MIT与橡树岭国家实验室联手:让AI像科学家一样"画思维导图"来推理

来源：市场资讯

（来源：科技行者）

这项由麻省理工学院土木与环境工程系、机械工程系、施瓦兹曼计算学院，联合华盛顿大学圣路易斯分校物理系、橡树岭国家实验室计算与计算科学部以及劳伦斯伯克利国家实验室共同完成的研究，于2026年7月1日发布在预印本平台arXiv上，论文编号为arXiv:2607.00924。感兴趣的读者可以通过该编号在arXiv检索完整论文。

科学发现从来就不是一件简单的事情。一位优秀的科学家在思考一个材料设计问题时，脑海中会浮现出大量相互关联的概念——分子结构会怎样影响宏观性能？某种加工工艺会在哪个环节引发失效？来自不同领域的知识是否可以类比迁移？这些思考本质上是一张张复杂的"关系网络"，而不是一段流水账式的文字叙述。

然而，当前的人工智能助手，也就是我们熟悉的大型语言模型，回答科学问题时往往像是一个口才极好但逻辑混乱的学生——说出来的话听起来头头是道，但你很难追究某个结论究竟是怎么推导出来的，也无法验证中间的推理过程是否真的自洽。研究团队将这个问题称为"可追溯性缺失"，这正是他们想要解决的核心难题。

他们的解决方案叫做Graph-PRefLexOR——一个听起来拗口但思路极为清晰的系统。这套方法的核心理念是：让AI在思考时不仅仅写文字，还要同步绘制一张"关系地图"，把推理过程中涉及的概念、机制、因果链条全都像节点和连线一样明确地记录下来。通过这种方式，AI的推理过程变得像工程图纸一样可以被检查、被追溯、甚至被复用。在100道开放性的材料科学与力学问题测试中，这套系统相比对应的基础模型取得了40%到65%的性能提升，其中"推理可追溯性"这一指标的提升幅度最为显著。

一、AI推理为什么需要"画地图"而不是"写作文"

要理解这项研究解决的问题，不妨先想象一个场景：你的孩子今天数学考试没有及格，你问他为什么算错了，他说"我想了想，就算出来了"。这个回答让你完全无从判断他到底哪里出了问题，也没办法帮他改正。现在换一种情况：他拿出草稿纸，一步一步展示自己的运算过程，你就能清楚地看到，哦，原来在第三步他把乘法当成了加法。

当前主流的AI推理方式——也就是"思维链"方法——其实已经是朝着后者迈进了一步。这类方法让AI在给出最终答案之前，先用自然语言写出一段中间推理过程。这比直接跳到答案要好，但仍然有一个根本性的缺陷：自然语言是线性的，而真正的科学推理是网络状的。

材料科学问题尤其如此。当你想搞清楚为什么某种纳米复合材料在低温下会突然断裂，你需要同时考虑分子尺度的链段运动、介观尺度的界面结合力、宏观尺度的应力集中，以及加工历史留下的残余应力——这些因素之间存在错综复杂的相互作用，用一段直线式的文字根本无法完整表达它们之间的依赖关系。更糟糕的是，现有研究表明，AI写出来的推理文字有时候根本就不是它真正"想"的过程，最终答案可能压根就没有真正用到那段推理，只是表面上看起来连贯而已。

研究团队认为，解决方案在于让AI的中间思考过程本身就具有"结构"，而这个结构最自然的形式就是图。在数学中，图是由节点和边组成的数据结构，节点代表概念或实体，边代表它们之间的关系。当AI用图来组织推理，每个重要概念都有明确的位置，每条因果链都有明确的方向，整个推理过程就变成了一张可以被逐节点、逐路径检查的地图。

二、系统是怎么工作的：五个阶段的"推理装配线"

Graph-PRefLexOR的工作流程被设计成一条有序的推理流水线，总共包含五个阶段，每个阶段都有特定的任务，并且每个阶段产生的内容都以特殊的标记符号包裹起来，让机器和人类都能清晰地识别。

第一个阶段叫做"头脑风暴"阶段。在这里，AI会像一个思维活跃的研究生一样，把所有可能相关的机制、假设和潜在的失效模式都先放出来探索一遍，而不是急于收敛到一个答案。这个阶段是发散性的，目的是确保没有遗漏任何重要的可能性。

第二个阶段叫做"图草图"阶段。AI把第一阶段产生的各种想法进行提炼，识别出其中的核心实体——比如"分子序列"、"微观结构"、"力学性能"、"失效模式"——以及它们之间的关系，形成一个概念层面的关系网络草图。

