以优化性能[945, 866, 698]，而其他研究则使用早期输出完善假设[308]。这些方法整合了同行评审[509]、对假设的直接批判[36]以及对实验结果的评估[521, 883]。(2)团队讨论引导挖掘聚集具有不同角色的多个智能体，以模拟人类研究团队动态[610, 570, 234]。具体而言，苏等人[720]创建了一个虚拟研究团队（VirSci），其中智能体迭代地提出和批判创意，通过利用不断扩展的创意存档[900, 509]生成比单智能体提示更新颖的概念。杨等人[867]基于大语言模型开发了一个多智能体框架MOOSE-Chem，专门用于化学中的科学假设发现，它可以根据研究背景执行获取灵感和生成假设的功能。此外，李等人[435]引入了创意链（CoI）智能体，它将文献组织成一个顺序链，反映一个主题的历史发展。这种方法以最小的成本生成与小型研究团队质量相似的输出。拉齐安等人[404]通过推理时的多视图头脑风暴进一步增强了多样性和新颖性。 人机协作是指人类研究人员通过选择和整理中间工件来指导大语言模型（LLM）探索的过程，模型随后会对这些工件进行重新组合和优化[569, 568]。例如，拉登斯基等人[626]推出了Scideator系统，该系统使研究人员能够从现有论文中选择各个方面，如问题陈述、方法和数据集。随后，大语言模型会重新组合这些方面以生成新颖的候选想法，显著提高想法的质量。同样，加里卡帕尔蒂等人[228]提出了IRIS，这是一个交互式研究构思系统，通过验证研究动机并根据研究人员的查询合成方法建议来促进人机协作。然而，研究结果[396]表明，尽管在有支持的任务中，大语言模型的协助可以在短期内提高创造力，但在无协助的情况下工作时，它可能会无意中阻碍用户的独立创造性表现，从而引发对其对人类创造力和认知能力长期影响的担忧。

5.2. 新颖性与重要性评估

新颖性与重要性评估专注于使用人工智能方法来评估想法和学术论文的原创性和影响力[353, 687, 372]。该领域主要采用三种方法：（1）传统方法：最初，模型经过训练以对新颖性和重要性进行分类或回归评估[179, 331, 806]。例如，辛格和恰克拉巴蒂[692]提出了SAPPhIRE，它利用因果关系本体来量化设计问题中的新颖性，在多个抽象层次上测量与历史作品的文本相似度。此外，王[782]引入“惊喜度”作为新颖性的替代度量，将论文的词分布与语言模型对学术话语的表示进行比较。这种方法符合科学直觉（表面效度），并与专家判断显示出相关性（结构效度）。（2）大语言模型增强方法：随着大语言模型的显著发展，一系列工作试图整合大语言模型以进行更好的新颖性和重要性评估[836]。通常，冯等人[207]提出了GraphEval，这是一个轻量级的、基于图的大语言模型推理评估框架，它促使一个小规模的大语言模型将复杂的推理过程分解为易于解释的“观点”节点，从而增强推理评估的稳健性。（3）人机协作方法：不幸的是，单纯基于大语言模型的新颖性评估可能会高估创造力[93, 414]，并在没有人类输入的情况下导致同质化效应[21, 946]。因此，对于新颖性评估中的人机协作越来越感兴趣，有几项工作 主张将人类引导的构思与基于大语言模型的工作流程相结合。

5.3. 理论分析

任何科学想法或假设都必须经过严格评估以确认其有效性。理论分析涉及使用人工智能方法来确定一个假设是否符合既定的科学原理。人工智能在理论分析中的应用可分为三个主要部分： 5.3.1. 科学主张形式化 科学主张形式化将自然语言断言转换为结构化表示以便进行系统验证[636, 399, 549]。早期方法依赖基于模板的方法[250]。例如，黑格等人[288]描述了一个将复杂假设转换为机器可读模板的流程。后续工作专注于结合大语言模型来完善这些模板。甘古利等人[221]提出了一个基于概率上下文无关文法（PCFG）的框架来解决大语言模型常见的失败模式，而瓦尔西[185]将自然语言主张自动转换为用于大语言模型驱动验证的模板化查询。最近，严等人[856]提出在多模态大语言模型中整合文本、图像和其他模态可提供更丰富的结构化表示，便于跨领域推理。 5.3.2. 科学证据收集 科学证据收集涉及系统地识别、检索和整理数据源以支持或挑战研究主张[589, 771, 370]。以前的研究专注于评估和提高检索到的数据源质量的方法[768]以及优化检索配置[769]。此外，已经出现了一些策略来处理不完整或错误的证据，包括检测缺失信息的技术[242]以及理解检索错误原因的技术[840, 243]。最近的努力将大语言模型与检索系统集成以提高证据检索和验证的准确性。例如，SciClaims [580]将主张提取、证据检索和验证整合到一个由大语言模型驱动的单一流程中，简化了整个过程。同样，阿尔瓦雷斯等人[17]和王等人[799]通过生成结构化查询表示并在一步中检索确证或反驳证据来扩展检索增强生成。 5.3.3. 科学验证分析 科学验证分析在人工智能驱动的理论定性研究中起着关键作用，它通过评估基于现有证据的主张的逻辑连贯性[392, 462]、事实一致性[556, 365, 91, 75]和稳健性[337]。研究强调了领域专业知识对于准确可靠验证的重要性[162, 16, 50, 839]。为了减少错误并提高可解释性，一些框架采用类似人类的逐步流程[378, 157, 831, 30]。例如，HiSS[911]和ProToCo[891]采用多重提示来验证每个子陈述，提高了可靠性。其他方法将验证与实验结果相结合，以提高透明度和可解释性[389, 588, 190, 908]。GX - 陈等人[271]表明，大语言模型从训练数据中继承推理启发式方法，导致认知偏差。为了缓解这一问题，他们提出了一种推理时缩放采样程序，该程序减少了隐含的因果假设，并使模型的推理与因果严谨性保持一致。最近，Ku等人[392]引入了生成连贯视觉解释的任务，并证明将智能体与Manim动画相结合以制作长篇定理解释视频（超过五分钟）会产生更有效的视觉解释。 5.3.4. 定理证明 定理证明涉及开发算法和模型，通常会结合生成式语言模型，以自主生成和验证形式化数学证明[456, 215, 947, 859]。早期方法 引入动态树证明搜索技术，并将检索算法与语言模型集成用于定理证明[602]。然而，检索算法往往优先考虑琐碎的中间猜想，导致性能不佳[781]。为了克服这一问题，一些研究人员引入了全新的方法，完全取代了检索算法[343, 342]。LEGO - Prover[779]采用不断增长的库来增强大语言模型的推理能力，而赵等人[930]提出基于子目标的示范学习以实现更有效的定理证明。此外, Lean Copilot[706]和Lean - STaR[470]利用Lean编程语言和定理证明器，在证明完成过程中实现更好的人机协作。最近的研究集中在对专门的证明大语言模型进行微调[211]。例如，MUSTARD[325]和DeepSeek - Prover[846]旨在生成高质量的合成数据来微调模型并改进定理证明。

5.4. 科学实验实施

自动科学实验实施利用人工智能自主设计、进行和分析科学研究，旨在使从假设形成到数据解释的整个过程自动化。这种自动化旨在加速研究并提高可重复性[113, 385, 49, 767]。然而，朱等人[951]强调了一个关键挑战：目前人工智能科学家缺乏严格实验和高质量论文撰写所需的验证能力。没有这些基本能力，这样的平台就无法成功。 5.4.1. 实验设计 实验设计对于提高效率至关重要，并为人工智能辅助实验实施方法 提供基础。有证据表明，系统设计在自动化和增强实验过程中起着核心作用[568, 520]。 半自动实验设计涉及通过人机协作创建实验计划[568, 520]。阿尔特等人[25]提出了一个基于变压器的框架，该框架可自主生成量子实验协议并揭示状态制备原理。黄等人[324]将深度学习与多目标优化相结合，以设计具有高导热性和合成可行性的聚合物序列，并通过分子动力学验证了他们的结果。梁[461]应用变分自编码器与强化学习相结合，以提高文化创意产品参数的设计和效率。克雷格[150]提出了一个基于实验设计、案例推理和笔记系统的人机协作框架，为科学家提供了一个具有透明文档的结构化大语言模型工具，从而实现可验证的实验设计和知识整合。 全自动实验设计是指应用以智能体为中心的方法对科学实验进行自动调度[332, 12, 236]。诸如人工智能科学家[509]和智能体实验室[669]等平台通过实时纳入新数据不断完善实验协议[735, 36, 668]。在一项重大进展中，刘等人[487]提出了一个端到端的生成智能体框架，该框架能够实现从文献综述到协议迭代的完全自主规划，无需人工干预。此外，鲁哈尼等人[651]引入了一种生物发现智能体，它能够设计、评估和优化基因扰动实验。该系统已显示出优于传统贝叶斯方法的性能，特别是在针对非必需基因方面。 5.4.2. 实验前估计 实验前预测利用人工智能来预测实验结果，旨在提高研究效率和准确性。这个过程可以分为两类： 评估预测用于预测实验结果的定量值或趋势，例如估计药物浓度效应、确定化合物是否影响细胞活性以及评估方案可行性[153]。(1)深度学习方法：随着深度学习的兴起，分层预测模型应运而生[838]。Li等人[439]纳入物理方程来预测药代动力学参数，减少了数据需求并增强了抗噪声能力。最近，Li等人[440]提出了一种双重匹配框架，将分层分子比对与元学习相结合，在药物特征估计方面有显著改进。(2)大语言模型增强方法：最近，随着大语言模型能力的出现，Zhang等人[909]展示了成功的大语言模型辅助评估预测，该方法在后续研究中得到了进一步扩展。值得注意的是，Luo等人[517]将BrainGPT集成到神经科学文献检索中，在评估实验估计方面优于领域专家。Wen等人[822]开发了一个将微调后的GPT-4.1与论文检索代理相结合的系统，在评估实验预测方面优于25位人类专家。 探索性预测利用人工智能来预测实验结果、生成新化合物、设计反应路径，并提出组合方案以推动科学发现[520, 496]。多项研究已将深度生成模型应用于化学空间预测[247, 165]。徐等人[672]引入了一个框架，该框架使用图扩散建模来预测成分与化学分子的相互作用，从而实现创新配对探索。此外，基于大规模计算模型，DeepMind的GNoME[41]预测了约380,000种稳定的材料结构，展示了人工智能在材料发现方面的潜力。最近，还开发了多轮交互方法来改进探索性预测[252]。例如，张等人[909]和斯旺森等人[735]提出了整合多智能体辩论的平台，以更好地预测实验性能并促进思想交流，推动新方法变体的发现。 5.4.3. 实验管理 在人工智能驱动的实验管理中，机器学习与机器人技术的整合能够在无需人工干预的情况下生成假设、进行高通量实验以及迭代优化实验流程[44, 675, 933, 23]。这些模式，也被称为“自动驾驶实验室”[76, 87, 283]，有望加速在生物学、化学和材料科学领域的发现[201][402, 89, 200]。 开环管理涉及无人监督的实验性管理[775]。希史密斯等人[328]探讨了人机协作，强调机器人、预测模型和数据管道的互操作性。在生物加工领域，佐尔纳斯等人[960]将主动学习与半自动的设计-构建-测试-学习循环相结合，以优化微生物培养基，结果表明较高的氯化钠水平能显著提高代谢产物产量和工艺效率。谷歌深度思维公司和拜恩泰科公司[210]推出了一款由人工智能驱动的实验室助手，用于自主设计实验方案并预测结果，旨在提高医疗、能源和教育领域的研究效率。报告显示，此类系统可以将传统的耗时20年、耗资1亿美元的材料发现时间缩短至仅数月。美国政府正通过战略资助计划[33]支持这些努力。 闭环管理需要在无人干预的情况下实现完全自主的实验管理[775]。功能基因组学探索者[381]是该领域的一个里程碑，它是第一个能够生成假设、设计实验并验证结果的完全自主研究平台。麦克劳德等人[526]描述了一种机器人系统，该系统使用基于模型的优化方法来配制、沉积和表征薄膜，以增强电荷传输。人工智能驱动的优化算法正在改变实验工作流程，如化学和材料发现中的闭环贝叶斯优化方法所示[759]。诺克斯等人[383]将多目标优化应用于聚合物纳米颗粒的合成，优化其尺寸、分散性和功能。 5.4.4. 实验实施 实验实施是指在执行和管理科学实验中应用人工智能技术。这一过程对于自动化工作流程、确保实验高效准确地进行至关重要。实验实施的主要目的是减少人类在实验过程中的参与。它可以进一步分为两类： 自动化机器学习实验实施利用人工智能简化机器学习模型的设计、训练和评估，通过覆盖从预处理到超参数优化的整个流程，减少对人类专业知识的依赖[905, 761, 256, 919, 576, 937]。通常，Wang等人[804]提出了一个社区驱动的沙盒，允许智能体编写代码、浏览网页并通过事件流应用程序编程接口进行协作。对于Kaggle竞赛，Li等人[459]提出了一种迭代的、协作的多智能体系统，该系统在整个竞赛流程中纳入了调试和单元测试。AIDE[176]利用树搜索循环来生成、评估和优化解决方案，在Kaggle竞赛中获得铜牌。在研究层面，Li等人[443]将大语言模型智能体工作流程形式化为三个阶段：想法生成、实现和执行，以实现实验自动化。Zhao等人[929]和Liu等人[483]提出了一种从科学文本中提取模型变量的多智能体方法，显著提高了实验重现的准确性。Cheng等人[129]引入了一个多智能体框架，通过模拟标准研究阶段并利用“尺度阶梯”中的尺度定律来构建新颖的大语言模型。针对从1400万到3.5亿参数的不同模型规模提出设计方案，并进行对抗性审查、实现和评估。 Models Without Knowledge With Knowledge SR CBS VER Cost SR CBS VER Cost Direct Prompting Llama-3.1-Instruct-70B [253] 5.9 81.5 29.4 0.001 4.9 82.1 27.5 0.001 Llama-3.1-Instruct-405B [253] 3.9 79.4 35.3 0.010 2.9 81.5 25.5 0.001 Mistral-Large-2 [344] 13.7 82.3 47.1 0.009 16.7 84.7 39.2 0.001 GPT-4o [3] 11.8 82.6 52.9 0.011 10.8 83.8 41.2 0.016 Claude-3.5-Sonnet [24] 17.7 83.6 51.0 0.017 21.6 85.4 41.2 0.016 ol-preview 34.3 87.1 70.6 0.221 31.4 87.4 63.7 0.236 OpenHands CodeAct [805] Llama-3.1-Instruct-70B [253] 6.9 63.5 30.4 0.145 2.9 65.7 25.5 0.252 Llama-3.1-Instruct-405B [253] 5.9 65.3 32.0 0.383 8.3 71.4 58.0 0.384 Mistral-Large-2 [344] 9.8 72.5 53.9 0.513 13.7 78.8 50.0 0.759 GPT-4o [3] 19.6 83.4 87.5 0.803 27.5 86.3 73.5 1.094 Claude-3.5-Sonnet [24] 21.6 83.6 87.3 0.958 24.5 85.1 88.2 0.900 o1-preview [336] 33.4 86.2 87.0 0.999 35.3 88.4 91.5 0.913 Self-Debug [117] Llama-3.1-Instruct-70B 13.7 82.7 40.4 0.007 16.7 83.5 73.5 0.005 Llama-3.1-Instruct-405B 16.7 80.0 35.3 0.006 23.6 79.4 40.4 0.004 Mistral-Large-2 [344] 23.5 85.1 78.4 0.007 26.5 86.7 84.3 0.006 GPT-4o [3] 22.6 84.4 84.3 0.024 33.4 87.1 86.3 0.037 Claude-3.5-Sonnet [24] 32.4 86.4 92.2 0.026 34.5 87.1 86.3 0.015 o1-preview [336] 42.2 88.4 92.0 0.636 41.2 88.9 91.2 0.713

