撰文丨王聰

編輯丨王多魚

排版丨水成文

科學(xué)進(jìn)步是提高生活質(zhì)量、推動(dòng)全球健康成果以及促進(jìn)增長和繁榮的基礎(chǔ)。理解這些進(jìn)步背后的機(jī)制，對于制定有效的科學(xué)政策以及賦予科學(xué)家解決高風(fēng)險(xiǎn)和高影響力問題的能力至關(guān)重要。科學(xué)學(xué)（Science of Science，SciSci）這一領(lǐng)域應(yīng)運(yùn)而生，旨在借助跨學(xué)科的方法來探究科學(xué)是如何開展、資助和應(yīng)用的。

科學(xué)學(xué)發(fā)展迅速，部分原因在于大規(guī)模數(shù)據(jù)集的日益豐富，然而，這些數(shù)據(jù)和工具的進(jìn)步，也帶來了巨大的技術(shù)挑戰(zhàn)。數(shù)據(jù)集規(guī)模的不斷擴(kuò)大和復(fù)雜性的不斷增加，再加上計(jì)算方法的迅速發(fā)展，為研究人員設(shè)置了進(jìn)入壁壘，并且需要具備廣泛的技術(shù)專長。與此同時(shí)，科學(xué)變得愈發(fā)復(fù)雜，個(gè)人的專業(yè)知識卻愈發(fā)狹隘，導(dǎo)致專業(yè)化程度不斷提高。這些挑戰(zhàn)共同凸顯了需要新的方法來幫助研究人員高效地瀏覽、分析并從這些豐富的數(shù)據(jù)源中獲取見解。

近日，美國西北大學(xué)王大順教授團(tuán)隊(duì)在 Nature 子刊Nature Computational Science上發(fā)表了題為：SciSciGPT: advancing human–AI collaboration in the science of science 的研究論文。

該研究推出了一個(gè)專門為“科學(xué)學(xué)”（SciSci）研究設(shè)計(jì)的 AI 智能體系統(tǒng)——SciSciGPT，它不同于普通的 AI 聊天機(jī)器人，它是一個(gè)多智能體協(xié)作框架，它能夠快速讀完數(shù)百萬篇文獻(xiàn)，精通各種統(tǒng)計(jì)方法，可以編寫代碼處理海量數(shù)據(jù)，還能不斷自我檢查優(yōu)化結(jié)果，能夠像人類研究員一樣分解復(fù)雜任務(wù)、調(diào)動(dòng)專業(yè)工具、檢查優(yōu)化結(jié)果，并保證研究過程的透明可復(fù)現(xiàn)。

五大智能體協(xié)同：SciSciGPT 的架構(gòu)奧秘

SciSciGPT的核心創(chuàng)新在于其模仿科研團(tuán)隊(duì)分工的架構(gòu)設(shè)計(jì)，系統(tǒng)包含五個(gè)專門的 AI 智能體，各司其職——

ResearchManager擔(dān)任項(xiàng)目總指揮，負(fù)責(zé)解析用戶的研究問題，制定執(zhí)行計(jì)劃并分配任務(wù)給其他專家智能體。

LiteratureSpecialist是文獻(xiàn)專家，能夠從科學(xué)學(xué)文獻(xiàn)中搜索、整理相關(guān)信息，確保研究立足現(xiàn)有知識體系。

DatabaseSpecialist是數(shù)據(jù)處理專家，擅長從復(fù)雜學(xué)術(shù)數(shù)據(jù)庫中提取、轉(zhuǎn)換數(shù)據(jù)并進(jìn)行基礎(chǔ)統(tǒng)計(jì)分析。

AnalyticsSpecialist是分析建模專家，負(fù)責(zé)實(shí)施統(tǒng)計(jì)方法、生成可視化結(jié)果，支持實(shí)證研究。

EvaluationSpecialist是質(zhì)量評估專家，對分析過程、可視化結(jié)果和方法選擇進(jìn)行嚴(yán)格評估，確保研究嚴(yán)謹(jǐn)性。

SciSciGPT 系統(tǒng)架構(gòu)

