上海人工智能实验室如何让机器读懂科学研究的演化脉络

来源：市场资讯

（来源：科技行者）

这项由上海人工智能实验室联合北京大学、西安交通大学、浙江大学、华东师范大学、湖南大学、上海交通大学、上海大学及中国科学院大学共同完成的研究，以预印本形式发布于2026年4月30日的arXiv平台，编号为arXiv:2604.28158v1，归档于cs.AI方向。有兴趣深入了解的读者可以通过该编号查询完整论文。

科研界有一个隐藏已久的痛点，但多数人从未意识到它的存在。每天都有成千上万篇学术论文涌现出来，研究者们通过谷歌学术、Semantic Scholar这类工具搜索文献，找到相关论文，然后花费大量时间阅读，在脑海中慢慢拼出一幅"谁影响了谁、谁又在谁基础上改进"的图景。这幅图景，完全存活在人脑里，无法被机器直接读取。

对于人类研究者来说，这个过程虽然费时，但尚且可行。然而随着AI辅助科研工具的兴起，一类新的"知识消费者"正在登场——它们是自动化的AI研究代理，被设计用来自主提出假设、设计实验、生成研究思路。这类代理面临一个根本性的困境：它们无法像人类一样，从一堆零散的论文里重建出方法论的演化脉络。它们的知识存储方式更像一个巨大但模糊的印象库，对于冷门或新兴的方法往往缺乏足够认知，更糟糕的是，它们根本无法判断自己的"知识盲区"究竟是真实的研究空白，还是自身知识库里的漏洞。

研究团队将这个时刻比作历史上的几次关键基础设施建设时刻。蛋白质数据库（PDB）在AlphaFold出现之前数十年就已建立，系统地收录了蛋白质结构数据；正因为有了这个结构化的数据基础，AlphaFold才能发挥出划时代的作用。ImageNet在深度卷积神经网络的浪潮到来之前，就已将海量图像整理成带标签的层级数据集；正是这份数据基础，让此后的视觉识别革命成为可能。如今，AI科研代理已经来临，但支撑它们的方法论知识基础设施尚不存在。

正是为了填补这个空白，研究团队提出了Intern-Atlas——一张由方法论演化关系构成的"知识地图"。这张地图不是以论文为节点，而是以"研究方法"为节点，用有明确语义的有向边将它们连接起来，每条边都附有从原文直接摘录的证据文字，记录着一个方法是如何在另一个方法的基础上改进、扩展或替代的。整张地图由超过103万篇论文构建而来，包含941万条有语义类型标注的关系边，覆盖1965年至2025年间的AI领域主流会议、期刊和预印本。

一、科研界的"地图缺失"问题究竟有多严重

以Transformer为例来感受一下这个问题的规模。2017年，谷歌的研究团队发表了那篇著名的"Attention Is All You Need"，提出了Transformer架构。此后，这个架构像一棵大树一样不断生长分叉：BERT沿着双向语言理解的路径生长，GPT系列沿着自回归生成的路径发展，Vision Transformer把同样的思路搬到了图像识别领域，DETR则将其应用于目标检测。每一个分支背后，都有一个清晰的逻辑：前人的方法存在什么局限，新方法如何针对这个局限提出解决机制，以及这个解决方案又带来了哪些新的取舍。

然而在现有的文献数据库里，这些信息只以最粗糙的形式存在——论文A引用了论文B。这条引用线不告诉你A是在B的基础上扩展了什么能力，还是仅仅把B当作一个对比基线，抑或只是在背景介绍里顺带提了一句。对人类研究者而言，阅读论文全文后自然能分辨；但对机器来说，这条引用线几乎没有任何可用的结构信息。

现有平台中，OpenAlex索引了数亿篇学术作品，Semantic Scholar和S2ORC在标准引用图基础上补充了引用上下文句子，Papers With Code引入了任务-数据集-指标的结构化三元组。这些都是极有价值的基础，但它们的边在方法论层面仍然是"未分类"的。Intern-Atlas要做的，正是把这些无标注的边转化为有明确语义的因果关系，同时把分析的基本单元从"整篇论文"降低到"具体的研究方法"。

这个转变的意义，就像把一座城市的路网从"这里有一条路"升级为"这条路是单行道、限速60、连接商业区与住宅区、建于1990年、在2015年扩建"。前者让你知道路在哪，后者让你真正理解城市的结构。

二、Intern-Atlas的构建：一张有因果关系的方法论地图

构建这张地图分为三个环环相扣的步骤，可以把它理解为一个大型图书馆的建设工程——先确定书架上每本书的位置，再标注每两本书之间的关系类型，最后为每段关系写上一份有原文出处的说明卡片。

