LLM能否挖出真问题：破译学术品味，跳出文献孤岛？

人类探索科学的历史里，最难得也最难把握的时刻，常常不是严密的实验验证，而是最初那道思维火花——一个真正有意思的科学设想。提一个好问题，通常比解决一个已有问题更能带动科学范式发生转移。

眼下知识正以前所未有的速度膨胀，全球每年发表的学术论文数以百万计，文献的汪洋把各个学科隔成了一座座孤岛。对一线科学家来说，想跳出固有轨道、在学科交汇处找到颠覆性的灵感，越来越像大海捞针。大语言模型（LLM）等人工智能技术快速推进，于是有了一个颇具野心的设想：AI能不能当科学探索的“缪斯女神”，自己构想出足以启发顶尖学者的前沿课题？

一项研究在2026年11月9日刊登于PNAS，出自德国马克斯·普朗克光学研究所与图宾根大学的研究团队之手。他们搭建了一套能串联5800万篇论文演进脉络的科学创意系统SciMuse，同时开展了一场此前无人做过的实证检验：让马克斯·普朗克学会的110位研究组长，对AI生成的4400余个个性化跨学科科研构想逐一实名盲审，标准从严。

这不只是算法工程层面的探索。科学界第一次用这样严密的数据，让AI创造力与人类顶尖学术直觉正面交锋。

从论文海洋中搭一张科学知识地图

要让AI提出靠谱且有深度的科研创意，绝非在对话框里敲一句“请给我一个前沿课题”就行。通用大语言模型很容易给出天马行空却没法落地的空想，或者把人尽皆知的陈词滥调拼在一起。

为了给AI一张坚实且结构化的科学“认知地图”，研究团队先花数年时间构建了一张庞大的科学知识图谱。他们从arXiv、bioRxiv、ChemRxiv和medRxiv等预印本平台的海量文本入手，用自然语言处理算法，配合严格的多轮规则过滤与GPT-3.5辅助清洗，最终沉淀出123,128个核心科学概念。

接着，研究团队把这套概念坐标投射到OpenAlex数据库收录的逾9200万篇学术论文中。两个概念只要在同一篇论文的标题或摘要里共同出现，图谱中就建立一条连边。最终建成的动态知识图谱包含超过1.68亿条连边（由15.2亿次共现聚合而成）、涵盖5800万篇论文。这张图谱在时间上跨越了漫长的历史——它的第一条连边，可以追溯到罗伯特·胡克（Robert Hooke）在1666年发表的关于木星和土星观测的天文论文。

全景图谱建成之后，研究团队据此做出了创意生成系统SciMuse。单一学者视角容易带来同质化思维，为绕开这一点，SciMuse的任务被设定成“促成两位科学家的跨界合作项目”。

具体运作上，系统先抓取两位科学家近两年的代表作，在知识图谱中投射出各自的学术子图，再提取出代表两人前沿方向的概念对；随后把这些概念连同学者的研究背景一起输入GPT-4。还有一点很严谨：系统没有采用常规的单次生成，而是引入了一套“自我反思与批判性修正机制”（Self-reflective Critique-and-Revision）：

概念阐释：先让模型说清两个核心概念的科学内涵；

跨界结合：构想多个可能的融合研究场景；

自我批判：以严苛同行的眼光，深度审视这种结合到底是“强扭的瓜”，还是具有内在逻辑自洽性的必然融合；

迭代定稿：经过多轮自我反思，最终提炼出严整的研究标题、科学目标与核心科学问题。

让专家评价“有没有趣”

科学想法好不好，很难压缩成一个数字。新颖、重要、可行、独特与有趣这几项彼此牵连，却各有各的含义：有的想法新颖，但不易理解；有的想法重要，看上去却平平无奇；有趣的构想也未必立刻能动手做。论文把“兴趣”看作一种早期信号——想法能否勾起专家的好奇，让他们愿意再想一想、聊一聊。至于专家是否一定立项、投入资源，或认定该课题最重要，它并不代表。

评价环节请来的是马克斯·普朗克学会的研究团队负责人。267位受邀者里，110位交回了调查，分布在54个研究所；参与者以自然科学领域为主，人文与社会科学的研究者偏少。每人拿到48条个性化研究建议，分别对应上述三种生成条件，在不知道潜在合作者是谁的前提下，按1至5分给“有趣程度”打分。研究最终回收4,451份有效评分，约占可获评分数的84.3%。