表4:ScienceAgentBench[127]上的全自动发现能力比较。呈现的数据源自Chen等人[127]。加粗内容表示每个指标的最高性能。

现实世界实验模拟与实施。大语言模型在规划和推理能力方面的最新进展使其可用于模拟实验结果[359, 889, 416, 888]，甚至直接进行现实世界实验[123, 659, 203]。现实世界实验模拟与实施通常采用四种策略：(1)自我改进：模型根据反馈迭代优化其性能[313, 683, 916, 596, 883]。例如，Siddiqui等人[688]通过迭代知识应用增强函数逼近。通过分析洞察[443, 737, 36]和超参数调整[568, 494, 901]进一步优化。(2)多智能体交互：模型通过分配实验者、分析师或评论家等角色来模拟协作研究团队[36, 234, 713, 307, 702]。例如，MechAgent[567]、Researchcodeagent[219]和The AI Scientist[509, 854]通过多智能体协作实现实验自动化，大语言模型在计算机科学[509, 854]、社会科学[552, 532]和物理科学[906]等领域充当代理。(3)外部工具集成：研究人员在实验过程中将模型与数据库、应用程序编程接口和其他工具链接，以增强模型能力[278, 621, 666]。例如，Boiko等人[68]将互联网搜索、代码执行和自动化集成到一个GPT - 4系统中。ChemCrow[520]和Crispr - GPT[316]等研究通过大量专业工具链支持化学和基因编辑实验。(4)特定微调：越来越多的工作探索对特定模型进行微调以改善实验模拟。例如，Cui等人[152]提出了一种基于变换器的模型，该模型在大型单细胞转录组数据集上进行训练，在细胞类型注释和计算机模拟扰动响应方面达到了当前最优的准确性[491]。 5.4.5. 实验分析 实验分析包括系统地检验假设、评估模型或验证理论假设以得出有意义的结论。这个过程包括三个主要子过程： 自动评估指标是指像自动机器学习这样的系统，它能自动生成模型学习曲线、参数敏感性分析图和其他评估工具来评估模型性能[5]。例如，自动机器学习平台通过自动生成学习曲线和敏感性分析图来帮助研究人员更好地理解模型行为[42, 40]。 理论一致性分析确保理论方法与实验实施一致[483]。AutoReproduce[929]使用大语言模型创建一个多智能体系统，实现对科学论文中实验的自动理解、代码重现和执行验证。这个过程完成了理论方法与实验结果之间的一致性分析。 探索性分析对于通过统计和可视化技术研究和理解数据集以识别模式、发现异常、检验假设或验证假设至关重要[101, 722]。这个过程扩展了语言模型以结构化格式进行数据探索的能力。例如，Xing等人[847]利用生成器 - 验证器微调方法使语言模型专门用于解析表格数据，提高表格结构推断和总结能力。此外，Bian等人[62]开发了HeLM，它有助于高质量地对表格内容进行自然语言总结，辅助得出结论。

5.5. 全自动发现

全自动发现是指借助端到端人工智能实现科学过程闭环的能力，涵盖从假设生成、实验设计到自主执行、结果分析以及迭代反馈的全过程[531]。表4展示了结果的全面比较。实验室自动化和闭环助手的进展正推动全自动发现通过多智能体系统实现更高的可靠性、创新性和更快的迭代[560, 563, 752, 332]。例如，Lu等人[509]和Yuan等人[883]利用文献挖掘对研究主题进行排名，采用“异常引导”的代码合成框架生成并调试实验脚本，然后将结果反馈到构思模块以迭代完善假设[669, 668, 540]。Kon等人[384]通过三个模块引入严谨性：用于可靠性的智能体内严谨性、用于系统控制的智能体间严谨性以及用于可解释性的实验知识模块，解决了严谨性不足和夸大主张的问题。Li等人[453]将这种方法扩展到数据驱动的发现，增强了探索的多样性。此外，Zochi[12]被开发为用于端到端科学发现的人工智能驱动系统，展示了其在整个研究生命周期中的综合能力。通过Zochi生成的论文甚至已被2025年的ACL会议接受。

6. 用于学术写作的人工智能

用于学术写作的人工智能涉及使用人工智能技术协助研究人员起草、编辑和格式化科学手稿，或从头生成手稿[373]。随着人与大语言模型之间更深入的交互发展，人与大语言模型正在迅速塑造彼此更好的写作习惯[230, 86, 943]。如图6所示，它主要分为两类：半自动学术写作（§6.1）和全自动学术写作（§6.2）。

图6:用于学术写作的人工智能的主要范式。它可分为两个主要类别：半自动学术写作和全自动学术写作。具体而言，半自动学术写作包括手稿准备、手稿撰写和手稿完成。

6.1. 半自动学术写作

半自动学术写作是指使用人工智能工具协助研究人员起草和编辑科学手稿，这需要人工输入和监督。这种方法旨在通过提供人工智能生成的建议、修正和格式协助来提高科学写作的质量和效率。半自动学术写作可分为三个阶段： 6.1.1. 手稿准备阶段的协助 手稿准备阶段的协助是指模型和工具在整个手稿创作过程中提供的支持。这包括生成和完善标题、指导整体结构以及确保内容连贯，所有这些都是为了提高清晰度、质量和提交准备度。 标题制定与优化涉及使用模型生成多个标题候选，并选择最合适的一个[72, 63]。例如，对于“新能源电池材料”这样的研究主题，模型会生成5 - 10个重点各异的标题，然后根据新颖性、复杂性和潜在影响进行评估，帮助作者选择最佳选项[63]。为了进一步提高标题质量，Rehman等人[641]对PEGASUS - large进行微调，并使用GPT - 3.5 - turbo（零样本）从摘要中生成标题。Au等人[31]通过纳入用户偏好来生成更连贯和个性化的标题，从而提高标题质量。 整体逻辑结构指导是指为模型提供章节标题、子章节标题以及段落大纲，以评估逻辑流程、确保避免重复、纠正排序错误并识别任何缺失元素[281]。Sun等人[725]提出了一个用于评估论文结构的多阶段工作流程。他们的评分标准强调章节完整性和内容连贯性的重要性，确保标题和段落符合既定的格式标准。 6.1.2. 手稿撰写阶段的协助 半自动人工智能写作涉及一个协作过程，其中人类创建主要内容，而人工智能提供补充元素。在这种协作中，人工智能协助处理与主要内容相关的次要任务[468, 128, 852, 704, 566]。这个过程可分为三个主要任务： 绘制图表是传达实验数据和分析结果的有效手段[55, 97]。人工智能在自动生成科学图表方面的最新进展取得了重大突破 。罗德里格斯等人[646]介绍了FigGen模型，该模型能将文本描述高精度地映射为复杂的学术图表。除了直接生成图像，一些研究还探索了使用Python[928, 921, 133, 553]、SVG[648]或tikz 来编程绘制科学图表，以获得更好的图表质量。然而，仅有图表并不能完全传达结果；图注对于确保读者理解每个图表至关重要[90, 509, 873]。为了解决这个问题，许等人[302]开发了SciCapenter，这是一个交互式系统，它能生成多个图注候选内容，对其进行评分并对每个候选内容进行质量检查，帮助作者选择最优的表述方式。MLBCAP[377]利用多个语言模型协作生成基于图表的标题。此外，像AI Scientist[509, 854]这样的框架可以从实验日志中识别关键数据，生成带有图注的图表，并将它们集成到创作工具中，推动了端到端的人工智能驱动的科学可视化发展。 公式转录需要将学术和教学材料中的大量数学公式和表格数字化，这推动了将手写或基于图像的表达式转换为可编辑LaTeX的自动化工具的发展。具体来说，桑达拉杰等人[732]使用视觉Transformer（ViT）将这些表达式转录为LaTeX，提高了准确性并减少了人工校对。弗雷查尔等人[770]引入了一种用于语义标注的半自动工具，增强了LaTeX中数学符号的可访问性和互操作性。江等人[345]提出了迭代优化框架，该框架生成初始的LaTeX草稿，将其与源图像进行比较以获取反馈，并迭代纠正错误，从而最大限度地减少人工验证并促进更好的转录。 引文推荐与整合已成为学术写作中的一个关键研究领域，专注于检索相关文献并将其纳入文档中，以提高写作效率和引文准确性[914, 527, 818, 451, 14, 467]。早些时候，马等人[523]引入了一种用于对引文进行排名的时间偏好模型，为后续考虑时间因素的研究奠定了基础[656]。在生成模型方面，塞利克和特基尔[92]开发了CiteBART，它在上下文中屏蔽引文标记并进行重建，实现了零样本引文生成。最近，王等人[813]推出了ScholarCopilot，它生成特殊的检索令牌并动态查询文献数据库以实时嵌入参考文献。何等人[287]提出了PaSa，这是一种由大语言模型驱动的先进论文搜索代理。PaSa自主调用搜索工具、审阅手稿并选择相关参考文献，在复杂的学术查询中取得了甚至超过谷歌+GPT-4o的结果。 6.1.3. 稿件完成后的辅助 完成论文后，作者通常需要提升论文质量，重点关注语言准确性和逻辑连贯性。在这个阶段，支持工具可以协助进行语法校正、表达和逻辑修订，确保论文清晰、流畅且逻辑合理。 语法校正意味着模型会校对每个段落，识别拼写错误、标点不当、表述重复以及字符编码问题，并提供相应的修订建议[231, 860, 809, 724]。具体来说，王等人[810]提出了一种基于上下文增强的合成数据构建方法，该方法可以确保以更一致的错误分布高效扩充原始数据。王等人[787]提出了一个将自动写作评估系统与语法错误校正相结合的系统，通过提供即时反馈来支持二语论文作者，提供有针对性的指导以提高语法和连贯性，减少人工评分工作量。此外，郑和平[940]提出了一个基于Transformer的反馈框架，该框架为非英语母语的作者提供关于语法、词汇、句子结构和逻辑连贯性的实时建议。其模块化设计和动态参数调整能够实现个性化学习路径，同时确保低延迟反馈和差分隐私。 表达与逻辑修订突出了人工智能系统在科学手稿初稿完成后进行完善时所发挥的作用，重点关注表达和逻辑[940]。（1）自主修订是指人工智能自主分析稿件并提出编辑建议，以改进语言、衔接和结构[705, 199]。伊藤等人[335]提出了句子层面的编辑方法，根据稿件内容调整或重写句子。此外，博塔等人[73]利用修订历史对文本进行分段和重写，进一步提高修订质量。（2）人工引导修订是指交互式系统，用户提供特定指令或突出显示需要人工智能修改的部分，形成协作编辑过程[585, 232, 418, 558]。法尔廷斯等人[191]开发了一个响应用户命令的交互式编辑器。Wordcraft[145]支持少样本学习和用于交互的对话。然而，这些方法难以捕捉修订的多样性和迭代性质。XtraGPT[107]提供用于上下文感知、指令引导修订的开源语言模型，解决表面层面和部分层面的连贯性问题。（3）人工参与修订强调通过多个优化循环将人工智能建议、人工评估和文档更新相结合的循环工作流程[205, 330, 745, 559]。杜等人[182]提出了一个人工参与系统，该系统集成了模型生成的编辑、用户反馈和文档更新，以进行高质量修订[764]。林[478]表明人机框架提高了协作效率。温等人[821]开发了OverleafCopilot，这是一个将语言模型集成到Overleaf中的浏览器扩展，用于实时建议、自动重写、翻译，并通过PromptGenius共享提示，以增强LaTeX写作。