第一步是"实体解析"，也就是确定地图上的节点。地图包含三类节点：属于这份语料库的论文节点、代表具体研究方法的方法节点，以及被引用但不在语料库内的"存根"节点（共317万余个，作为历史溯源的占位符）。方法节点的建立从一份包含247个知名方法的手工种子列表开始，然后通过大语言模型扫描全库论文的方法章节，识别更多符合条件的候选方法，最终形成了包含8155个规范方法节点、9545个别名的方法注册表。

这里有一个特别重要的细节：同一个方法在不同论文中往往有不同的称呼。"Transformer"有时被叫做"vanilla Transformer"，"GPT"在某些语境下特指GPT-1，在另一些语境下泛指整个GPT家族。为此，研究团队建立了一张别名对照表，能根据各种表面形式找到对应的规范节点，同时处理版本后缀的合并（比如"-v2"、"-Large"通常归并到父节点）以及名称歧义问题（比如"Mamba"可能指状态空间模型，也可能指Python代码检查工具）。

第二步是"边的类型标注"。每一个被解析的引用关系都会被大语言模型分类器分配到七种标签之一。这七种标签按因果强度从高到低排列：extends（在原有方法上增加新能力）、improves（沿某一维度优化但不改变核心设计）、replaces（用本质不同的机制替换核心组件）、adapts（将原方法迁移到新领域或新任务）、uses_component（复用原方法作为辅助模块）、compares（作为对比基线引用）和background（仅作为背景知识引用）。前四种构成"强因果子集"，是后续演化链追踪的主要依据。

这种分类的价值在于，它区分了两类本质不同的知识传承方式：方法论演化（继承了父方法的核心机制并加以发展）和模块化复用（借用了父方法的某个子组件，但核心贡献在别处）。前者驱动演化链的追踪，后者作为检索补充上下文。

第三步是"证据提取"。对于每一条非背景引用边，大语言模型提取器都会填写一份四字段的证据记录：瓶颈（被引用方法存在什么局限性，直接引用原文）、机制（本文提出了什么解决方案，直接引用原文）、取舍（新方法带来了哪些新的代价，直接引用原文）以及置信度（模型对这次提取的把握程度，0到1之间的数值）。每个瓶颈还会被归类到14个维度之一，包括计算复杂度、内存效率、并行化程度、准确性、泛化能力、可扩展性、数据效率、训练稳定性、推理速度、表达能力、简洁性、鲁棒性、超参数敏感性和训练复杂度。

这14个维度是从NeurIPS 2024论文全文中随机抽取500段瓶颈描述，经过聚类分析后由研究团队整理而来的。它们的作用，是让知识地图不仅记录"谁改进了谁"，还能回答"改进的是哪个方面的问题"——这对后续的想法生成至关重要。

整个提取过程有一道严格的后处理关卡：如果引用原文摘录的字段无法在原论文中精确匹配到对应字符串，或者边的方向违反了发表年份顺序，或者同一对节点之间已经存在方向相反的边，该条记录就会被丢弃。这道纯代码实现的"逐字验证器"确保了知识地图中的每一条因果边都有可追溯的原文出处，彻底杜绝了模型"编造"引用证据的可能。

三、顺着时间脉络找到方法演化路径的搜索算法

有了这张地图，下一个问题是：如何在上面高效地导航？从一个方法出发，追溯它的前世今生，在一张包含数百万节点和数千万条边的图上，这绝非易事。

直觉上最简单的方法是贪心搜索——每一步都走最有把握的那条边。但方法论的演化往往不是一条单线，而是一棵大树。Transformer衍生出BERT、GPT、ViT、DETR等多个分支，每个分支又各自延伸出更多支系。如果每次遇到分叉点都只走一条路，就会永远错过其他分支的演化轨迹。

研究团队为此设计了一种名为"自引导时序蒙特卡洛树搜索"（SGT-MCTS）的算法。蒙特卡洛树搜索是一种在围棋AI程序AlphaGo中大放异彩的搜索策略，其核心思想是在"充分利用已知高分路径"和"探索未充分访问的路径"之间保持动态平衡，通过大量随机推演来积累统计信息，从而在分叉点做出更明智的选择。

研究团队对这个算法进行了针对知识图谱的改造，加入了两个关键的"物理先验"。第一个是边的置信度，也就是之前提到的提取器对每条边把握程度的评分，越有把握的边在搜索中得到更高的优先级。第二个是时序连贯性函数，它反映了一个直觉：一个方法的直接后继方法，在时间上通常只比它晚一到三年；跨越几十年的"直接演化"关系在直觉上是可疑的，在统计上也极为罕见。