第三个阶段叫做"规范化图"阶段。这是整个流程中最具技术特色的环节。AI把第二阶段的草图转换成一种机器可以直接读取的格式，具体来说是一个严格的JSON结构，其中每条关系都包含"来源节点"、"关系类型"和"目标节点"三个要素。举个例子，一条边可以表示为：来源是"分子序列"，关系是"编码"，目标是"微观结构"。这种格式的好处在于，任何计算机程序都可以直接解析和分析它，而不是需要人工从文字中提取信息。

第四个阶段叫做"模式提取"阶段。AI在这里从第三阶段的图结构中提炼出更高层次的规律，比如典型的因果链"序列→结构→性能→失效"，或者某些反复出现的反馈回路和跨尺度桥接关系。这些模式是对整个推理网络的压缩提炼，相当于从一张详细地图中总结出主要路线。

第五个阶段叫做"综合"阶段。在前四个阶段的基础上，AI将所有经过结构化梳理的信息整合成一个连贯的、可测试的科学假设，并明确指出多尺度机制与预测结果之间的联系，以及可能的失效模式。

整个过程可以用装修房子来类比。头脑风暴阶段是先粗略评估所有可能的改造方案；图草图阶段是画出各个房间和功能区的布局草图；规范化图阶段是请建筑师出具正式的施工图纸；模式提取阶段是总结出几条核心设计原则；综合阶段是形成最终的装修方案说明书。每一步都在前一步的基础上深化，而且每一步产生的内容都可以被独立检查。

三、用强化学习来训练"好的推理习惯"

构建这套系统的另一个关键问题是：怎么让AI学会这样推理？研究团队采用的方法是一种叫做"群体相对策略优化"（GRPO）的强化学习技术。

简单来说，强化学习的思路是：不告诉AI每道题的标准答案，而是给它一个评分机制，让它自己尝试各种回答方式，然后根据得分来调整自己的行为。GRPO的特别之处在于，它不是给每个回答打一个孤立的分数，而是让AI同时生成一批回答，然后比较这批回答之间的相对好坏，得分高于平均水平的回答会被鼓励，得分低于平均水平的会被抑制。这种相对比较的方式比绝对打分更加稳定，也更适合这种没有唯一标准答案的开放性科学问题。

在正式进行强化学习之前，研究团队还设计了一个"冷启动"阶段，采用了另一种叫做ORPO的偏好优化方法。这个阶段的任务是先给AI"打基础"——通过对比一个结构完整、推理详细的优质回答和一个草草了事的差劲回答，让AI先学会什么是好的推理格式。有了这个基础之后，后续的强化学习信号才会足够密集和可学习，否则AI连格式都不会，强化学习的信号会极度稀疏，学习效率极低。

训练数据的构建也颇费心思。研究团队用一个强大的教师模型（GPT-5.1）生成高质量的"优质回答"样本，这些样本严格遵循五阶段格式，并包含机器可解析的图结构。"差劲回答"则用一个简单的小模型生成——它被要求用一两句话草率作答，完全不带任何推理。两者之间巨大的质量差异使得AI在冷启动阶段能够非常快速地学会区分好坏，进而掌握基本的推理格式。

强化学习阶段的评分机制包含六个维度：回答的正确性（权重最高，占30%）；推理格式是否完整合规（占15%）；图结构的信息充分性（占25%，这是最核心的信号）；图结构的内部一致性（占10%）；图内容的语义多样性（占10%）；以及图的拓扑结构是否合理（占10%）。其中"图的信息充分性"这个维度尤为有趣——评分方法是让另一个AI模型仅凭AI生成的那张图，在完全不看原始回答的情况下，尝试重建出一个满意的答案，然后把重建结果和标准答案对比打分。如果图里的信息足够丰富，重建出来的答案应该接近标准答案；如果图只是摆样子，重建出来的答案就会很差。这个设计确保了图结构真正承载了推理的核心内容，而不只是装饰性的附件。

四、三个规模的模型，测试结果一致向好

研究团队训练了三个不同规模的Graph-PRefLexOR模型：参数量分别为17亿（1.7B）、30亿（3B）和80亿（8B）。它们分别基于Qwen3-1.7B、Llama-3.2-3B-Instruct和Qwen3-8B这三个基础模型进行微调。