6.2. 全自动学术写作

全自动学术写作是指利用人工智能在无需人工干预的情况下生成完整的科学手稿。这个过程涵盖起草、格式化以及生成准备好提交的高质量论文，有效地消除了手稿准备过程中对人工输入的需求[790, 849]。近期研究主要采用具有自我反馈机制的多智能体、模块化设计进行迭代优化。“人工智能科学家”[509]将写作和评审视为流水线模块：通过模拟同行评审并提供基于分数的反馈，它对手稿进行完善。山田等人[854]通过纳入视觉语言模型反馈循环扩展了该系统，以改进内容和图表展示。“智能体实验室”[669, 668]采用带有基于角色的智能体的论文求解器模块，该模块模拟实验室工作流程，根据NeurIPS标准评估手稿并进行迭代改进。佐奇[12]使用多智能体架构进行初稿生成，将自动评审与自我反馈相结合以进一步润色。尽管取得了这些成功，包括一些论文通过了人类同行评审，但尚无系统能完全消除人工编辑，特别是在正确引用的使用方面[332, 12, 669]。

7. 用于学术同行评审的人工智能

同行评审在提高学术论文质量方面起着至关重要的作用。然而，它常常受到延迟、时间要求以及不断增加的学术工作量的阻碍[471, 386, 756, 956]。为应对这些挑战并提高论文质量，研究人员正在探索将人工智能融入评审过程[886, 492, 575, 401, 525]。如图7所示，它主要包括三个类别：预评审（§ 7.1）、评审中（§ 7.2）和评审后（§ 7.3）。

7.1. 预评审

在此阶段，编辑或程序委员会主席负责进行初步评分、确定手稿的主题领域，并分配合适的评审人员，以确保评审质量并防止利益冲突。

图7:用于学术同行评审的人工智能的主要流程管道，包括三个关键阶段：（1）预评审，包括案头评审和评审人员匹配，以确保更高质量和更高效的评估；（２）评审中，包括同行评审和元评审，旨在提供全面的学者反馈和评估；（３）评审后，包括影响分析和推广增强，旨在评估评审过程的影响并改善学术作品的传播。

7.1.1. 案头评审 随着提交给学术期刊的稿件数量增加，编辑部在初审阶段面临着更繁重的工作量。为了解决这一问题，各大出版商引入了人工智能驱动的工具，如自动关键词提取、主题匹配和初步评分，以提高效率、缩短周转时间并减少人工筛选 。例如，爱思唯尔的Evise和Editorial Manager（EM）系统使用索引和提取术语，将稿件分发给合适的学科领域和编辑团队[755]。同样，IEEE的Manuscript Central（基于ScholarOne构建）结合了元数据、作者提供的关键词和学术网络审稿人发现工具，以实现更准确的匹配[701]。施普林格的SNAPP系统和《自然》杂志的人工智能辅助分类工具也展示了人工智能对初审工作流程的影响[562]。此外，迪亚兹等人[171]开发了AnnotateGPT，它可以生成注释，帮助编辑快速评估稿件的范围和质量，进一步加快评审过程。 7.1.2. 审稿人匹配 同行评审中的审稿人匹配是将稿件分配给知识与提交内容相符的专家，旨在最大限度地提高评审质量、公平性和工作量平衡[595]。查林等人[100]首先将其表述为一个整数规划问题，使用亲和度分数来平衡质量、公平性和工作量。查林和泽梅尔[99]后来将论文和审稿人档案嵌入共享的潜在主题空间，提高了大型会议中的效率和准确性。随着投稿量的增加，自动利益冲突（COI）检测变得至关重要。吴等人[835]引入了半自动COI声明系统和监督排名模型，以标记冲突并确保公平性。普拉丹等人[603]通过一种贪心算法进一步推进了这一工作，该算法在保持COI约束的同时优化专业知识分布和工作量，提高了公平性和效率。为了满足不断增长的需求，莱顿 - 布朗等人[428]开发了大型会议匹配（LCM）算法，在数千篇论文中平衡专业知识和工作量。傅等人[217]以及艾蒂姆贝托夫和佐巴斯[13]通过组建多学科审稿人团队来处理跨学科投稿，以提高评审质量。

7.2. 评审中

此阶段涉及通过自动化或人工审稿人协助生成或支持评审报告。审稿人必须给出一个数值分数并提供书面评价。评审过程通常包括两个主要阶段：同行评审和元评审。 Model Focus similarity Text similarity KL Divergence Overall F1 Strength F1 Weakness F1 ROUGE-L BERTScore BLEU-4 GPT-4o-mini [644] 0.081 0.344 0.335 0.353 0.197 0.883 0.076 GPT-4o [644] 0.082 0.348 0.342 0.354 0.202 0.885 0.079 o1-mini [336] 0.090 0.359 0.331 0.385 0.179 0.878 0.059 01 [336] 0.097 0.355 0.318 0.388 0.170 0.869 0.032 DeepSeek-R1 [265] 0.120 0.373 0.341 0.400 0.156 0.874 0.045 Llama-3.1-70B [253] 0.136 0.339 0.338 0.341 0.215 0.882 0.076 Llama-3.1-405B [253] 0.145 0.349 0.349 0.350 0.218 0.884 0.089 DeepSeek-V3 [479] 0.151 0.350 0.330 0.368 0.199 0.880 0.069 GPT-4o-Finetuned [644] 0.022 0.306 0.280 0.322 0.194 0.882 0.081 MARG [159] 0.113 0.346 - 0.346 0.160 0.854 0.011

表5:来自申等人[682]的专家和大语言模型评审性能比较，其中“GPT - 4o - Finetuned”指使用微调API用评审数据对GPT - 4o进行微调。KL散度是根据专家和大语言模型评审之间四个焦点分布（优势/目标、劣势/目标、优势/方面、劣势/方面）的平均值计算得出。通过比较专家和大语言模型评审之间的（目标，方面）集得出整体性能、优势和劣势的F1分数。计算文本相似度指标以评估大语言模型和专家评审之间的一致性。加粗内容表示每个指标的最高性能。

7.2.1. 同行评审生成 同行评审生成涉及为提交的稿件自动创建评审意见或协助撰写评审意见，包括预测质量分数和提供文本反馈。表5中给出了这些结果的详细比较。 分数预测根据创新性和清晰度等标准估计分数，通过多个特征点评估整体质量[58]。贾等人[341]引入了一个多任务BERT框架，该框架联合检测评审意见中的质量特征（例如，建议、问题提及），优于单任务基线。RelevAI - Reviewer[149]将评审任务视为分类问题，以预测论文与给定征稿的相关性。巴苏基和土屋[45]将分数预测框架化为使用论文内部特征的回归任务，擅长区分“好”和“差”的投稿。为了解决数据稀缺问题，蒙卡姆恩等人[555]通过引入一种半监督方法改进了此方法，该方法使用未标记数据对基于Transformer的模型进行微调，有效利用上下文线索。 评论生成涉及生成自然语言的评审评论，这是稿件评估的核心要素[879]。罗伯逊[644]证明GPT - 4可以生成合理的评审评论。袁和刘[885]构建概念图并在预训练模型上整合引文映射以生成评论。AI - Scientist[509, 854]发现基于大语言模型的智能体接近人类水平的评审表现[463]。MARG[159]将论文部分分配给多个大语言模型智能体进行内部讨论，提高反馈的相关性。沙蒙等人[94]分配四个专业角色以提高针对性和理解度。此外，AgentReview[351]和谭等人[742]将评审过程建模为动态的多轮对话。 统一生成将文本评论和数字分数整合到一个单一的评审输出中，这反映了现实世界中的同行评审工作流程[681, 417]。优化统一同行评审生成有三种主要范式：(1)单智能体优化：一种直接的方法是通过更深入的分析来优化单个智能体[360, 950, 329]。申等人[682]观察到，通过比较大语言模型和人类专家的关注分布，现成的大语言模型在论文评审中倾向于优先考虑技术有效性，而对新颖性的强调不足。为了解决这个问题，泰瑟等人[765]用一套评审文件增强评审系统，以降低滥用、分数膨胀、过度自信评估和分布不均的风险。此外，朱等人[950]、张和阿伯内西[907]通过推理大语言模型纳入更深入的推理以提高评审质量。(2)迭代优化：通常通过分层质量控制和多轮优化循环来确保高质量反馈[59]。吴等人[833]提出一个由大语言模型驱动的具有分层验证的流程，生成与人工撰写的评审相匹配的文献综述。基尔塔尼等人[382]引入标准化评估指标和自我优化循环，使大语言模型生成的评审与人类的准确性和分析深度保持一致。(3)多智能体优化：为了进一步提高反馈的可靠性，一些研究采用多智能体框架[742, 323, 223, 572, 851]。达西等人[159]将稿件分成模块给专门的智能体，从而得到比单智能体系统更高质量的反馈。CycleResearcher[825]和TreeReview[98]应用强化学习来模拟迭代评审轮次和结构化智能体交互，增强协作。此外，泰乔约廷和阿库纳[738]提出多目标强化学习来优化统一同行评审，而泰乔约廷等人[739]将多智能体科学评审扩展到多模态场景。 7.2.2. 元评审生成 元评审生成将多个评审者的意见综合成一个单一的、客观的和全面的评论，强调稿件的核心贡献和局限性，同时平衡不同的观点[395, 437, 298]。早期研究专注于通过明确的结构线索来指导总结过程[436, 663, 892]。最近的工作涉及评审者之间的论证结构和潜在偏见[114]。值得注意的是，PeerArg[723]引入了一个多方论证框架(MPAF)，它将大语言模型与知识表示相结合以减少主观性和偏见。MetaWriter[728]自动从评审者那里提取关键论点。达林等人[160]通过创建一个“独特性分数”来调整理性言语行为框架，以识别不同评审中的共同和独特观点。此外，库马尔等人[397]引入了ContraSciView语料库，它能自动检测评审对之间的矛盾。这些努力共同为更透明和公平的元评审铺平了道路。

7.3. 评审后

评审后是指在一篇论文通过同行评审后应用的一系列由人工智能驱动的方法，旨在评估其未来的学术影响力并扩大其传播范围。它包括(1)影响分析，从论文内容预测引用轨迹和研究意义；以及(2)推广增强，自动生成海报、通俗摘要、视频和其他宣传材料以最大化可见性。 7.3.1. 影响分析 影响力分析旨在通过评估论文的内在特征来预测其未来的学术影响力，最常用的衡量指标是引用次数[697, 327]。早期方法主要依赖外部元数据或手工制作的特征，如作者声誉和期刊影响因子[174, 740, 954]。相比之下，最近利用大语言模型的方法具有直接从论文叙述中推断其创新性的优势。例如，Zhao等人[926]将影响力预测构建为一个回归任务，在标题和摘要上对大语言模型进行微调，以生成一个经过时间和领域归一化的影响分数，有效地解决了冷启动问题。同样，HLM-Cite框架[277]采用两阶段方法：首先，一个嵌入模型从一个大型语料库中检索一组候选引用，然后是一个生成式大语言模型

图8:人工智能在研究中的多学科应用。这包括三个主要领域：(a) 自然科学中的人工智能，涵盖物理、生物和医学、化学和材料科学等领域；(b) 应用科学与工程中的人工智能，专注于机器人技术和软件工程；以及© 社会科学中的人工智能，包括社会学和心理学等学科。