具体而言，时序连贯性函数对不同年份差值赋予不同的权重：年份差在1到3年之间得满分，差4到6年得0.8分，差7年以上按每年0.08递减直到下限0.3，而逆时间方向的边（后发表的论文影响了先发表的论文）则被直接过滤掉。

搜索完成后，所有候选路径按照三个维度的加权组合进行排名：路径的归一化长度（更长的路径覆盖更多的演化节点）、路径中所有边的平均置信度（每一步都有扎实证据的路径更可信），以及路径中节点被多少次独立模拟推演共同经过（多条独立探索路径汇聚的路径意味着这是图中客观存在的主干道）。

此外，在确定主要演化链之后，算法还会回到每一个有多个强因果后继但只有一个被主链覆盖的"分叉节点"，以覆盖已用边为禁止条件重新启动一次搜索，从而发现那些平行的演化分支。

四、实验验证：这张地图画得有多准

为了验证地图的质量，研究团队从30篇高影响力的综述论文中构建了一个基准数据集，涵盖AI各子领域，包含2268个方法节点、1462条有向演化边和133条演化链。综述论文本身代表了领域专家对方法演化的共识判断，是评估地图质量的理想参照。

在静态图质量方面，Intern-Atlas的节点匹配率为91.0%——也就是说，综述中提到的方法有91%能在地图中找到对应节点。边的可达率为89.7%，即综述中的演化关系有89.7%可以在地图中找到一条从源方法到目标方法的有向路径。路径语义正确率则达到92.0%，意味着这些可达路径中，92%的语义是正确的，真实反映了方法演化的方向和含义。

在演化链搜索算法的对比中，SGT-MCTS展示出了显著的优势。以同样的图和起始方法为输入，普通的束搜索（beam search，一种逐步保留最优候选链的贪心策略）在宽度为10时，节点召回率为44.9%，边召回率为23.2%，链对齐分数为44.9%。随机游走的表现更差。而SGT-MCTS的节点召回率达到了84.8%，边召回率79.0%，链对齐分数84.8%——相比最强基线，三项指标分别提升了39.9、55.8和39.9个百分点。

在ConvNet演化链的案例中，这一差异体现得尤为直观。参考链是VGG → ResNet → ResNeXt → ConvNeXt → ConvNeXt V2。SGT-MCTS完整找回了这条参考子序列，只是在首端多了一个提供框架背景的Caffe节点，在末端多了一个ConvNeXt V2的下游应用节点，主干完整无缺。束搜索找到了从ResNet往后的部分，但遗漏了VGG这个关键的深度扩展节点，并且从一个无关的语音识别分支入场。随机游走只找到了局部片段，ResNeXt完全缺失。

五、用这张地图来评估研究想法的质量

构建好地图之后，研究团队进一步发展了三类基于图的操作：演化链追踪、想法评估和想法生成。

想法评估解决的是一个实际问题：当一个AI系统自动生成了一个研究想法，如何判断这个想法的质量？传统的做法是让大语言模型直接对想法文本打分，但研究表明这种方式有系统性偏差——LLM评判的新颖性与最终科学影响力负相关，因为模型倾向于偏好它熟悉的、高频出现的方法组合，而真正新颖的想法往往涉及模型不熟悉的方法领域。

Intern-Atlas的想法评估器采用了一种完全不同的思路：把每个评分维度都转化为对图结构的确定性查询，不依赖LLM进行主观判断。评估器对五个维度打分：新颖性（Novelty）、可行性（Feasibility）、重要性（Significance）、有效性（Validity）和清晰度（Clarity）。

以新颖性为例，评估器会计算该想法涉及的方法在"方法共使用图"中的拓扑距离——如果两个方法从未在同一篇论文中同时被使用，那么把它们结合的想法在结构上具有较高的新颖性。同时，如果这个想法与已有论文有极高的文本相似度（通过密集检索+交叉编码器重排序的两阶段管道实现），就会触发相应的重复风险惩罚。

可行性维度则设计了一条"甜蜜区间"成熟度曲线：一个方法的相关论文数量在500篇以内时，可行性分数随数量增长而提高；超过500篇后开始下降；超过2000篇后进入"过度成熟"区间。这个曲线背后的逻辑是：太新的方法配套工具不成熟，太老的方法可能已经被充分挖掘，中间成熟度的方法往往具有最好的可操作性。这种设计还有一个副作用：它直接打压了"把所有最热门的方法堆砌在一起"的"混搭"型想法，因为那些被引用超过2000次的方法反而会降低可行性得分。

