AI科学家该不该"因材施教"

假设你和你的同事同时向一个AI科研助手提了同一个问题："帮我设计一个关于图神经网络的新研究方向。"

你是刚入学的博士生，手头只有两篇论文的积累。你的同事是做了十五年图挖掘的资深教授，认识半个学术圈的人。

如果这个AI给你们俩返回的是一模一样的研究方案，你会不会觉得哪里不对劲？

这正是范德堡大学、Adobe Research、德州农工大学等机构的研究者们在一篇新论文里提出的尖锐问题。他们发现，几乎所有现在的"AI co-scientist"（AI联合科学家）系统，都有这个问题。

一个被所有人忽略的漏洞

先说说背景。

自从2024年"AI Scientist"这个原型系统出现以来，AI自动做科研这件事发展得飞快。从最早那种"提出想法、写代码、跑实验、写论文"的简单循环，到后来的AI Scientist-v2引入了更复杂的树搜索机制、实验管理器、多轮视觉反馈，再到各种带人类反馈的协作系统、跨项目记忆功能、共享的论文预印本库，这个领域两年内已经跑出了一条相当成熟的技术路线。

**智能体树搜索**：一种让AI像下棋一样，在多个可能的研究方向之间做搜索和比较，选出最优路径的技术。

但这篇论文的作者们盯着这些系统看了很久，发现一个几乎所有人都没有认真处理的问题：这些系统全都是"科研者无关"的。

什么意思？就是说，不管提问的人是谁，只要研究目标一样，系统给出的答案分布几乎是一样的。论文里管这个叫"researcher-agnostic"（科研者无关性）。

这听起来好像没什么大不了，但作者们认为，这恰恰违背了科学发现本身的运作方式。真正有价值的新想法，往往不是来自某个客观存在的"最优解"，而是来自一个具体的人，他过去踩过的坑、他习惯用的方法、他所在的圈子给他的独特视角。把这些全部抹掉，剩下的就是一个可以随意替换使用者的通用工具，而不是一个真正意义上的合作者。

论文提出了三个层面的代价。

第一是认知层面的：很多科研能力是"隐性"的，压根不会写进论文里，那些只存在于研究者脑子里、手上、实验室积累的经验，任何一个只靠读文献训练出来的AI系统天生就够不到。

第二是系统层面的：如果全世界的科研工作者都问同一个AI引擎同样的问题，那么整个学术界很可能会陷入一种"思路撞车"的困境，大家都在追逐同一批"看起来最优"的想法，而那些原本只有某个特定研究者才有能力、有条件去探索的偏门方向，反而被系统性地忽略了。

第三是实践层面的：一个研究者只会去验证、去采纳跟自己能力和资源匹配的方向，脱离实际的建议再漂亮也是白搭。

这三条加在一起，作者给出了一个略带挑衅性的结论：现在的AI co-scientist系统，其实更像一台"仪器"，而不是"合作者"。

给AI装一个"认识你"的模块

那怎么解决这个问题？

论文的核心方案是，给整个自动化科研流程装上一个"个性化"的骨架，让每一个环节，从文献检索、假设生成、实验设计，到最后的论文写作和自我审稿，全都基于对具体研究者的理解来运作。

这个思路听起来简单，落地起来却牵涉到不少精细的设计。我们一步步拆开看。

### 第一步：把研究者变成一张"关系网快照"

要让AI理解一个研究者，光看他发表过的论文列表是不够的。

论文里举了个很扎实的例子：两个研究者可能发表过差不多的论文清单，但一个人处在一堆理论物理学家扎堆的圈子中心，另一个人则是这个圈子和计算生物学之间唯一的一座桥。这两个人接下来该往哪个方向走，答案会完全不同。

**结构洞**：社会网络分析里的一个概念，指的是网络中两个原本没有联系的群体之间的空隙，能"跨过"这个空隙、把两个群体连起来的人，往往拥有独特的信息优势。

于是研究者的身份被建模成一个图上的节点。这个图（论文里叫research landscape，研究图景）里包含研究者、论文、期刊、机构、方法、数据集、主题等各种类型的节点，节点之间用合作关系、引用关系、发表记录、机构隶属等各种边连接起来。

论文用一个公式表达这个过程：先用图编码器从这个大图里提取出研究者的向量表示，记作z_u，再结合这个人自己的可观测信号（论文、引用记录、代码、审稿历史、偏好的期刊等），生成一个操作性的"上下文"c_u，这个c_u就是后续每一步决策都要参考的背景信息。

这里的类比是这样的：假设你要给两个人推荐职业发展路径，一个人只给你看简历，另一个人还愿意让你看看他微信里的工作群、他常去的行业论坛、他认识的人脉圈子。光看简历，你可能会给两个背景类似的人推荐同样的下一步。但一旦看到关系网，你会发现一个人身边全是同行竞争者，走某条路会撞车；另一个人身边正好有一个跨界资源，走过去反而是一片新天地。如果不做这层关系网分析，直接只看论文列表，AI推荐系统很可能会把两个"表面相似实则处境完全不同"的研究者，错误地当成同一种人来对待，给出的建议自然就失了准头。