测试用的基准数据集包含100道开放性问题，这些问题从材料科学和力学领域的研究论文中提炼而来，涵盖五类推理任务：跨因果尺度推理、权衡与非单调性分析、隐变量识别、模型抽象与边界分析，以及跨领域类比映射。这类问题没有唯一正确答案，评判标准是推理是否严谨、深刻、可追溯，因此用另一个顶级AI模型（Claude Opus-4.7）作为独立评判者，在三个维度上打0到10分：推理质量、思想深度、推理可追溯性，以及这三者的综合均分。

测试结果显示，三个规模的Graph-PRefLexOR模型都一致地超过了对应的基础模型，综合性能提升幅度在40%到65%之间。特别值得关注的是，推理可追溯性这个维度的提升幅度是三个维度中最大的，清晰地说明了图结构推理的价值主要体现在让推理过程变得透明可追溯，而不只是让最终答案听起来更好听。

研究团队还做了一个对照实验：把Qwen系列模型的"思考模式"关掉，让它们直接生成答案而不进行任何推理。关闭思考模式之后，性能下降了30%到50%，跌幅与没有推理能力的Llama基础模型相当。这个结果有力地说明，Graph-PRefLexOR的性能提升主要来源于推理过程本身，而不是模型架构或参数量的差异。

另外一个有趣的观察是，80亿参数的Graph-PRefLexOR模型比17亿参数的版本高出大约25%到30%，这主要归功于更大的参数量能够支撑更丰富的图构建和模式提取能力。但30亿参数的模型（基于Llama）反而比17亿参数的模型（基于Qwen）表现更差，原因在于Llama基础模型本身没有内置的推理能力，需要从零开始学习推理行为，起点更低，即使经过训练也难以追上那些本身就是推理模型的Qwen系列。

五、推理过程在语义空间里的"漫游轨迹"

为了更深入地理解Graph-PRefLexOR和基础模型在推理方式上的差异，研究团队做了一系列基于语义嵌入的分析，把推理过程中产生的文本转换成高维空间中的数学向量，然后用降维可视化技术展示出来。

具体做法是用一个嵌入模型把所有推理步骤和最终答案都转换成768维的向量，然后用主成分分析把这些向量投影到二维平面上，再用高斯核密度估计的方法画出它们的分布密度轮廓。之所以不直接画散点图，是因为基础模型生成的推理步骤数量远多于Graph-PRefLexOR（基础模型喜欢东拉西扯，生成大量重复或冗余的内容），直接画散点会让基础模型看起来占据更大的空间，产生视觉误导。

可视化结果非常直观地展示了两者的差异。Graph-PRefLexOR的五个推理阶段在二维空间中形成了五个有区分度但又部分重叠的分布区域——这说明每个阶段都在处理有别于其他阶段的语义内容，但阶段之间又保持着内在的连贯性。相比之下，基础模型的推理步骤在空间中形成了一团弥散的云，没有任何内部结构。

进一步分析每个阶段在空间中的位置关系，可以看到一条有意义的"漫游路径"：从头脑风暴阶段出发，推理走向图草图阶段，语义上发生了一次从发散探索到关系抽象的转变；接着模式提取阶段在空间上靠近图草图，符合它的任务定位（在已有图结构的基础上提炼规律）；最终综合阶段则部分回归到了头脑风暴阶段的语义区域，体现了综合阶段需要将抽象结构重新连接到具体假设的本质。这整条路径是有方向、有意义的，而基础模型的推理路径则像一个原地打转的随机游走。

研究团队还专门量化了语义多样性：对Graph-PRefLexOR，计算四个推理阶段的语义中心点之间的平均余弦距离；对基础模型，把推理文本均分四段后做同样计算。结果显示，Graph-PRefLexOR的推理阶段间语义距离是基础模型的2.6倍（8B版本）到2.9倍（1.7B版本）。在最终答案层面，这个倍数下降为1.8倍到2.4倍——说明结构化推理在中间计算阶段带来的语义多样性远大于对最终输出的影响，这与研究团队的核心论点高度一致：Graph-PRefLexOR改变的不是最终答案说了什么，而是产生答案的计算路径。

六、最终答案真的来自推理吗：语义回溯分析

一个深刻的问题是：AI写出来的推理过程，真的对最终答案有贡献吗？还是说推理只是一个表演，最终答案其实是直接生成的，跟那段推理文字的关系并不大？

研究团队设计了一个叫做"语义回溯"的分析方法来检验这个问题。方法是这样的：对于每一道题的最终答案，计算它与所有候选"来源文本"之间的语义相似度，然后把最高相似度对应的来源认定为这个答案的最近语义来源。