重要性维度通过计算相关论文的时间衰减引用量（5年半衰期）和方法的"边疆存在性"（2021年后仍然活跃的方法节点拥有至少3条非背景出边）来判断一个方向是否仍具有前沿价值。有效性维度则通过将想法中声称要解决的瓶颈与图中已标注的瓶颈维度进行匹配来衡量其技术合理性。

五个维度的分数通过加权求和得到总分，并且叠加了四条"跨维度联合惩罚"：如果一个想法新颖性很高但可行性很低，总分会被压低（反映了"想法-执行鸿沟"这一研究发现的实证依据）；如果有效性和可行性都高，总分会获得小幅奖励；如果重要性得分处于中高区间，也有相应的加成；如果五个维度的最高分和最低分差距不超过2分且最低分在5分以上，则视为均衡性好，同样获得加分。

最终，评估器允许接入一个可选的LLM审核层，但这个LLM只能降低总分，不能提高总分——相当于一道单向否决机制，用来纠正图查询可能出现的偶发错误，而不会引入LLM的乐观偏差。

为了验证评估器的有效性，研究团队构建了一个包含1200篇论文的分层数据集，均分为四个层次：顶级AI会议论文（ICLR 2026、ICML 2025、NeurIPS 2025）、核心AI会议论文（AAAI 2026、IJCAI 2025）、研讨会论文（来自ICLR 2026研讨会）以及被拒论文（ICLR 2026拒稿）。从每篇论文中提取标准化的想法概述，然后用评估器打分。

结果显示，顶级会议论文的平均总分为8.48，核心会议论文为7.83，研讨会论文为6.85，被拒论文为5.84，完美呈现单调递减趋势。五个子维度全部保持了同样的排序。其中，重要性和有效性维度在不同层次之间的差距最大，说明图中的方法演化结构对于判断一个想法是否针对真正重要的问题、技术上是否站得住脚特别有帮助。

在与人类专家的对比中，研究团队从数据集中抽取了100份想法概述，邀请10位AI方向的博士研究生按同样的五维评分标准打分，然后分别计算Intern-Atlas和纯LLM-as-Judge基线与专家评分的斯皮尔曼相关系数。Intern-Atlas的总体相关系数为0.81，纯LLM基线为0.58。差距最大的是新颖性（0.84对0.52）和重要性（0.82对0.55），恰好是最需要理解方法演化结构的两个维度。

六、用这张地图来生成新的研究想法

在想法生成这一环节，地图的作用从"评判已有想法"转变为"主动发现空白地带"。给定一个研究方法作为查询，生成器会从地图中提取四类结构性的研究空白，并据此提出具体的研究方向。

第一类叫做"开放轴"——某个方法在某个特定瓶颈维度（如内存效率）上还没有被任何已有研究有效解决，形成一个待填补的改进空间，对应"瓶颈解决"生成策略。第二类叫做"近期改进方向"——观察最近两三年该方法被改进的主要方向，沿着同一趋势外推，对应"趋势外推"策略。第三类叫做"断连对"——两个在其他方法中频繁共现的方法，在这个特定方法的上下文中从未被结合使用，对应"交叉融合"策略。第四类叫做"牺牲轴"——这个方法为了解决某个问题而在另一个维度（如推理速度）做出了明显牺牲，潜在的研究方向是用不同机制来重新解决同一问题、同时消除这个牺牲，对应"范式挑战"策略。

这四类模式都是通过纯图查询提取的，不涉及任何LLM调用。只有在确定了具体的结构性空白和对应策略之后，才将这些信息传递给LLM，让其填写技术细节。这样一来，LLM的任务从"凭空构思"变成了"在规定框架内完成填空"，大大降低了生成无关或虚假研究方向的风险。

为进一步防止LLM"发明"瓶颈，每个生成的研究提案都必须携带一份证据证书：一条具体的图中边、该边对应的瓶颈文本（必须与图中存储的原文完全一致）以及为何这个瓶颈尚未被解决的说明。在返回提案之前，系统会对瓶颈文本进行精确匹配验证；如果验证失败，LLM的输出会被丢弃，系统改为从图内容生成一个最小化但合规的备选提案。

在评估实验中，100个由10位AI博士研究生精心设计的研究问题分别被送入四个条件：不使用任何外部知识库（No-KB）、使用OpenAlex作为检索来源、使用Semantic Scholar，以及使用标准BM25检索方式从Intern-Atlas同一语料库中检索（BM25 RAG）。生成的想法统一用之前描述的Intern-Atlas评估器打分，同时由同一批专家进行盲评对比。