### 第二步：搜索假设时也要"因材施教"

有了这个研究者画像，接下来就是整个流程中最核心的一步：如何搜索出适合这个人的研究假设。

论文设计了一个打分公式，给每一个候选的研究假设h打分：

U(h | g, u) = α × 新颖度 + β × 相关度 + γ × 可行性

这三项分别对应新颖性（Novelty，这个想法在整个领域文献里是不是新的）、相关性（Relevance，这个想法跟目标是不是对得上）、可行性（Feasibility，这个想法在这个研究者当前的资源和能力条件下能不能做出来）。而且这三项的评估全都嵌入了研究者的上下文c_u。

这里作者特别强调了一个细节：不是用一个二元的"是否新颖"的门槛去筛选假设，而是给每个假设按这三个维度综合打分排序。

为什么这个区别很重要？因为同一个想法，对不同的人价值完全不一样。对一个刚入门的研究者来说可能高不可攀，对一个业内老手来说可能显得太基础没意思，但对第三个人，恰好因为他在关系网里站的位置特殊，这个想法反而是一次可信的、能真正实现的突破。

这就好比给三个人推荐同一道菜的食谱。对一个从没下过厨的人，这道菜的难度可能是灾难级的；对一个米其林大厨，这道菜简单到不值一提；但对一个刚好手头有稀缺食材、又练过相关刀工的中级厨师来说，这道菜恰好是他能做出惊艳效果的最佳选择。如果只用一个"好不好吃"的通用标准去打分，完全会错过这第三种最有价值的匹配。

### 第三步：整个流程都要跟着这套逻辑走

论文提出的完整算法叫Personalized Auto-Research（个性化自动科研），流程大致是这样的：

先构建研究者的图表示z_u和上下文c_u，再用这个上下文去检索出针对这个人量身定制的文献证据集R_u(g)。这里有个细节值得单独说：检索出来的文献不是"跟目标主题最相关"的文献，而是"跟目标相关、同时对这个具体研究者有用"的文献，会考虑这个人的方法背景、合作者、资源条件、他在关系网中的位置。

接下来进入假设搜索的循环，这部分用的是一种叫做"智能体树搜索"的机制，一个实验管理器负责挑选当前值得深入的部分状态，语言模型负责往下扩展新的候选方向，每个候选假设都按前面提到的公式打分。打完分之后再实际写代码去实现、跑实验、生成图表。

论文特别提到一个很容易被忽略的点：连图表的呈现方式都可能要因人而异。一个做图挖掘的研究者和一个生物医学背景的合作者，看同一份定量结果，需要的可视化编码方式和专业术语完全不一样。

在这个循环的每一轮，研究者本人还可以选择性地对当前最好的候选方案提出反馈意见，这个反馈会被记录进研究者的信号集合，重新编码进上下文向量。这一点和现有的一些"人机协作"系统本质不同：现有系统的人类反馈只在当次会话中起作用，会话结束反馈就消失了；而这里的反馈是持久化的，会真正改变系统对这个人的长期理解，无论是同一次运行内还是跨越多次运行。

最后一步是把排名靠前的几个候选方案写成完整的、可复现的"研究包"，里面打包了假设本身、打分、代码、实验输出、图表、论文草稿、自动生成的审稿意见，以及全程的溯源记录，方便随时审查"这个方案为什么会被推荐给这个特定的人"。

打个比方，这就像一个私人健身教练根据你的体检报告和过往训练记录，动态调整你的训练计划，而不是给所有会员发同一张标准课表。如果只在"选动作"这一步做个性化，别的环节还是套用统一模板，比如推荐的训练强度跟你实际体能不匹配，或者训练总结里用的专业术语你根本看不懂，那这个"个性化"其实只是徒有其表。论文里管这种"只改一处不改全局"的做法叫"内部不一致"，意思就是它自己都打自己脸。

怎么判断这套系统到底行不行

设计出一套个性化系统只是第一步，更难的问题是：怎么知道它真的有用？

论文这里提出了一个相当诚实的判断：直接拿"这个研究者后来真的发表了什么论文"去当作评判标准，其实是个有缺陷的代理指标。

为什么？因为历史记录只反映了这个研究者实际走过的那条路，而这条路是被经费、导师意见、审稿运气这些偶然因素塑造出来的，并不是"最优选择"的记录。如果一味按这个标准打分，系统反而会因为推荐了一个比研究者实际做的更好的方向而被扣分，这显然是荒谬的。