对于Qwen3-8B基础模型，候选来源包括它自己的推理文本，以及Graph-PRefLexOR-8B的最终答案和五个推理阶段。结果令人惊讶：在100道题中，Qwen3-8B的最终答案只有16道与它自己的推理文本最相似，剩下的84道都与Graph-PRefLexOR-8B的某个输出更相似——其中46道与Graph-PRefLexOR的最终答案最接近，14道与Graph-PRefLexOR的头脑风暴阶段最接近，13道与图草图阶段最接近，8道与综合阶段最接近，3道与模式提取阶段最接近。

这个结果揭示了一个有趣的现象：Qwen3-8B虽然自己的推理文字冗长，但最终答案在语义上经常落入Graph-PRefLexOR的"语义领土"，而不是自己推理的领土。换句话说，它能到达那片"答案空间"，但不是沿着自己写的那条推理路径走过去的。

与此形成鲜明对比的是，Graph-PRefLexOR-8B的最终答案有92道都与自己的某个推理阶段最相似，其中84道与综合阶段最相似，只有8道与Qwen的输出更接近。这说明Graph-PRefLexOR的最终答案是真正从自己的推理过程中"生长"出来的，不是横空出现的。

研究团队还对内部的各个推理阶段分别计算了与最终答案的相似度。综合阶段的相似度最高（均值约0.962），其次是头脑风暴（约0.925），再次是图草图（约0.913），最低是模式提取（约0.890）。这与系统设计的逻辑完全吻合：综合阶段作为最后一个推理步骤，距离最终答案最近，承担了将推理结果转化为答案语言的任务，因此语义上最接近。

七、神经网络内部的隐藏状态也在说同样的话

语义相似度分析是从文本层面比较推理和答案的关系，但研究团队还深入到了神经网络的内部，检查隐藏状态层面的证据。

神经网络在处理文本时，每一层都会产生一组数值向量，叫做隐藏状态，可以粗略地理解为该层对当前输入的"内部理解"。研究团队分别计算了模型在处理推理文字时和处理最终答案时，每一层隐藏状态之间的余弦距离，用这个距离来衡量两种生成模式在内部表征层面的差异程度。

结果显示，Qwen3-8B在第7到第10层附近出现了一个明显的距离峰值，然后在最后一层（第36层）又出现了一个更大的峰值。这个模式说明，Qwen3-8B在这些层次上发生了从推理模式到答案生成模式的强烈切换，两种模式之间的内部表征差异很大。

Graph-PRefLexOR-8B的情况则平稳得多——在大多数层次上，推理状态和答案状态的距离都保持在一个较低的水平，没有剧烈的跳变。这说明Graph-PRefLexOR从推理过渡到答案的过程更为连续，内部状态的切换更为平滑，整个过程就像沿着一条坡道缓缓下行，而不是从楼梯上猛然跳下。

为了进一步理解那个第7到第10层的峰值，研究团队训练了一个线性探针来检测每一层是否可以区分推理状态和答案状态。结果发现，这个区分能力在第1到第5层就已经几乎达到了满分，远比距离峰值出现的第7到第10层要早。这说明第7到第10层不是"开始区分推理和答案"的地方，而是"两种内部表征发生最大几何分离"的地方——模型在这个区域发生了某种表征重组，但这种重组并不意味着答案内容在这里被确定下来，激活修补实验显示大约第30层附近的修补对最终答案的恢复效果更好，说明答案的具体内容更多地编码在较深的层次。

八、当计算量增加时，AI会发现什么

研究的最后一部分探索了一个更大胆的问题：如果给AI更多的计算时间，让它持续推理，它会不断产生全新的想法，还是会在一个有限的思维空间里反复组合已有的概念？

研究团队把Graph-PRefLexOR变成了一个自我扩展的"思维地图引擎"。每次推理结束后，AI生成的那个机器可读图被合并进一张不断增长的"记忆图"里，然后由一个扩展策略读取记忆图，决定下一步要探索哪些方向，生成新的问题继续提问，如此循环。整个实验用"自愈合生物聚合物复合材料"作为初始话题，让四种不同策略分别运行2000轮迭代。

四种策略代表了不同的探索哲学。"前沿策略"关注图中度最小（连接最少）的节点和中介中心性最高的节点，一边向外扩展、一边巩固核心；"新颖性策略"专门挑选语义上离整体重心最远的概念进行深挖；"跃迁策略"每次强制在语义距离最远的两个概念之间搭建桥梁，并从无关领域引入新原理；"对话策略"用一个独立的提问模型来生成问题，专门开辟图中尚未涉及的新方向。