Intern-Atlas生成的想法在总分上达到7.20，相比最强基线（Semantic Scholar的6.18）提升了1.02分。提升最显著的是新颖性（6.37对5.40）、重要性（6.30对5.39）和有效性（6.26对4.70）。在专家盲评中，Intern-Atlas分别以88.0%、82.0%和81.0%的胜率战胜了No-KB、OpenAlex和BM25 RAG条件。

值得关注的是，在可行性和清晰度维度，各方法的差距相当小——这说明所有基于知识库的方法都能生成可读性相近的研究提案，Intern-Atlas的优势集中在对研究方向的战略判断上，而非文字表达的流畅程度。

说到底，Intern-Atlas做的事可以用一句话概括：它把人脑里那幅"谁启发了谁、谁改进了什么、哪些问题还没人解决"的隐形地图，变成了一张机器可以直接读取、查询和推理的显式地图。这件事对人类研究者来说，意味着可以更快地找到一个领域的关键演化节点和尚未解决的核心难题；对AI研究代理来说，意味着它们终于有了一个结构化的认知基础，不再需要每次从零开始重建对领域的理解。

回到历史类比：正如蛋白质数据库为AlphaFold提供了原料，ImageNet为视觉识别革命提供了土壤，Intern-Atlas的雄心是成为AI辅助科学发现时代的基础数据层。这张地图本身是开放的，研究团队已公开了图数据和完整流水线，期待后续工作在此基础上继续发展，朝着能够在完整的因果知识谱系上推理的AI研究代理迈进，而非仅仅在孤立的论文堆中游走。

不过有一些边界是诚实的研究团队应当说清楚的。Phase-1边类型分类的准确率在生产模型（Qwen3.6-35B-A3B）下约为70.4%，在审计模型（Claude Sonnet 4.6）下为93.0%，这反映了"extends"和"improves"这类细粒度因果关系本身就难以区分的客观难度。14轴瓶颈分类体系在发布时是固定的，未来涌现的新型瓶颈维度只能归并到最接近的已有轴，直到下次体系更新。时序连贯性函数是在2015年后的AI文献上校准的，对研究节奏差异显著的领域可能需要重新调参。这些局限性都被研究团队坦然记录，并提出了相应的缓解措施和未来扩展方向。

有兴趣深入研究的读者，可以通过arXiv编号2604.28158查阅完整论文，其中包含了图构建的完整Schema定义、提取协议的全部细节、SGT-MCTS的完整算法描述以及评估指标的精确定义。

**Q&A**

**Q1：Intern-Atlas知识地图和现有的谷歌学术、Semantic Scholar有什么根本区别？**

A：谷歌学术、Semantic Scholar等工具以论文为基本单元，通过引用关系连接论文，但一条引用只说明"A引用了B"，并不说明A是在B基础上扩展了功能、解决了B的局限、还是仅把B当对比实验。Intern-Atlas把分析单元从论文降低到具体的研究方法，并将每条引用边标注为extends（扩展）、improves（改进）、replaces（替代）等七种有明确语义的关系类型，每条非背景边还附有从原论文直接摘录的证据文字。这使机器可以直接查询"某方法的演化历史"或"哪些瓶颈尚未被解决"，而无需人类在脑中重建这些关系。

**Q2：SGT-MCTS演化链搜索算法比普通搜索方式好在哪里？**

A：普通的束搜索（beam search）在每个分叉点只保留最高分的几条路径，遇到Transformer这种有BERT、GPT、ViT等多个分支的节点时，就会丢弃其他分支的演化轨迹。随机游走则缺乏方向性，容易陷入局部片段。SGT-MCTS通过大量随机模拟推演积累统计信息，在"利用高置信路径"和"探索未充分访问分支"之间动态平衡，并加入了两个物理约束：边的置信度（提取器的把握程度）和时序连贯性（直接后继方法通常只比前驱晚一到三年）。在基准测试中，SGT-MCTS的节点召回率达到84.8%，比最强基线高出约40个百分点。

**Q3：Intern-Atlas的想法评估器为什么比直接让大语言模型打分更可靠？**

A：研究表明，直接让大语言模型评判想法新颖性时，模型倾向于偏爱它熟悉的、频繁出现的方法组合，导致新颖性评分与最终科学影响力负相关。Intern-Atlas的评估器把每个评分维度转化为对图结构的确定性查询，不依赖模型的主观印象：新颖性通过计算方法节点在图中的拓扑距离来衡量，可行性通过一条反映方法成熟度的非单调曲线来计算，重要性通过时间衰减引用量和边疆活跃性来判断。这种确定性设计让评分完全可审计、无随机性，与专家评分的斯皮尔曼相关系数为0.81，而纯LLM基线仅为0.58。