于是论文提出了三条更合理的评估思路。一是可行性匹配，看推荐的方向是不是真的能用这个研究者现有的能力和资源执行下去。二是专家评估质量，让不知情的专家来判断这个想法对于这个具体研究者背景来说是不是新颖、有意义、恰如其分。三是长期影响追踪，看长期使用这套系统的人，他们的研究工作在多年后是不是产生了更大的影响力。

同时论文也提供了一种可以自动化、可规模化的必要条件检验方法：把某个研究者过去某个时间点之后发表的论文暂时"藏起来"，只用这个时间点之前的记录去构建c_u，然后看系统能不能"复原"出跟这篇被藏起来的论文类似的假设和实验路径。如果能复原，说明c_u里确实携带了这个研究者的有效信号；如果同时不同背景的研究者输入同一个研究目标却得到了明显不同的结果，那更能说明系统真的在"因人而异"，而不是走个形式。

这个检验方法虽然聪明，但作者也坦白承认，它只能验证"系统有没有捕捉到研究者特征"，没法验证"这个推荐到底好不好"，这是两回事。

论文没有回避的几个硬骨头

这篇论文很难得的一点是，它没有把自己包装成一个已经解决问题的方案，而是花了相当篇幅去讨论几个至今没有答案的深层矛盾。

第一个矛盾，作者称之为"创造力坍缩"。如果一个不针对个人的AI系统被无数研究者同时使用，那所有人得到的建议会越来越趋同，全世界都在追逐同一批"看起来最优"的想法，而那些只有特定的人、站在特定位置才能想到、才能做成的方向，反而被忽略了。论文认为，个性化本质上是一种给整个学术生态"去相关性"的机制，而不只是为个人提供便利。这里有个更精细的设计思路：不是简单地让AI去模仿这个研究者过去做过的事，而是要奖励那种"通用模型想不到、这个人自己过去的工作里也没有，但基于这个人积累的经验又完全说得通"的想法，论文管这个叫"反事实互补性"。

第二个矛盾是研究者生命周期不同导致的问题。一个资深教授拥有密集的关系网，对他来说价值往往藏在相邻但还没被开发的领域，或者藏在连接两个圈子的那座桥上。而一个刚入行、履历稀薄的新人，AI系统甚至要帮他先建立起一个研究身份，而不是延伸一个已经存在的身份。论文指出这已经超出了传统机器学习里常说的"冷启动问题"，因为这里连优化目标本身都是随着研究者所处的阶段在变化的。

第三个是团队场景的扩展问题。绝大多数有影响力的研究成果其实是团队做出来的，不是单个研究者。论文里给出了一个扩展思路，把单个研究者u替换成一个团队T，团队的上下文c_T是每个成员上下文的某种聚合。这里有个很有意思的不对称性：团队能做的事情的可行性取决于"团队里至少有一个人能做到"（取最大值），而新颖性要看整个团队过去工作的并集，框架的表述方式则要能被团队跨越的所有学术社群都理解（更接近取交集）。这个不对称性恰恰解释了人们为什么要组团队搞科研：一个人擅长实验，一个人擅长写作，一个人擅长争取资源，合在一起能做的事远超单打独斗的加总。但论文也诚实地指出，怎么把团队里互相冲突的偏好揉成一个统一的上下文，这本身是个社会选择理论的难题，牵扯到多方隐私保护也会更复杂。

第四个是评估本身的根本困境，前面已经提到了一部分：我们真正想知道的量，也就是"某个推荐方向对某个具体研究者到底有多大价值"，这个量从来就没有被真实观测到过。历史只留下了一条实际发生的轨迹，没有留下"如果当初走了另一条路会怎样"的平行宇宙记录。论文承认，要真正解决这个问题，只能依靠专家评审、多年跨度的追踪研究，或者干预式的反事实实验设计，这些都还有待未来的工作去搭建。

Q&A

Q1：个性化自动科研（Personalized Auto-Research）到底是什么？

A：这是论文提出的一个新问题定义，指的是让AI自动做科研的整个流程，从文献检索、假设生成、实验设计到论文写作和审稿，全部基于对具体研究者身份、能力、资源和所处学术网络位置的理解来运作，而不是给所有人返回同样的通用结果。

Q2：现在的AI co-scientist系统存在什么问题？

A：论文指出目前主流的AI Scientist、AI Scientist-v2等系统都是"科研者无关"的，也就是同样的研究目标输入进去，不管是谁在提问，得到的结果分布几乎一样，这会导致研究方向趋同、忽略特定研究者才能发现的独特方向，也会导致推荐脱离实际资源和能力的问题。

Q3：怎么判断一个个性化科研系统是不是真的有效？

A：论文提出可以用"藏起某篇论文再让系统尝试复原"的方法做初步验证，同时更完整的评估需要结合可行性匹配度、专家盲评、以及长期影响力追踪这三个维度，单纯用研究者实际发表过的论文做比对是有缺陷的，因为那只反映了历史上偶然走过的一条路，不代表最优选择。