进行细粒度推理和重新排序，以识别最相关的参考文献。 7.3.2. 推广增强 除了预测影响力之外，一个平行的研究方向是利用生成式人工智能通过制作各种易于获取的推广材料来扩大论文的影响力。这些工具将密集的科学手稿转换为更具吸引力的形式，从而扩大其传播范围。例如，Sun等人[731]提出了P2P系统，该系统通过智能内容选择和优化的布局设计，从冗长的多模态文档中自动生成学术海报。为了提高公众的理解，Markowitz[534]利用GPT-4生成通俗易懂的总结，并证明这些由人工智能生成的总结在语言简洁性方面超过了人类撰写的总结。最近，Park等人[593]推出了SciTalk，这是一个生成简洁科学视频的多智能体框架。此类系统的迅速普及凸显了对稳健评估的迫切需求，从而催生了用于评估人工智能生成的科学传播质量的专门指标[297]。

8. 人工智能在研究中的应用

如图8所示，它包含三个主要类别：用于自然科学研究的人工智能（§8.1）、用于应用科学与工程研究的人工智能（§8.2）以及用于社会科学研究的人工智能（§8.3）。

8.1. 用于自然科学研究的人工智能

8.1.1.用于物理研究的人工智能 在物理研究中，人工智能对于开发新方法和推动发现而言如今不可或缺[177, 67]。其应用范围涵盖从自动定律发现到物理世界模拟以及神经算子学习，所有这些都是为了提高模拟精度、加快计算速度，并从有限数据中揭示隐藏模式[348, 811, 544]。 物理世界模拟将物理先验知识与人工智能模型相结合，以模拟复杂系统，同时确保与物理定律保持一致[47, 164, 632]。早期，物理信息神经网络（PINNs）[631]将偏微分方程约束嵌入损失函数中，使它们能够从稀疏数据中求解和推断非线性方程。通过利用哈密顿力学的守恒量结构，哈密顿神经网络[254]利用守恒量结构来强制能量守恒，从而实现更快的收敛以及无漂移、可逆的模拟。拉格朗日神经网络[151]直接对系统的拉格朗日量进行参数化，避免了坐标选择问题，同时在双摆等示例中仍能精确保持能量守恒。 自动定律发现利用大语言模型的推理能力，自动定律发现系统从有噪声的实验数据中生成、测试和完善物理定律[684, 686]。例如，AI - Newton[196]能自主推导并验证物理定律，如牛顿定律和守恒原理，而无需操作人员提供方程。通过将坚实的知识库与结构化发现工作流程相结合，AI - Newton生成物理现象的可解释模型。Shojae等人[684]提出了一种新颖的方法，利用大语言模型的科学知识和代码生成能力直接从数据中发现科学方程。DrSR框架[798]通过分析结构数据关系并实施反馈机制来增强定律发现，从而在各个领域提高性能。LLM - Feynman[709]结合自动特征工程、基于大语言模型的符号回归和公式解释，从经验数据和领域知识中提取可解释的表达式。最近，Li等人[441]使用增强的视觉提示和领域专业知识，更有效地从高维数据集中发现物理坐标和控制方程。 8.1.2.用于生物学与医学研究的人工智能 生命科学和医学研究中的人工智能使用算法和计算模型，跨尺度进行分析和预测[408, 446, 861, 784, 80]，从分子结构到临床诊断[828, 150, 801]，以加速药物发现[744, 581, 261]、优化实验工作流程[735, 330, 565]、提高诊断准确性并推进精准医学[346, 366, 860, 318]。 蛋白质发现。计算创新的一个显著例子是蛋白质发现和蛋白质结构预测，其目的是预测蛋白质的三维原子结构。这对于理解生物学功能和指导药物设计至关重要[173, 233, 235, 594]。例如，西尼尔等人[671]表明，基于深度学习的距离预测显著提高了从头折叠的准确性。朱珀等人[355]开发的AlphaFold 2系统实现了原子级精度，并自2021年以来改变了结构生物学。AlphaFold 3[2]在此基础上引入了一种扩散模型架构，该架构可以预测单体结构，并以接近实验的精度重建蛋白质-核酸和蛋白质-配体复合物。此外，林等人[475]提出了一个基于LLaMA的双任务框架，该框架将反应和逆合成整合到一个统一的重组-碎片化过程中，通过分子对接反馈生成具有强预测蛋白质结合亲和力的新型化合物。细胞与基因建模。一个关键的研究领域是细胞水平建模和基因表达分析，旨在模拟细胞行为并识别各种条件下的活性变化[81, 226, 650]。几项研究专注于预训练模型以改进细胞或基因建模[124, 61, 148]。然而，由于高质量基因和细胞数据的稀缺，最近的工作探索了数据增强技术来增强人工智能训练数据[6, 530, 11]。此外，鲁哈尼等人[651]引入了一种基于智能体的智能系统，该系统通过利用外部工具搜索生物医学文献、分析数据集并与二级智能体进行评估来设计新实验、推断结果并有效探索假设空间，从而收敛于最优解。此外，最近的研究调查了人工智能驱动的自主医疗程序，将人工智能定位为研究人员的协作工具[959, 845]。微型STAR系统[284]将实时光学相干断层扫描成像与人工智能组织分类相结合，以自主地对离体血管进行血管缝合，实现了与专家外科医生相当的漏压性能，从而证明了人工智能和机器人技术在微创手术中的潜力。 药物发现 近年来，人工智能（AI）在药物发现领域取得了重大进展，推动了药物设计的多方面创新，并展现出巨大的潜力和前景[269, 744, 186]。（1）结构预测与分子设计：人工智能在结构预测和分子设计方面取得了显著进展。早期研究[718]使用深度学习模型从超过1.07亿个分子中筛选出23种潜在的抗生素候选物，成功鉴定出一种具有抗菌活性的药物。LUMI-lab平台[153]将分子模型与自动化实验相结合，发现了在mRNA递送方面表现出色的离子化脂质。然而，在人工智能驱动的药物发现中，与数据稀缺相关的挑战仍然存在。为了缓解这一问题，人们提出了多靶点药物多药理学、解码药物反应和量子计算等策略来提高模型性能[222]。（2）多智能体协作药物鉴定：多智能体系统在药物发现中已被证明非常有效，有助于快速鉴定新的治疗化合物[419]。例如，DrugAgent[495]和DrugPilot[432]通过多智能体协作实现机器学习编程自动化，实现了从数据采集到模型评估的完全自动化，从而提高了效率。索洛维耶夫等人[702]引入了一种多智能体方法，将大型语言模型与专门的生成模型和验证工具相结合，以实现端到端药物发现过程的自动化。李等人[419]开发了一个多智能体框架，该框架从生物医学知识库中检索和整合信息以生成响应，避免了对昂贵的特定领域微调的需求。尽管取得了这些进展，但在解决数据质量、模型可解释性和监管障碍方面仍然存在挑战[581, 884]。（3）药物再利用：药物再利用涉及将已批准的药物用于新的治疗适应症[511, 317]。在肝纤维化研究中，人工智能辅助的协作科学家系统利用人类肝脏类器官平台成功推荐了具有显著抗纤维化活性的药物，显示出治疗肝纤维化的潜力[261]。通过整合知识图谱和各种数据源，刘等人[495]和加里扎德等人[237]识别出潜在的药物再利用候选物，并提供可解释的预测。李等人[420]结合亚组分析和治疗效果估计，模拟临床试验以识别药物候选物，并根据治疗效果对患者亚组进行特征描述。这种方法在一个超过800万患者的真实世界数据库上进行了测试，模拟了1000多次药物试验，识别出14种对特定亚组有益的药物候选物。 临床诊断 临床诊断通过三个相互融合的突破得以推进。(1) 临床智能体：首先，大语言模型充当临床 “智能体”，在医学执照考试中达到医生水平的表现[77, 252, 374, 695, 828]。此外，为提高决策的透明度和结构化程度，已提出一种人机协作笔记框架[150]和长思维链推理技术[411]，利用基于案例的推理来指导临床问诊。(2) 多智能体医院模拟：诸如智能体医院这样的多智能体系统复制人工智能 - 人工智能[195, 403]和人机协作的诊断与治疗工作流程，有效地充当护理协调的组织 “神经系统”[431, 39]。 (3) 交互式物理驱动：由大语言模型引导的机器人平台执行精确的物理干预。例如，一个自主光学相干断层扫描系统在诸如血管吻合等精细手术中达到外科医生水平的精度[284]。总之，这些突破证明了完全自主的医疗设施的可行性，其中智能体无缝集成诊断推理、治疗规划和手术执行。 8.1.3. 用于化学与材料研究的人工智能 化学和材料领域中人工智能驱动的自动化将机器学习、机器人技术和仪器仪表集成到一个用于设计、合成和表征的闭环系统中，加快决策和实验速度[116, 887, 832]。 自动分析旨在在虚拟或自动化实验设置中识别最优或新型材料成分，同时尽量减少所需实验的数量[46, 633, 672]。具体而言，Chen等人[102]引入了MEGNet，证明图神经网络在分子和晶体性质方面可以达到密度泛函理论级别的精度。Li等人[452]采用两阶段贝叶斯优化，仅使用2.4%的实验条件筛选了560种有机光催化剂，从而获得了显著提高的性能。Ekosso等人[189]将低成本机器人平台与高通量显微镜和高斯过程模型相结合，绘制囊泡形成过程。最近，Szymanski等人[737]实现了一个机器人 - 机器学习平台，该平台加速了化合物发现，并在17天内识别出41种新型无机材料。 自动发现是一个自动化实验平台，它结合了机器人操作、在线表征和实时决策算法，以自主执行从试剂分配到结果分析的整个实验过程[83, 460, 161]。早期研究奠定了理论和实践基础：Butler等人[83]综述了加速材料设计和发现的机器学习方法[548, 158, 324]。此外，Dai等人[155]使用配备超高效液相色谱 - 质谱联用仪和核磁共振仪的移动机器人，以类似于人类化学家的方式规划和解释合成过程。Jayarathna等人[339]利用文献数据减少主动学习循环中的实验数量，发现了新的钌基催化剂。Dai等人[156]为离子 - 电子聚合物引入了一个人工智能顾问，其性能比旋涂法提高了150%。最近，一些研究纳入了大语言模型，以增强化学和材料发现中的创新和知识[910, 863, 390]。 全人机协作过程管理利用大语言模型或自然语言理解与生成来支持假设形成、实验设计和迭代优化，旨在促进更直观和高效的研究互动[785, 515, 424]。AILA框架[531]将大语言模型嵌入到全自动原子力显微镜工作流程中，展示了语言模型在指导实时微观实验中的潜力和当前限制。Sprueill等人[711]和Feng等人[206]在启发式搜索循环中将大语言模型驱动的语言推理与化学反馈相结合，在不确定的化学空间中提出新型催化剂和反应途径。认识到集体智慧往往优于个体推理，一些研究[568, 707, 406]采用多智能体架构，其中大语言模型生成假设、设计实验并指导迭代优化，从而实现无缝的人机协作。Ma等人[522]推出了首个专为大语言模型驱动的大分子设计量身定制的全自动逆合成规划智能体，能够全面枚举可行的多分支反应路线。与此同时，Zhu等人[952]展示了一个机器人人工智能化学家，它对火星陨石样本进行矿石预处理和催化剂优化。

8.2. 用于应用科学与工程研究的人工智能

8.2.1. 用于机器人技术与控制研究的人工智能 用于机器人技术与控制研究的人工智能应用人工智能方法：深度学习、强化学习和大语言模型，用于机器人的感知、决策和控制，旨在提高机器人在新环境中的适应性、鲁棒性和自主性[421, 413]。 自主设计与优化系统整合了机器人技术、机器学习和领域专业知识，以实现实验规划、执行和优化的自动化[460]。乌丁等人[766]介绍了OptoMate，这是一个使用经过微调的语言模型进行光学装置设计，并使用机器人手臂以亚毫米精度组装光谱组件的系统，实现了基于云的光学实验室。米斯扎内克等人[551]在反馈优化器中采用计算机视觉和前馈神经网络，以实时调整3D打印参数，将数据收集时间从数天缩短至数小时，并确保零件质量的一致性。安杰洛等人[22]在闭环系统中应用物理信息特征选择和监督学习，以增强光稳定性并揭示溶剂介导的三重态机制。布等人[78]将文本条件视频扩散模型与反馈驱动控制器相结合，以生成视觉计划并迭代优化动作，显著提高了性能。 基于视觉的端到端控制 基于视觉的端到端控制将原始图像或视频帧直接输入神经网络以生成控制信号，省去了单独的感知、规划和控制模块。早期的工作将卷积神经网络（CNN）与强化学习或引导策略搜索相结合，将相机输入映射到运动命令。莱文等人[426]首次应用引导策略搜索来联合训练感知和控制，将原始图像映射到电机扭矩，并展示了在现实世界中可靠的抓取能力。莱文等人[427]在大量真实抓取尝试上训练CNN，以实时预测抓取成功率，实现对新物体的闭环控制。卡拉什尼科夫等人[358]引入了一个在580,000次抓取上训练的自监督闭环Q学习框架，实现了动态策略调整、重试和抗干扰能力。托宾等人[758]提出了领域随机化，通过改变模拟器渲染参数，使在合成数据上训练的模型能够直接转移到现实世界的检测和抓取任务中。 从模拟到现实的鲁棒性与安全性确保了在遵守安全约束的同时，将在模拟中训练的策略可靠地转移到现实世界任务中。博切姆等人[66]将锐度感知优化集成到基于梯度的强化学习中，以识别平坦最小值，增强在富含接触的任务中的转移鲁棒性，同时不影响样本效率。阿部等人[34]在受随机和对抗性扭矩干扰的腿式机器人上评估离线强化学习方法，揭示了对突然扰动的脆弱性，并强调了实时适应和安全措施的必要性。拉多萨沃维奇等人[627]使用深度强化学习训练基于Transformer的控制器，并在没有安全支架的情况下在户外部署一周，展示了在干扰、崎岖地形和不同负载情况下的自适应性能。杨等人[858]将领域随机化应用于软机器人的基于视觉的伺服控制，无需在机器人上进行微调，并使在模拟中训练模型能够直接转移到连续体操纵器上。格里耶等人[263]将控制障碍函数与强化学习相结合，在学习过程中强制执行安全约束，防止在复杂环境中出现危险状态。 多任务与多智能体控制框架促进并发任务执行，或在复杂工作流程中实现智能体之间的协作，从而提高并行性和自动化程度。塔希德和诺托米斯塔[741]引入了一个基于强化学习的框架，旨在在具有冗余架构的机器人系统中动态学习和组合任务策略，纳入时变优先级堆栈以调整任务优先级。团队等人[752]提出了一个统一的多智能体系统，能够自动生成假设、设计和进行实验，并通过迭代反馈完善方法，建立了一个加速跨学科研究的闭环过程。