這套系統(tǒng)架構(gòu)讓 SciSciGPT 不再是簡單的問答工具，而是一個(gè)真正的研究合作伙伴，能夠理解科學(xué)學(xué)領(lǐng)域的特殊性，處理從數(shù)據(jù)到洞察的完整研究流程。

實(shí)戰(zhàn)演示：AI如何完成具體研究任務(wù)

案例一：解析常春藤盟校科研合作網(wǎng)絡(luò)

研究人員向 SciSciGPT 提問：“生成 2000-2020 年間常春藤盟校的合作網(wǎng)絡(luò)，優(yōu)化顏色和標(biāo)注。”

ResearchManager 首先將問題分解為數(shù)據(jù)提取和可視化兩大任務(wù)。DatabaseSpecialist 迅速行動(dòng)，識別八所常春藤盟校，從包含 1100 萬篇論文的數(shù)據(jù)集中篩選出至少兩所盟校合作的論文，生成合作數(shù)量矩陣。

隨后，AnalyticsSpecialist 接手?jǐn)?shù)據(jù)，使用 NetworkX 構(gòu)建網(wǎng)絡(luò)圖，Matplotlib 進(jìn)行可視化。關(guān)鍵的是，EvaluationSpecialist 對初步結(jié)果評分 0.75，建議優(yōu)化邊權(quán)重、標(biāo)簽和標(biāo)注。經(jīng)過兩輪迭代改進(jìn)，最終得分達(dá)到 0.85，生成了一張專業(yè)級的合作網(wǎng)絡(luò)圖。

SciSciGPT 對常春藤盟校合作情況的可視化展示

整個(gè)過程，AI 系統(tǒng)展現(xiàn)了從數(shù)據(jù)查詢到結(jié)果優(yōu)化的完整工作流，傳統(tǒng)方法需要數(shù)小時(shí)的任務(wù)，SciSciGPT 在幾分鐘內(nèi)完成。

案例二：復(fù)現(xiàn)經(jīng)典研究結(jié)果

另一位研究人員對已發(fā)表論文中的發(fā)現(xiàn)感興趣——團(tuán)隊(duì)規(guī)模與科研影響力的關(guān)系。他直接上傳論文圖表，要求 SciSciGPT “解釋此圖，使用你的數(shù)據(jù)庫重新分析，創(chuàng)建類似可視化”。

SciSciGPT 展示了多模態(tài)理解能力：首先識別圖中的雙軸可視化、趨勢模式和置信區(qū)間，然后指揮 DatabaseSpecialist 從 900 多萬篇論文中提取引用量和顛覆性指標(biāo)數(shù)據(jù)。

SciSciGPT 對已發(fā)表論文中一幅圖的復(fù)現(xiàn)

AnalyticsSpecialist 成功復(fù)現(xiàn)了原研究的核心發(fā)現(xiàn)：團(tuán)隊(duì)規(guī)模與引用影響正相關(guān)，與顛覆性成反比。盡管數(shù)據(jù)源和時(shí)間范圍不同，但成功捕捉到了這一關(guān)鍵科學(xué)關(guān)系，證明了系統(tǒng)在驗(yàn)證和擴(kuò)展現(xiàn)有研究方面的潛力。

能力成熟度模型：AI 科研搭檔的進(jìn)化路徑

研究團(tuán)隊(duì)還提出了一個(gè)四層能力成熟度模型，為 AI 研究協(xié)作系統(tǒng)的未來發(fā)展繪制了路線圖：

第一層是功能能力，通過專業(yè)工具擴(kuò)展大語言模型（LLM）的領(lǐng)域知識訪問、數(shù)據(jù)處理和方法實(shí)施能力。

第二層是工作流編排，引入規(guī)劃和推理機(jī)制，實(shí)現(xiàn)復(fù)雜研究任務(wù)的分解與執(zhí)行。

第三層是記憶架構(gòu)，在整個(gè)研究過程中維護(hù)信息環(huán)境，使智能體能夠基于歷史交互進(jìn)行適應(yīng)和定制。

第四層是人機(jī)交互，定義不同的系統(tǒng)參與模式，實(shí)現(xiàn)真正意義上的協(xié)作研究。

大語言模型智能體能力成熟度模型

SciSciGPT 目前實(shí)現(xiàn)了這一模型中的核心組件，平衡了技術(shù)復(fù)雜性與研究效用，為更成熟的研究 AI 系統(tǒng)奠定了基礎(chǔ)。