实验结果描绘出了一幅出乎意料的图景。随着迭代次数增加，新概念的数量确实持续增长，但探索的语义空间体积（用所有概念向量的总方差衡量）以及距初始概念的最远距离，都在几百轮迭代后就趋于稳定——这说明一个话题的语义领土是有边界的，AI很快就把这块土地大致探索完了。

但有一个指标没有停止增长：令人惊讶的概念组合数量。研究团队把这个指标定义为：那些语义相似度远低于平均水平（统计Z分数低于-1）的概念对，在被一个共同的中间概念连接起来之后，就算作一次"令人惊讶的组合"。这个累计数量在整个2000轮迭代中持续以超线性速度增长，没有任何停止的迹象。

这个结果的含义是深刻的：增加计算量的价值不在于探索更多不同的领域，而在于在已经覆盖的语义空间里发现越来越多的跨概念桥梁。科学创新的本质不是无限扩大词汇量，而是在已知概念之间找到前人没有注意到的联系。四种策略中，跃迁策略在创造令人惊讶的组合方面效率最高，这进一步印证了主动寻求概念间距离最大化是激发创新组合的有效方式。

研究团队还验证了这些组合在统计上是真实有意义的，而不是图规模增大带来的数学假象。通过与保持图规模不变的随机化零模型对比，他们发现图中重复出现的关系型二步模式（Z分数高达100到160）、图整体的模块化程度（Q=0.29，Z分数+37.5）以及边对语义不相似概念的偏好性（Z分数+18.2）都具有高度显著性。直接相连的节点对往往是语义相近的，组合新颖性主要集中在那些通过中间节点间接相连的两跳桥梁上（中位Z分数约-3.4），统计检验P值为1.1×10^-7。换句话说，真正的创新隐藏在图的"隐含关联"里，而不在表面的直接连线中。

说到底，这项研究的意义远不止于提升了一个AI系统的测试分数。它提出了一个关于AI辅助科学发现的根本性命题：当我们评价一个科学AI系统的好坏时，仅仅看它的最终答案是否正确是不够的，还必须检查它的推理过程是否可追溯、是否真正支撑了最终答案、是否在语义空间中做了有意义的探索。

Graph-PRefLexOR通过把知识图谱嵌入到推理过程本身——而不是作为外挂的检索工具——实现了一种真正意义上的"可追溯推理"。它的推理痕迹不是事后生成的说明书，而是驱动最终答案生成的真实计算路径。这种设计使得推理过程可以被检查、被修正，甚至被不同问题之间复用，为构建真正可信赖的科学AI打开了一条新路径。

对于普通人来说，这项研究意味着未来可能出现的AI科研助手会更像一个思路清晰的合作者，而不是一个只会背答案的神秘黑盒——你不仅能得到一个假设，还能看到这个假设是怎么被推导出来的，以及哪些中间环节你可能需要质疑或补充。有兴趣深入了解的读者可以通过arXiv编号2607.00924检索这篇论文的完整内容。

Q&A

Q1：Graph-PRefLexOR与普通的思维链推理有什么区别？

A：普通思维链推理让AI用自然语言写出推理过程，但这种线性文字无法充分表达概念间的网络状关系，而且研究发现AI写出来的推理有时候对最终答案并无真实贡献。Graph-PRefLexOR则要求AI在推理时同步生成一张机器可读的关系图，把所有重要概念、因果链和机制关系用节点和有向边明确记录，使推理过程可被检查和追溯，最终答案也被证明真正"生长"自这张图，而不是独立生成后再配上一段解释文字。

Q2：Graph-PRefLexOR中的强化学习GRPO是怎么判断推理好不好的？

A：GRPO的评分机制包含六个维度：答案的正确性、推理格式是否完整、图结构的信息充分性、图的内部一致性、图内容的语义多样性，以及图的拓扑合理性。其中最有创意的是"信息充分性"这一项——评分方法是让另一个AI仅凭生成的图来重建答案，如果重建结果接近标准答案，说明图里真正承载了推理核心内容；如果图只是摆样子，重建就会失败，得分随之降低。

Q3：增加测试时的计算量对Graph-PRefLexOR生成科学假设有什么影响？

A：实验发现，增加计算迭代次数后，探索的语义空间体积和距初始概念的最远距离会在几百轮后趋于稳定，说明一个话题的语义领土是有限的。但令人惊讶的概念组合数量会持续以超线性速度增长，不显示饱和。这意味着额外计算的价值不在于开拓更多未知领域，而在于在已有概念之间发现越来越多的跨领域新桥梁，科学创新的本质是在已知空间里增密联系，而不是无限扩大探索边界。