8.2. 用人工智能进行软件工程

软件工程中的人工智能研究专注于应用人工智能技术来自动化软件开发任务、提高代码质量并提升开发者生产力。这包括代码生成、错误检测、代码审查和软件测试。 代码生成是指使用人工智能模型根据自然语言描述或现有代码模式自动生成代码片段或整个程序[657, 264, 438, 315]。这可以加速开发过程并减少手动编码[508, 920]。例如，陈等人[106]开发了Codex，这是一个在GitHub公开代码上微调的GPT模型，它支持GitHub Copilot。为了使程序合成民主化，尼坎普等人[571]训练并发布了CodeGen，这是一个基于自然语言和编程语言数据的大语言模型，同时还发布了开源训练库JAXFORMER。此外，多项研究探索了高级代码功能以及对多种编程语言（如Python、Java和R）的支持[657, 264, 438]。 端到端软件开发涵盖了整个软件开发生命周期，人工智能在各个阶段实现了自动化[584, 193, 349, 415]。例如，Phan等人[599]开发了HyperAgent，这是一个通用的多智能体系统，旨在处理不同编程语言的各种软件工程任务，模仿人类开发者的工作流程。Qian等人[614]引入了经验协同学习，使软件开发智能体能够利用历史经验来提高任务性能。同时，Qian等人[615]引入了ChatDev，一个基于聊天的软件开发框架，Kang等人[363]提出了一个由大语言模型驱动的科学调试支持的可解释自动调试框架。

8.3. 用于社会科学研究的人工智能

人工智能已被广泛用于自动化社会科学实验的设计、执行和分析，涵盖从假设生成到数据收集的任务，且人工干预极少。在此背景下，我们将关注两个关键领域： 8.3.1. 用于社会学研究的人工智能 社会学研究中的人工智能是指利用机器学习、自然语言处理和多智能体系统来模拟、分析和探索社会现象[506, 843, 367]。通过人工智能，研究人员可以重构集体行为的宏观模式，并对微观层面的文化背景和个体互动有更深入的了解，从而使传统社会学方法焕发生机[458]。 人工智能辅助的实验和访谈研究。学者们越来越多地采用对照实验和模拟访谈来检验社会科学假设，并评估各种社会机制和政策干预的效果。Manning等人[532]提出了一种方法，将结构因果模型与大语言模型相结合，以在谈判、保释听证会、工作面试和拍卖等场景中自动生成并实证验证社会科学假设。这种方法通过将模型既用作生成假设的科学工具又用作验证的实验对象，有效地弥合了理论与实践之间的差距。Liu和Yu[484]开发了MimiTalk，一个自动访谈系统，并在Prolific平台上对20名参与者进行了人工智能主导和人类主导访谈的对比研究。这项研究证明了人工智能介导访谈的可行性，并突出了它们在实验环境中的潜力。 社会现象的大规模模拟。这种方法利用算法工具自动收集和分析大量文本、视觉和互动数据，以模拟和检验社区实践和价值演变的宏观动态[294, 713, 326]。Perez等人[598]自动提取和分析大规模文本和图像数据集，以绘制当代在线社区的文化实践、价值体系和趋势[877, 677]。Zamudio等人[890]提出了一个使用多智能体大语言模型的文化进化模拟框架，能够操纵网络结构、个体特征和信息传播中的偏差，以研究推动文化传播和变化的因素。Chen等人[121]开发了一个基于GPT的三模块框架，包括信息提取、变体生成和结果预测，该框架在预测319个经济领域实验的结果时实现了高度一致性，同时也反映了性别、种族和社会规范对绩效的影响。此外，Bao等人[38]揭示了社会中潜在的、常常未被言明的规则。 潜在风险讨论。虽然大语言模型在自然科学中表现出强大的预测能力，但其在社会科学中的表现仍然有限。Manning等人[532]发现，尽管大语言模型在给定一个提议的结构因果模型时能够很好地预测估计效应的符号，但它们难以可靠地预测效应的大小。此外，Luke等人[512]强调，大语言模型在处理处理效应异质性方面面临挑战，并且在预测社会科学结果时表现出系统偏差。因此，大语言模型的预测能力仍未充分发展，特别是在预测可能为未来实验提供信息的新实证模式方面[423]。 8.3.2. 用于心理学研究的人工智能 研究方法侧重于心理实验的设计、实施和验证，以确保有效性和可重复性[760, 429, 899]。 实验工作流程自动化与模拟。近期研究探索了将人工智能整合到心理学实验的管理和数据模拟中[622,788,64]。扎穆迪奥等人[890]介绍了RAISE管道，实现了视觉刺激生成与验证的自动化。在五项实验中，人工智能生成的图像在有效性和可识别性方面与研究人员设计的刺激相匹配。钦吉洛格鲁等人[141]对1193名参与者进行了一项全自动在线随机对照试验，其中人工智能负责招募、随机分配、干预实施和数据收集，成功以金标准的严谨性复制了八个经典假设。崔等人[154]、斯特拉坎等人[719]、苏里等人[733]使用GPT - 4模拟了154个经典实验的反应，再现了76%的主要效应，但产生了71.6%的意外显著结果，这既说明了人工智能辅助复制的前景，也强调了谨慎解读的必要性[125, 172, 245]。 人类与人工智能的信任及安全设计。关于人类与人工智能信任的研究探讨了人类与人工智能交互过程中信任的发展，并得出确保安全的策略[617]。李等人[454]引入了一个包含信任者、受托者和情境的三维框架，确定了影响信任的关键因素，并提供了改善安全的设计建议。在此基础上，钱德拉等人[96]通过对283名有心理健康经历的个体进行访谈，制定了一个包含19种危险人工智能行为和21种负面心理影响的分类法。据此，他们提出了一个多路径案例方法框架和一套旨在减轻这些风险的安全指南。 心理干预。心理干预越来越多地采用人工智能驱动的聊天机器人来提供可扩展且具成本效益的心理支持[607]。早些时候，哈根多夫等人[273]、迪利翁等人[172]以及宾茨和舒尔茨[64]讨论了大语言模型是否以及何时能在心理学研究中取代人类参与者，回顾了早期证据并提出了一个理论框架，同时强调了方法上的注意事项。在一项随机对照试验中，海因茨等人[289]发现，与对照组相比，Therabot聊天机器人使临床水平的症状显著减轻。同样，斯皮茨卡[712]探索了使用Friend聊天机器人进行危机支持，证明其效果与传统面对面治疗相当。这些发现凸显了生成式人工智能在提升心理健康服务的可及性和有效性方面的潜力，尤其是在资源有限的环境中[166, 167]。近期的研究进一步表明，大语言模型在生成情感共鸣的叙述方面可以达到或超过人类表现[824, 654]，甚至通过标准图灵测试[354]，凸显了它们更广泛的心理和沟通能力。 Tool Description SciSpace Copilot AI-powered Literature Q&A, Annotations, Auto-Summarization, Chart Explanations Elicit AI-powered Literature Q&A, Auto-Summarization, Suggestions Jenni AI / NoteGPT AI-powered Note-Taking, Auto-Summarization Scholarcy AI-powered Auto-Summarization, Summarization Card, Analysis and Organization PDFMathTranslate AI-powered PDF Math-Augmented Translation

表6:用于推进科学理解的代表性且成熟的人工智能系统及辅助工具。

9. 资源

为了进一步推动该领域的研究，我们将提供一套更广泛、更全面的相关资源，包括涵盖各个阶段的工具、基准和数据集。

9.1. 用于科学理解的人工智能

9.1.1. 文本科学理解 为了推进科学问答系统的评估，已经开发了各种基准，其任务复杂性和领域特异性不断增加[653, 862, 204, 287]。表6全面概述了用于科学理解的典型、成熟的人工智能系统及相关工具。 像ScienceQA [662]、LitQA [407]、LitQA2 [699]、SciQA [32]、SciQAG - 24D [774]和Trivi - aQA [393]这样的数据集支持科学内容的问答。SciBench [803]拓宽了跨物理、化学和数学的科学推理。此外，SciInstruct [896]通过指令调整数据[816, 772]拓宽了跨形式证明的推理。此外，还提出了AutoPaperBench [379]和SciCUEval [880]用于自动论文或科学内容理解评估。 此外，数据集已扩展到更广泛的领域，包括生物医学[71, 350, 391, 639, ]、学术化学[120,597]、材料科学[516]、物理学[938]和其他科学领域[850]。TheoremQA [115]评估人工智能模型应用定理解决具有挑战性的科学问题的能力。多任务和多模态评估框架，如M3CoT [109]、SciFIBench [643]、MMSCI [455]、SPIQA [605]和MultimodalArxiv [433]，进一步扩展了这些评估。为了应对更广泛的多模态和多文档挑战，还引入了M3SciQA [430]、SceMQA [465]和SciDQA [694]。 除了静态基准测试，动态和交互式评估框架也已出现。SCITOOL - BENCH [524]旨在评估跨领域科学推理中的工具使用情况，而库恩等人[393]提出了一个多轮对话框架来模拟用户交互，并引入了如调整后准确率等指标。在生成对齐方面，于等人[875]设计了一个系统来评估生成内容与科学文本之间的语义保真度，将自动评分与人工判断相结合。 Tool Description Google Scholar / Web of Science / Scopus / AMiner Semantic Scholar Literature Search, Citation Tracking, Author Profiles, Citation Analysis AI-Assisted Academic Search Platform (Semantic Graph) Research Rabbit / Connected Papers / Citation Gecko / Iris.ai Scite.ai Consensus.app ResearchGPT Visual graph of Works Shows Citation Context (Supporting/Contradicting/Neutral) Opinion-based Literature Search, Ideal for YES/NO Questions AI-generated Knowledge Graphs and Paper Structures

表7:为增强学术调查而被广泛采用的代表性人工智能系统和辅助技术。

9.1.2. 表格与图表科学理解 在基于图表的推理领域，已经出现了一些基准测试，用于评估大语言模型在结构和逻辑理解方面的能力。早期的工作，如ChartQA [537]、CharXiv [817]、ChartX [842]、MISSQA [931]和NovaChart [303]，专注于评估大语言模型在回答与图表相关问题时的表现，使用了合成数据和真实世界数据。另一方面，像SUC [721]、TableBench [837]和ToRR [28]这样的基准测试强调在诸如表单解释、数值推理和文本分析等各种任务中对大语言模型结构理解的评估，而不是内容理解。

9.2. 用于学术调查的人工智能

在生成学术调查的任务中，有几个具有代表性的公共语料库因其在规模、领域和结构方面的独特特征而脱颖而出。表7全面概述了用于学术调查收集和生成的典型、成熟的人工智能系统及相关工具。 为了评估学术检索系统的能力，一些研究专注于学术深度研究[820]，如AcademicBrowse [942]。为了便于相关工作的章节级生成，已经引入了几个大规模数据集，如Cochrane [773]、MSLR 2022 [791]、MS [170]、OARelatedWork [175]、OAG - Bench [898]。这些数据集将全面的“相关工作”章节与其相应的全文配对，为这项任务提供了宝贵的资源。此外，还开发了用于评估自动学术调查生成质量的系统基准测试。例如包括SciReviewGen [368]、BigSurvey [493]、SurveySum [208]、SurveyBench [855]、AutoSurvey [807]和SurveyX [464]。这些基准测试为评估自动系统在生成学术调查方面的性能提供了关键指标。对于细粒度的人工标注，SurveyEval [786]提供了一个包含大量评论和引用的分层标题树。它还伴随着分层一致性和引用 - 章节对齐指标，这些指标是评估摘要生成分布和引用准确性的重要工具。