真實(shí)測試：SciSciGPT 表現(xiàn)如何？

研究團(tuán)隊(duì)進(jìn)行了探索性實(shí)驗(yàn)，將 SciSciGPT 與不同經(jīng)驗(yàn)水平的研究人員（預(yù)博士、博士和博士后）進(jìn)行比較。參與者可以使用自己熟悉的研究工具，包括現(xiàn)有代碼庫、大語言模型編碼助手等，但不能使用 SciSciGPT 本身。

結(jié)果令人印象深刻：SciSciGPT 完成相同任務(wù)的時(shí)間僅為經(jīng)驗(yàn)豐富研究人員的約 10%。更重要的是，三位博士后評審專家認(rèn)為，SciSciGPT 的輸出在有效性、技術(shù)合理性、分析深度、可視化質(zhì)量和文檔清晰度等多個(gè)維度上均優(yōu)于人類研究人員的工作。

同時(shí)，專家訪談也揭示了改進(jìn)方向。科學(xué)學(xué)領(lǐng)域?qū)＜艺J(rèn)為系統(tǒng)在早期數(shù)據(jù)探索和原型設(shè)計(jì)方面價(jià)值顯著，但指出存在偶爾的協(xié)調(diào)問題和分析偏好偏差。他們特別贊賞系統(tǒng)的交互功能，但建議優(yōu)化信息呈現(xiàn)方式，降低認(rèn)知負(fù)荷。

一位專家點(diǎn)出了關(guān)鍵問題：“信任是合作的重要因素——無論是與人還是 AI 合作。作為研究人員，我要對所有錯(cuò)誤負(fù)責(zé)，最終論文上署名的是我?！边@反映了科學(xué)界在接受 AI 協(xié)作時(shí)面臨的文化和倫理挑戰(zhàn)。

前景與挑戰(zhàn)：AI 協(xié)作時(shí)代的科學(xué)未來

SciSciGPT 的價(jià)值不僅限于科學(xué)學(xué)領(lǐng)域。其框架可推廣到其他計(jì)算學(xué)科，特別是在數(shù)據(jù)密集型或跨學(xué)科領(lǐng)域，有望打破研究訪問權(quán)限，使更多背景的研究者能夠進(jìn)行復(fù)雜分析。

然而，這一技術(shù)也帶來深刻挑戰(zhàn)：作者身份界定、技能發(fā)展、訪問不平等以及研究方向偏好都可能隨著 AI 工具的普及而發(fā)生變化。如果研究人員傾向于優(yōu)先考慮符合 AI 工具優(yōu)勢的問題，其他重要但技術(shù)不兼容的研究領(lǐng)域可能被邊緣化。

研究團(tuán)隊(duì)強(qiáng)調(diào)，SciSciGPT 旨在增強(qiáng)而非取代人類研究員，特別在早期探索階段發(fā)揮作用。隨著大語言模型（LLM）能力的持續(xù)進(jìn)化，以及科學(xué)社區(qū)對透明度和責(zé)任制的文化適應(yīng)，人類與 AI 的協(xié)作模式可能重新定義科學(xué)發(fā)現(xiàn)的過程。

科學(xué)范式變革的前夜

SciSciGPT 代表了科研范式轉(zhuǎn)變的一個(gè)重要里程碑。它不僅僅是工具效率的提升，更是科學(xué)研究基本流程的重構(gòu)。當(dāng) AI 能夠處理技術(shù)性工作，人類研究者可以更專注于提出正確問題、設(shè)計(jì)研究框架和解釋結(jié)果意義——這些才是科學(xué)創(chuàng)造力的核心。

隨著這樣的系統(tǒng)不斷成熟，我們可能正站在一個(gè)新科學(xué)時(shí)代的門檻上：人類智慧與機(jī)器效率深度融合，加速我們對世界的理解，解開更多自然奧秘。

未來，最好的研究員可能不是最擅長編碼或統(tǒng)計(jì)的人，而是最懂得如何與 AI 協(xié)作的人。

論文鏈接：

https://www.nature.com/articles/s43588-025-00906-6