9.3. 用于科学发现的人工智能

为了促进科学发现，已经开发了各种人工智能数据集和工具，以协助研究人员在研究过程的不同阶段。这些工具涵盖从实验设计和管理到全自动发现，如表8所示。 在创意挖掘方面，已经引入了几个关键资源，它们对科学发现任务有显著贡献[105]。值得注意的是，LiveIdeaBench [658]、ResearchBench [502]、Genome - Bench [874]、AIIde - aBench2025 [623]、AP - FRI语料库[398]、HypoGen [577]、CLIMATEDATABANK [497]、CHIMERA [717]和OMATO - Chem [867]为创意挖掘和假设生成提供结构化数据集，能够对大语言模型进行系统的训练和评估。此外，OAG - Bench [898]为学术图挖掘提供了一个全面、细粒度的基准测试，涵盖10个任务、20个数据集和70多种基线方法，所有这些都是由人类专家精心策划的。这个资源促进了系统评估，并鼓励社区驱动的研究。此外，SPARK [664]和ICLR - NeurIPS创意数据集[442]引入了来自OpenReview提交的以创意为中心的摘要 - 评论对的精选数据集，支持用于研究创意生成的监督学习和强化学习，并进行多维度的创意质量控制，包括新颖性、可行性和有效性。 Tool Description Experiment Design SnapGene Molecular Cloning and DNA Visualization Elicit AI-driven Experiments Design Experiment Management Notion / Asana / ClickUp / Atlassian Rovo Project Management, Task Tracking, Collaboration Trello / Wrike Generate Content, Help Brainstorming, Conceive Product GitMind Mind Mapping and Brainstorming Tool for Project Planning Forecast Project Risk and Status Management Tableau / Power BI Interactive Dashboards and Reports Experiment Conduction Copilot / Cursor / Tabnine / Qodo AI-powered Code Completion, Generation, Review, Documentation Gemini CLI AI-powered Open Source Command Line Tool Diffblue AI-powered Unit Test Generation for Java Code MLflow / Weights & Biases / TensorBoard AI Experiment Tracking And Visualization Papers with Code Paper-Code Pairs for Easier Reproducibility MONAI AI-powered Medical Imaging Framework for Reproducibility Taskade Generate Code Snippets and Debugging to Facilitate Collaboration Among Developers Full-Automatic Discovery ChatGPT / Claude / Gemini Problem Solving, Code Assistance, Writing Polishing, Full-Lifecycle Management ResearchGPT AI-generated Knowledge Graphs and Paper Structures AutoGPT / OpenDevin Multi-step Research Automation AgentLabs Multi-Agent AI Platform for Research Automation AI-Scientist / Zochi AI-powered Research Assistant for Scientific Discovery

表8:代表性人工智能工具及其在促进科学发现方面的作用，特别关注实验进行。

新颖性与重要性评估 在自动化科研评估的发展过程中，学术界主要聚焦于“新颖性与重要性”这两个双重标准，系统地探究语言模型评估科研创新的能力[743]。引入了SchNovel框架[469]和NoveltyDetection[499]来评估人工智能系统在从arXiv抽取的多个科学学科中评估学术新颖性的能力，旨在促进科研工作流程中研究原创性的自动化评估。在此基础上，Gu等人[257]引入了BLADE，这是一个将12个专家标注数据集与多种自动评分方法相结合的系统，使模型能够在开放的、数据驱动的科学分析中探索不同的推理策略。HypoBench[486]、Dasgupta等人[163]以及Lin等人[473]旨在从多个方面评估语言模型和假设生成方法，包括实际效用、通用性、假设、新颖性[163]和严谨性[473]发现率。 理论分析 需要收集科学证据、进行理论验证和定理证明。具体而言，FV - 泛化基准[589]、SCitance[17]和MissciPlus[243]旨在完成科学证据收集。TheoremExplainBench[392]、XClaimCheck[365]、SciNews[91]、ClaimReview2024 +[75]、FactKG[378]、TrendFact[908]和SciVer[776]提供用于科学验证分析的数据集和基准。MiniF2F[935]、FIMO[482]、MUSTARDSAUCE[325]用于在科学定理证明任务上微调及评估语言模型。此外，数据集和基准已扩展到更广泛的领域，包括生物医学[814]。 实验设计 在实验设计方面，Tian等人[757]针对虚拟筛选和先导化合物优化中的零样本和少样本场景提出评估框架，建立了一套专门为人工智能驱动的药物发现量身定制的综合指标。同时，Feng等人[202]利用160万个生物活性测量数据，通过成对元学习训练一个通用模型，这有助于快速适应并稳健地推广到新的生物系统。对于生物实验方案理解和推理，BioProBench[503]是首个大规模多任务基准。为了为语言模型在医学领域的安全有效部署提供有价值的见解，Zhang等人[904]开发了LLMEval - Med，这是一个经过医生验证的医学语言模型的真实世界临床基准。 实验实施 为了评估模型在实际研究环境中的性能，MLAgent - Bench[322]、Exp - Bench[385]、MLRC - Bench[919]、MLE - Bench[95]、DS - Bench[352]、ScienceBoard[730]、ScienceArena[932]、AutoReproduce[929]、SciReplicate - Bench[844]、DO Challenge[700]和MLR - Bench[103]评估人工智能智能体执行典型研究任务的能力，如优化CIFAR - 10分类器和调整BabyLM。同样，Hu等人[309]开发了InfiAgent - DABench，它基于真实世界的CSV数据集，评估模型在端到端数据分析任务中与工具交互的能力。MLGym - Bench[561]是首个用于机器学习任务的Gym环境，能够对训练此类智能体的强化学习算法进行研究。ResearchCodeBench[312]能够持续理解并推进语言模型驱动的研究代码生成创新。AutoBio[412]旨在评估生物实验室环境中的机器人自动化。 实验分析 实验分析包括系统地检验假设、评估模型或验证理论假设以得出有意义的结论。提出了MicroVQA[82]来评估研究工作流程中至关重要的三种推理能力：专家图像理解、假设生成和实验方案。 全自动发现 近年来，已开发出基准套件来评估人工智能驱动的研究智能体。这些套件提供标准化数据集、预定义任务和评估指标，从而促进算法优化方面的系统性进展。它们涵盖跨化学合成、材料发现和生物实验的多领域场景[257, 266, 481]。著名的例子包括ScienceAgentBench[127]、BaisBench[513]、Curie[384]，它们旨在通过数据分析和外部知识推理来评估人工智能科学家在不同学科中产生新发现的能力[700, 685, 364]。而DiscoveryWorld[338]评估端到端的科学发现智能体，DiscoveryBench[529]使用结构化协议，通过264个真实世界和903个合成任务在六个领域挑战大型语言模型，以测量多步骤、数据驱动的发现，并阐明能力和失败模式。

9.4. 用于学术写作的人工智能

学术写作中的人工智能领域得到了一系列精心策划的数据集的支持，这些数据集涵盖了学术写作过程的各个方面。表9总结了详细的工具，该表概述了代表性的人工智能系统及其对提高学术写作的贡献。 Tool Description EndNote / Mendeley plugins Reference Insertion and Auto-Formatting Mathpix Snip / MathHandwriting AI-powered Math Equation Recognition and LaTeX Conversion AI for Grant Writing AI-powered Grant Writing Assistance Writefull / Trinka / Grammarly AI / Paperpal / Overleaf Copilot / Wordtune AI-powered Scientific English Polishing Tools SciSpace Copilot / Jenni AI AI Writing Assistants for Editing and Suggestions ChatGPT / Claude / Gemini Writing Inspiration, Summarization, Editing GPT-4o / Vizcom / Illustrae / OpenArt AI-powered Figure Generation and Illustration Tools

表9:代表性人工智能工具及其对提高学术写作的贡献概述。

9.4.1. 半自动学术写作 半自动学术写作的最新进展催生了几个数据集，旨在协助研究人员进行稿件准备、写作和编辑的不同阶段。 稿件准备阶段的协助。在稿件准备的早期阶段，最近的数据集如MoDeST [84] 和LLM-Rubric [281] 为生成多领域科学标题和评估大语言模型的科学思想生成能力提供了有价值的工具。 稿件写作阶段的协助。几个数据集，包括FigGen [646]、SridBench [97]、Figuring out Figures [90]、SciCapenter [302] 和TikZero [55]，支持从文本到图形的创建以及自动生成TikZ代码等图形和公式生成。对于引文管理，像CITEWORTH [827]、CiteBART [92] 和ScholarCopillot [813] 这样的数据集增强了上下文感知自动引文生成 [107]。此外，FutureGen [35] 使用大语言模型从数千篇论文中提取未来工作陈述，以识别和验证前瞻性科学内容。 稿件完成后的协助。一旦稿件完成，可以通过语法校正和表达优化进一步提升。为支持这一过程，自动写作评估（AWE）系统 [787] 和AAAR-1 [507] 的数据集提供了有价值的资源。此外，基于Transformer的反馈数据集 [940] 为多维度写作质量评估 [335, 199] 提供了全面支持。而且，像维基百科修订历史 [73] 这样跟踪现实世界编辑历史的数据集，在优化语言和提高整体清晰度方面发挥着重要作用。Pang等人 [592] 引入了第一个用于海报生成的基准和指标套件，用于评估视觉质量、连贯语言流畅性以及传达核心论文内容的能力。

9.5. 用于学术同行评审 的人工智能

关于用于学术同行评审的人工智能的研究基于各种数据集，涵盖从人工智能文本检测到评审生成、质量评估和决策支持等任务 [944, 197, 635, 139, 138, 715, 48]。为了模拟现实的同行评审交互，像ReviewCritique [180]、PeerRead [360]、SPOT [703]、NLPeer [183]、ReviewMT [742]、MOPRD [472]、OpenReviewer [329]、MASSW [909]、COMPARE [693]、PeerArg [723]、Re [897]、ReviewEval [382]、AAAR-1 [507]、Papereval [323]、ORB [736] 和ORSUM [893] 这样的数据集从顶尖会议或期刊收集了大量论文和评审数据，能够在多轮、长上下文或基于角色的同行评审中训练和评估大语言模型 [601]。此外，LLMart [463] 提供了一个工具包，通过对抗测试和提示优化来评估大语言模型的鲁棒性，确保人工智能在敏感学术环境中的可靠性。为了更精确地评估大语言模型的评审质量，Shin等人 [682] 和Couto等人 [149] 分析了同行评审内容在多个预定义方面的质量，突出了大语言模型和人类评审重点之间的差异。

图9:研究中人工智能的前沿与未来方向：这包括（1）跨学科人工智能模型，（2）人工智能研究中的伦理与安全，（3）用于合作研究的人工智能，（4）人工智能研究的可解释性与透明度，（5）动态和实时优化的科学实验，（6）人工智能研究中的多模态集成，以及（7）人工智能研究中的多语言集成。

在评审质量检测领域，研究人员研究了各种质量特征 [238]。Purkayastha等人 [611] 和PolitePEER [60] 评估人工智能系统在同行评审中识别 “懒惰思维” 或礼貌实例的能力。此外，人工智能同行评审检测基准 [882] 和TRIED [492] 包括数千篇人工智能生成的同行评审以及来自ICLR和NeurIPS会议的人类撰写的评审。这些数据集提供了评估检测人工智能生成的同行评审方法所需的标准语料库。

10. 前沿与未来方向

10.1. 跨学科人工智能模型

随着人工智能在各个研究领域不断发展，我们需要能够整合多领域知识的模型。未来的工作应致力于开发通用人工智能系统，使其能够理解并生成生物学、物理学、社会科学等领域的见解。主要研究方向如下：（1）基础模型。这种范式已成为跨领域人工智能的基石。这些模型在大量未标记或弱标记数据集上进行自监督预训练，然后在新任务上使用最少的数据进行微调。它们推动了医学成像、自然语言处理和机器人技术等领域的性能提升[314, 375]。（2）图模型。图方法通过沿节点和边传播信息来自然地处理关系数据。这使得跨领域知识得以流动，例如在医学文本分类中整合本体和神经图，以精确捕获概念并进行高效推理[192, 79, 260, 474, 410]。 当前最大的挑战包括：（1）异构跨学科数据。跨学科研究涉及多种模态，从高维传感器信号到分类标签和非结构化文本。这些数据来源在规模、噪声特征和缺失数据模式方面存在差异，阻碍了统一的预处理和特征融合[612, 870, 143]。（2）跨领域知识转移：跨领域转移知识需要为新任务提取和调整相关信息。诸如策略转移、领域对抗训练和语义对齐等技术可以缩小一些差距，但在高度异构的环境中，负迁移仍然存在[574, 673]。此外，在转移过程中保持可靠性和可解释性，以确保在新环境中更适用和值得信赖的应用，仍然是一个亟待解决的开放性问题[953]。

10.2. AI4Research中的伦理与安全

随着人工智能在科学研究中占据核心地位，一系列伦理、安全、公平和偏见问题应运而生[209, 871, 241, 319]，因此缓解这些问题至关重要[18, 249, 848, 590, 132]。法伯早期的研究[197]表明，虽然人工智能提高了审稿人的匹配度和回复率，但对于使用资源较少语言或研究小众主题的作者不利。更糟糕的是，文本相似度匹配可能会被勾结团伙滥用，以操纵同行评审，这凸显了内置反勾结措施的必要性[629, 300]。此外，麦克沙恩等人[541]发现，人工智能辅助的统计解释容易陷入“二分法狂热”，将结果简单归结为显著或不显著，这一缺陷仅靠提示工程无法解决[637]。主要有两种缓解策略：（1）公平感知训练：将公平约束集成到损失函数中，以平衡不同群体之间的准确性和公平性[209, 276]。因果推理方法随后检测并调整隐藏的偏差，实现反事实公平干预[130, 547]。（2）无训练去偏：无需重新训练，定期对模型输出应用无监督剪枝和重新加权，通过利用预训练行为来纠正大语言模型中的偏差[184, 652, 131]。（3）建立伦理框架：一些研究正在为专业和广泛的伦理框架建立基准，通过安全风险和伦理问题监测，在可控范围内规范人工智能生成的内容[949, 710]。 尽管如此，这些努力面临两个核心挑战：（1）平衡性能和公平性：在最大化预测准确性和执行公平约束之间的内在矛盾很难调和，通常需要针对具体应用进行细致调整，以避免降低模型效用[291, 726]。（2）避免人工智能抄袭：人工智能驱动的科学研究中的一个主要伦理问题是抄袭[477, 220, 826]。大语言模型的大规模文本生成可能导致“抄袭奇点”，即文本原创性降低，引发对人工智能生成内容的伦理和版权风险的担忧[634]。研究还揭示了大语言模型生成的科学文献中存在大量智能抄袭的实例[270]。

10.3. 用于协作研究的人工智能

随着跨学科研究的推进，团队成员背景的多样性可能会阻碍信息流和决策协调。人工智能技术可以自动提取和同步跨文档和跨领域的信息，从而缩小合作者之间的信息差距[65, 667]。同时，实时协作平台中的人工智能驱动仲裁器可以根据项目进展和成员专业知识动态调整任务分配，提高创新成果的效率和质量[509, 201, 299]。主要研究方向大致可分为两类：(1)协作智能体与合作智能系统。协作智能体是具备决策、自主执行和通信能力的人工智能系统。它们通过任务分配和自主角色切换参与复杂的项目管理和研究工作流程，模拟并增强人类合作者的能力[299, 306]。通过语义检索、推理验证和上下文感知，多智能体框架正在创造一种人类-人工智能集体智能的新范式，实现自动假设生成、实验设计规划和初步结果分析，以加速科学发现[958, 432, 713]。这些进展支持高效的人类-人工智能混合团队，并为协作智能体和分布式建模的进一步研究指明了富有成果的方向。(2)联邦学习与分布式建模机制。由于不同机构间的敏感数据无法完全共享，最近的研究采用联邦学习作为一种保护隐私的分布式建模方法。通过在本地保留数据的同时集体训练模型，联邦学习减少了机构和专业团队之间的数据孤岛[434, 895, 400]。为了提高性能和隐私保障，差分隐私和同态加密正与联邦优化算法相结合，为大规模、多场景的协作研究提供可扩展性和合规性。 该领域当前面临的挑战包括：(1)交互复杂性。重复的任务重新分配、控制权交接以及异构通信方式可能导致误解、效率低下和协调错误的叠加[246, 296]。解决这个问题需要自适应协作机制，使人工智能系统能够动态调整其行为，以匹配人类合作者的工作风格和决策偏好。多智能关系也很关键，存在协调失误、冲突和勾结三种失败模式[274]。(2)数据隐私与可访问性之间的矛盾。数据隐私和可访问性之间存在根本矛盾：严格的匿名化或法律限制往往会降低训练数据的质量和多样性。虽然匿名化技术和法规合规保护了隐私，但它们可能会降低数据效用，阻碍人工智能模型捕捉代表性特征，从而影响跨学科研究的准确性和可信度[557]。此外，不同机构在数据访问权限、网络带宽和法律框架方面的差异，可能导致分布式训练期间的通信延迟和模型更新不一致，破坏联邦学习的效率和稳定性[262]。

10.4. 人工智能辅助研究的可解释性与透明度

随着人工智能模型越来越多地推动科学发现，确保其可信度、透明度和可解释性至关重要。未来的工作应加强模型的可解释性，以便研究人员能够追踪结论和建议是如何产生的，特别是在高风险的科学应用中[214, 188, 802]。提高可解释性的努力主要分为两类：(1)白盒分析：这种方法通过将特定的网络“电路”与概念表示联系起来，研究模型的内部结构。它引起了安全和透明度社区的广泛关注[57, 924, 630]。(2)黑盒分析：最近的工作重点是在不直接访问内部参数的情况下解释模型。通过检查推理轨迹和总体行为，黑盒方法能够洞察模型的知识表示，并对其输出进行更可靠的控制[85, 282, 108, 110, 112]。 尽管取得了这些进展，但仍存在两个主要挑战：(1)缺乏标准化框架：人工智能辅助研究社区中的解释技术和指标差异很大。这种缺乏可能会产生相互矛盾的结果，并削弱用户信心。(2)透明度与性能的权衡：高性能的黑盒模型往往会牺牲可解释性，而本质上透明的模型可能在性能上滞后。这种矛盾使科学应用变得复杂，并增加了新输出是代表真正发现还是现有数据重组的不确定性[477]。

10.5. 用于动态和实时优化科学实验的人工智能

实时人工智能模型能够根据意外变量或变化的条件自动调整实验方案，同时进行即时数据分析，以大幅提高研究效率和创新潜力。目前已出现两个突出的研究方向：(1) 智能实时人工智能：这种方法使人工智能超越被动数据分析，将其转变为一个自主的研究优化智能体，基于实时实验反馈具备推理、规划和决策能力。此类智能体能够系统地查阅文献、生成假设、设计实验，并根据实验反馈迭代优化工作流程[460, 169, 156]。(2) 自动驾驶实验室中的协调：这些系统将机器人平台、分析仪器和人工智能模型集成到闭环框架中，管理从实验规划、执行到数据处理的每个阶段。它们支持基于实时信号的化合物筛选和新型材料发现等应用，且人工干预极少[759, 87, 505]。 尽管取得了这些进展，但在动态实时人工智能实验成为常规操作之前，必须应对两个核心挑战：(1) 异构设备和人工智能系统的可靠集成：实验室环境包含各种仪器和机器人平台，需要精确的实时控制和反馈。系统必须确保兼容性、鲁棒性和低延迟，以避免因集成故障或时间不匹配导致的偏差或停机。(2) 低延迟决策和动态优化：人工智能驱动的实验必须在毫秒到秒的时间尺度上持续摄取多传感器和仪器数据，实时更新模型参数，并动态调整方案，以保持工作流程的连续性和效率。同时，它们必须保持鲁棒性和安全性，以防止因网络抖动或计算瓶颈导致的中断或危险[304, 305]。

10.6. 人工智能辅助研究中的多模态集成

随着科学数据变得更加多样化，涵盖文本、图表、表格、代码片段和实验信号，有效的多模态集成已成为人工智能驱动发现的关键[109, 789, 795, 647, 135]。早期工作[248, 122, 536, 678]表明，联合嵌入文本和图表可以大幅促进深度分析和基于文献的发现，但这种方法在将高度专业化的图表与其文本描述对齐时往往会遇到困难[134, 618]。有两种主要的集成策略：(1) 严格的多源数据摄取：科学数据集包括手稿、高分辨率图像、时间序列信号、代码工件和结构化表格。每种模态都需要进行定制预处理，如图形的光学字符识别（OCR）、传感器数据的噪声过滤、代码的语法检查，以保持完整性并与领域本体对齐[244, 425]。(2) 人在回路中的交互式优化：与通用系统不同，研究工作流程在多个阶段整合专家反馈。交互式界面使领域科学家能够验证图表标题、纠正表格对齐或根据多模态信号调整实验设置，创建一个迭代循环，优化模型输出并建立信任[691, 808, 925]。 尽管如此，人工智能辅助研究中的多模态集成面临两个核心挑战：(1) 跨模态数据稀缺和标注瓶颈：高质量的对齐标注极其稀缺，特别是在需要专家参与进行细粒度配对的专业科学领域，这导致训练和评估成本急剧上升。(2) 模态间不确定性的量化：来自不同来源的数据包含异构噪声；如何统一量化并传播这种不确定性以支持可靠的科学决策仍然是一个悬而未决的挑战。

10.7. AI4Research中的多语言整合

科学研究超越了语言和地理边界。诸如新冠疫情防控和气候建模等全球倡议，都依赖于高效整合不同语言的文献、数据集和专家见解。如果人工智能工具只支持英语或其他资源丰富的语言，那么研究成果的分享就会受到影响，从而加剧“信息孤岛”和“知识鸿沟”[20, 19]。大多数研究人员的母语处于人工智能系统的“长尾”之中。忽视资源匮乏的语言会限制高质量研究的可发现性和引用率，并使特定地区的主题（如热带农业、少数群体健康）边缘化。多语言预训练和数据增强可以生成资源匮乏语言的准确摘要、检索结果和翻译，打破学术壁垒[147, 275, 140, 620, 604]。有两种主要的整合策略：(1) 科学术语对齐：可重复性要求术语一致和语义保真。多语言术语对齐和上下文保真技术可确保实验和出版物的准确翻译，从而使全球的研究人员能够建立在共同的知识库之上[660, 934, 216]。(2) 平衡多语言性能：资源丰富和匮乏的语言之间的数据不平衡阻碍了跨语言转移。平衡各语言之间的性能可增强研究应用中的零样本和少样本能力[140, 620, 796, 915]。 尽管如此，AI4Research中的多语言整合面临两个核心挑战：(1) 平衡能力和覆盖范围：在有限的计算和参数预算下，在支持核心研究能力和保持广泛的多语言性能之间取得恰当平衡，对于防止“语言广度”牺牲“研究深度”至关重要。这需要针对特定领域和语言对进行细粒度的架构修剪和资源分配。(2) 跨语言学术修辞保真度分析：确保不同语言之间的概念意义保持一致，在翻译中保留学术论证的逻辑完整性，并处理特定语言的学术惯例，是未来研究的重要方向。

11. 相关工作

近年来，多个研究领域对人工智能辅助或自主研究的兴趣日益浓厚[43]。在研究工作流程中对大语言模型（LLMs）的实证使用表明，大多数研究人员正在将这些模型纳入他们的流程[466]。此外，Yu和Jin[878]对AI4Science出版物的增长进行了调查和预测，并提出了增强人工智能研究人员能力的策略。早期的调查 总结了大语言模型如何改变科学发现 ，255, 951]。Li等人[445]更关注大语言模型辅助构思的发展，而Kulkarni等人[394]和Ren等人[642]总结了大语言模型驱动的发现方法的架构和基准。Chen等人[113]提出了科学学框架，该框架从多智能体模拟的角度审视了AI4Science。与此同时，Huang等人[320]从假设生命周期的角度描述了人工智能驱动的科学发现过程[334]。特别是，Zhou等人[945]和Luo等人[519]开发了一个三阶段分类法，以系统地回顾每个阶段的辅助作用。在此框架的基础上，Alkan等人[15]和Bazgir等人[51]对基于大语言模型的假设生成方法进行了全面分类。针对同行评审危机，Kim等人[376]更关注与经过认证的评审员的双向反馈系统，而Bolanos等人[69]和Zhuang等人[956]回顾了自动科学论文评审的兴起，这种评审与人工监督并存。 尽管AI4Research已经取得了重大进展，但现有的许多调查主要集中在科学发现和学术写作上，通常是在AI4Science的框架下或有限的研究阶段。然而，这些讨论通常忽略了更广泛的研究生命周期，包括科学理解、学术调查和同行评审。此外，它们往往忽视了这些阶段的人工智能应用。本文介绍了AI4Research框架，并对推动人工智能研究的关键因素和最新进展进行了系统的调查。我们的目标是为研究界提供对重要资源和见解的简化访问，从而促进创新突破。

12. 结论

总之，人工智能的快速发展，特别是像OpenAI - o1和DeepSeek - R1这样的大型语言模型，在逻辑推理和实验编码等领域展现出了巨大潜力。这些进展引发了人们对将人工智能应用于科学研究的日益浓厚的兴趣。然而，尽管人工智能在这一领域的潜力不断增长，但缺乏综合的调查来整合现有知识，这阻碍了进一步的发展。本文通过为人工智能辅助研究（AI4Research）提供详细的调查和统一框架来填补这一空白。我们的贡献包括用于对AI4Research任务进行分类的系统分类法、识别关键研究差距和未来方向，以及汇编开源资源以支持该社区。我们相信这项工作将增进我们对人工智能在研究中作用的理解，并成为该领域未来发展的催化剂。 References（部分） [1] Marah Abdin, Jyoti Aneja, Harkirat Behl, Sébastien Bubeck, Ronen Eldan, Suriya Gunasekar, Michael Harrison, Russell J Hewett, Mojan Javaheripi, Piero Kauffmann, et al. Phi-4 technical report. arXiv preprint arXiv:2412.08905, 2024. [2] Josh Abramson, Jonas Adler, Jack Dunger, Richard Evans, Tim Green, Alexander Pritzel, Olaf Ron-neberger, Lindsay Willmore, Andrew J Ballard, Joshua Bambrick, et al. Accurate structure prediction of biomolecular interactions with alphafold 3. Nature, 630(8016):493-500, May 2024. [3] Josh Achiam, Steven Adler, Sandhini Agarwal, Lama Ahmad, Ilge Akkaya, Florencia Leoni Aleman, Diogo Almeida, Janko Altenschmidt, Sam Altman, Shyamal Anadkat, et al. Gpt-4 technical report. arXiv preprint arXiv:2303.08774, 2023. [4] Pierre Achkar, Tim Gollub, and Martin Potthast. Ask, retrieve, summarize: A modular pipeline for scientific literature summarization. arXiv preprint arXiv:2505.16349, 2025. [5] Steven Adriaensen, Herilalaina Rakotoarison, Samuel Müller, and Frank Hutter. Efficient bayesian learning curve extrapolation using prior-data fitted networks. Advances in Neural Information Processing Systems, 36:19858-19886, Dec 2023. [6] Tejumade Afonja, Ivaxi Sheth, Ruta Binkyte, Waqar Hanif, Thomas Ulas, Matthias Becker, and Mario Fritz. Llm4grn: Discovering causal gene regulatory networks with llms-evaluation through synthetic data generation. arXiv preprint arXiv:2410.15828, 2024. [7] Shubham Agarwal, Gaurav Sahu, Abhay Puri, Issam H Laradji, Krishnamurthy DJ Dvijotham, Jason Stanley, Laurent Charlin, and Christopher Pal. Litllm: A toolkit for scientific literature review. arXiv preprint arXiv:2402.01788, 2024. [8] Shubham Agarwal, Gaurav Sahu, Abhay Puri, Issam H Laradji, Krishnamurthy DJ Dvijotham, Jason Stanley, Laurent Charlin, and Christopher Pal. Llms for literature review: Are we there yet? arXiv preprint arXiv:2412.15249, 2024. [9] Shubham Agarwal, Gaurav Sahu, Abhay Puri, Issam H. Laradji, Krishnamurthy Dj Dvijotham, Jason Stanley, Laurent Charlin, and Christopher Pal. LitLLMs, LLMs for literature review: Are we there yet? Transactions on Machine Learning Research, Apr 2025. ISSN 2835-8856. URL https:// openreview.net/forum?id=heeJqQXKg7. [10] Ajay Agrawal, John McHale, and Alexander Oettl. Artificial intelligence and scientific discovery: A model of prioritized search. Research Policy, 53(5):104989, Jun 2024. [11] Melih Agraz, Dincer Goksuluk, Peng Zhang, Bum-Rak Choi, Richard T Clements, Gaurav Choudhary, and George Em Karniadakis. Ml-gap: machine learning-enhanced genomic analysis pipeline using autoencoders and data augmentation. Frontiers in Genetics, 15:1442759, Sep 2024. [12] Intology AI. Zochi technical report, Mar 2025. URL https://github.com/IntologyAI/Zochi/ blob/main/Zochi_Technical_Report.pdf. Zochi Technical Report. [13] Nurmukhammed Aitymbetov and Dimitrios Zorbas. Autonomous machine learning-based peer reviewer selection system. In Proceedings of the 31st International Conference on Computational Linguistics: System Demonstrations, pages 199-207, Jan 2025. [14] Andres Algaba, Vincent Holst, Floriano Tori, Melika Mobini, Brecht Verbeken, Sylvia Wenmackers, and Vincent Ginis. How deep do large language models internalize scientific literature and citation practices? arXiv preprint arXiv:2504.02767, 2025. [15] Atilla Kaan Alkan, Shashwat Sourav, Maja Jablonska, Simone Astarita, Rishabh Chakrabarty, Nikhil Garuda, Pranav Khetarpal, Maciej Pióro, Dimitrios Tanoglidis, Kartheik G Iyer, et al. A survey on hypothesis generation for scientific discovery in the era of large language models. arXiv preprint arXiv:2504.05496, 2025. [16] Enes Altuncu, Jason RC Nurse, Meryem Bagriacik, Sophie Kaleba, Haiyue Yuan, Lisa Bonheme, and Shujun Li. aedfact: Scientific fact-checking made easier via semi-automatic discovery of relevant expert opinions. arXiv preprint arXiv:2305.07796, 2023. [17] Carlos Alvarez, Maxwell Bennett, and Lucy Lu Wang. Zero-shot scientific claim verification using llms and citation text. In Proceedings of the Fourth Workshop on Scholarly Document Processing (SDP 2024), pages 269-276, Aug 2024. [18] Jose M Alvarez, Alejandra Bringas Colmenarejo, Alaa Elobaid, Simone Fabbrizzi, Miriam Fahimi, Antonio Ferrara, Siamak Ghodsi, Carlos Mougan, Ioanna Papageorgiou, Paula Reyero, et al. Policy advice and best practices on bias and fairness in ai. Ethics and Information Technology, 26(2):31, Apr 2024. [19] Tatsuya Amano, Juan P González-Varo, and William J Sutherland. Languages are still a major barrier to global science. PLoS biology, 14(12):e2000933, Dec 2016. [20] Tatsuya Amano, Clarissa Rios Rojas, Yap Boum II, Margarita Calvo, and Biswapriya B Misra. Ten tips for overcoming language barriers in science. Nature Human Behaviour, 5(9):1119-1122, Jul 2021. [21] Barrett R Anderson, Jash Hemant Shah, and Max Kreminski. Homogenization effects of large language models on human creative ideation. In Proceedings of the 16th conference on creativity & cognition, pages 413-425, Jun 2024. [22] Nicholas H Angello, David M Friday, Changhyun Hwang, Seungjoo Yi, Austin H Cheng, Tiara C Torres-Flores, Edward R Jira, Wesley Wang, Alán Aspuru-Guzik, Martin D Burke, et al. Closed-loop transfer enables artificial intelligence to yield chemical knowledge. Nature, 633(8029):351-358, 2024. [23] Angelos Angelopoulos, James F Cahoon, and Ron Alterovitz. Transforming science labs into automated factories of discovery. Science Robotics, 9(95):eadm6991, 2024. [24] AI Anthropic. The claude 3 model family: Opus, sonnet, haiku. Claude-3 Model Card, Mar 2024. [25] Sören Arlt, Haonan Duan, Felix Li, Sang Michael Xie, Yuhuai Wu, and Mario Krenn. Meta-designing quantum experiments with language models. arXiv preprint arXiv:2406.02470, 2024. [26] Akari Asai, Jacqueline He, Rulin Shao, Weijia Shi, Amanpreet Singh, Joseph Chee Chang, Kyle Lo, Luca Soldaini, Sergey Feldman, Mike D’arcy, et al. Openscholar: Synthesizing scientific literature with retrieval-augmented lms. arXiv preprint arXiv:2411.14199, 2024. [27] Joshua Ashkinaze, Julia Mendelsohn, Li Qiwei, Ceren Budak, and Eric Gilbert. How ai ideas affect the creativity, diversity, and evolution of human ideas: evidence from a large, dynamic experiment. arXiv preprint arXiv:2401.13481, 2024. [28] Shir Ashury-Tahan, Yifan Mai, Ariel Gera, Yotam Perlitz, Asaf Yehudai, Elron Bandel, Leshem Choshen, Eyal Shnarch, Percy Liang, Michal Shmueli-Scheuer, et al. The mighty torr: A benchmark for table reasoning and robustness. arXiv preprint arXiv:2502.19412, 2025. [29] Assafelovic Pept-researcher, May 2023. URL https://github.com/assafelovic/ gpt-researcher. gpt-researcher. [30] Pepa Atanasova. Generating fact checking explanations. In Accountable and Explainable Methods for Complex Reasoning over Text, pages 83-103. Springer, Apr 2024. [31] Steven Au, Cameron J Dimacali, Ojasmitha Pedirappagari, Namyong Park, Franck Dernoncourt, Yu Wang, Nikos Kanakaris, Hanieh Deilamsalehy, Ryan A Rossi, and Nesreen K Ahmed. Personalized graph-based retrieval for large language models. arXiv preprint arXiv:2501.02157, 2025. [32] Sören Auer, Dante AC Barone, Cassiano Bartz, Eduardo G Cortes, Mohamad Yaser Jaradeh, Oliver Karras, Manolis Koubarakis, Dmitry Mouromtsev, Dmitrii Pliukhin, Daniil Radyush, et al. The sciqa scientific question answering benchmark for scholarly knowledge. Scientific Reports, 13(1):7240, May 2023. [33] Axios. Self-driving labs are the new ai asset. Axios, Aug 2024. URL https://www.axios.com/ 2024/08/09/ai-self-driving-science-labs-research. [34] Shingo Ayabe, Takuto Otomo, Hiroshi Kera, and Kazuhiko Kawamoto. Robustness evaluation of offline reinforcement learning for robot control against action perturbations. arXiv preprint arXiv:2412.18781, 2024. [35] Ibrahim Al Azher, Miftahul Jannat Mokarrama, Zhishuai Guo, Sagnik Ray Choudhury, and Hamed Alhoori. Futuregen: Llm-rag approach to generate the future work of scientific article. arXiv preprint arXiv:2503.16561, 2025. [36] Jinheon Baek, Sujay Kumar Jauhar, Silviu Cucerzan, and Sung Ju Hwang. Researchagent: Iterative research idea generation over scientific literature with large language models. arXiv preprint arXiv:2404.07738, 2024. [37] Xiaomei Bai, Mengyang Wang, Ivan Lee, Zhuo Yang, Xiangjie Kong, and Feng Xia. Scientific paper recommendation: A survey. Ieee Access, 7:9324-9339, Jan 2019. [38] Honglin Bao, Siyang Wu, Jiwoong Choi, Yingrong Mao, and James A Evans. Language models surface the unwritten code of science and society. arXiv preprint arXiv:2505.18942, 2025. [39] Zhijie Bao, Qingyun Liu, Ying Guo, Zhengqiang Ye, Jun Shen, Shirong Xie, Jiajie Peng, Xuanjing Huang, and Zhongyu Wei. Piors: Personalized intelligent outpatient reception based on large language model with multi-agents medical scenario simulation. arXiv preprint arXiv:2411.13902, 2024. [40] Mitra Baratchi, Can Wang, Steffen Limmer, Jan N van Rijn, Holger Hoos, Thomas Bäck, and Markus Olhofer. Automated machine learning: past, present and future. Artificial intelligence review, 57(5): 122, Apr 2024. [41] Gregory Barber. Google deepmind’s ai dreamed up 380,000 new materials. the next challenge is making them. WIRED, Nov 2023. URL https://www.wired.com/story/ an-ai-dreamed-up-380000-new-materials-the-next-challenge-is-making-them/. [42] Rafael Barbudo, Sebastián Ventura, and José Raúl Romero. Eight years of automl: categorisation, review and trends. Knowledge and Information Systems, 65(12):5097-5149, Aug 2023. [43] Kristian G Barman, Sascha Caron, Emily Sullivan, Henk W de Regt, Roberto Ruiz de Austri, Mieke Boon, Michael Färber, Stefan Fröse, Faegheh Hasibi, Andreas Ipp, et al. Large physics models: Towards a collaborative approach with large language models and foundation models. arXiv preprint arXiv:2501.05382, 2025. [44] Annabel R Basford, Aaron H Bernardino, Paula CP Teeuwen, Benjamin D Egleston, Joshua Humphreys, Kim E Jelfs, Jonathan R Nitschke, Imogen A Riddell, and Rebecca L Greenaway. Development of an automated workflow for screening the assembly and host-guest behavior of metal-organic cages towards accelerated discovery. Angewandte Chemie International Edition, page e202424270, Apr 2024. [45] Setio Basuki and Masatoshi Tsuchiya. The quality assist: A technology-assisted peer review based on citation functions to predict the paper quality. IEEE Access, 10:126815-126831, Dec 2022.

---

参考资料

• 原文链接:https://mp.weixin.qq.com/s/aD8EF4YCXixdyBZ-gCKdNA
• 公众号:AI4CFD
• 发布于:2025年9月14日 19:30

---

本文所有示意图均来自原作者 AI4CFD 公众号发布,版权归原作者所有。

正文中的公式、引用编号、表格数据等以原文为准 — 本文为原样转发,不做任何删改。