结果：有些选题的确令人眼前一亮

第一，科学趣味的“二八定律”

评分满分为5分，专家打出的平均分是2.40分，出现最多的分数为1分，占36.7%。一线科学家的挑剔与严谨，在这里看得很清楚——顶级学术殿堂里，平庸的建议激不起任何涟漪。

不过也有让人振奋的一面：有24.9%的AI构想拿到4分或5分的高分评价（其中394个提案斩获5分满分）。也就是说，AI抛出的想法里，每四次出手就有一次能切实触动顶级学者的科研神经。

第二，预测引用率与“有趣”竟然脱节

对照实验设了三种生成条件：基于图谱预测的高被引概念对、图谱随机概念对，以及只给论著标题、不提供概念的纯GPT基线。统计结果出现了一个颇带哲学意味的反转：按预测高被引概念生成的项目，平均趣味得分2.35，没能赢过纯文本基线的2.41，还以微弱的统计学趋势（1.94σ）低于随机概念对的2.45。

更深入的图谱特征关联分析把原因挖了出来：传统科学计量学里，概念的节点度越高、PageRank排名越靠前、历史引用量越大，算法越容易判定它未来会“高被引”。可放到真实的科研心理中，这些特征往往指向已被过度开采的“学术热点”或陈旧套路。

在普通人看来是热点的方向，先锋科学家反倒觉得没意思。概念在知识图谱上的节点度、中心度，跟专家给出的趣味性打分都呈明显负相关。这背后是一个挺实在的道理：搞科研是要往没人去过的海域闯，而不是守着一口已经探明的油田一遍遍往下钻。

第三件事，AI和人类精英比，到底谁更强？

为了把评价的标尺校准，团队还设计了一项基准测试：请来7位资深物理学博士生，在严格限定的10分钟、断网、没有任何辅助的条件下，依据同样的材料，为6位PI写出148个合作提案；另一边让GPT-4和更新一代的GPT-5.2写出对应提案，再做双盲评审。

分数出来了：人类博士生的高分率（4-5分）是29.1%，GPT-4是25.0%，GPT-5.2则达到32.5%。从统计上看，当下前沿大模型拿出的构想，质量已经足以和受过顶级学术训练的高年级博士生掰手腕。

拆解“学术品味”：让“有趣”变成可以研究的题目

这项研究里最有开拓性的一点，是把过去被当成玄学、全凭经验和直觉的“科学品味”，变成了能量化、能建模、能预测的数学对象。既然知识图谱的拓扑特征和专家的趣味打分之间存在内在联系，那机器能不能提前判断哪个Idea会戳中人类的心？团队为此铺了两条预测路线：

第一条走图谱特征加有监督神经网络：完全不输入任何文本，只挑出25个图谱拓扑特征，训练一个精简的前馈神经网络，用来预测高兴趣度（4-5分）。蒙特卡洛交叉验证中，这个网络的ROC-AUC为63.20%；推荐系统最看重的Top-5精准率上，它做到49.20%，明显高过随机筛选。

第二条走大模型的零样本（Zero-shot）排序：不给任何人类标注的先验数据，直接让GPT-4o做成千上万次两两对抗的Prompt提示，再用类似国际象棋的ELO积分系统让提案自己排位。结果很出人意料：分类任务里GPT-4o的ROC-AUC达到67.44%，Top-5精准率也有45.76%。

也就是说，机器不光能“写出”构想，还在学着像学术评审委员会那样，对科研创意做“品鉴”和“分流”。这种能自己筛的能力，为将来在大规模搜索空间里自主挑出高价值科学假设铺了路。

结语

心理学和科学学里，“有趣”是一种认知情绪，它卡在“熟悉”和“不可思议”中间。研究里有个很关键的发现：合作学者之间的语义距离，跟专家的兴趣评分呈明显负相关。换句话说，两个学科隔得太远时，AI硬凑出来的创意表面上新颖度很高，可因为缺少跨学科的知识接口、实验上也做不出来，最后往往成了不着边际的空想。

所以，真正有生命力的科学创意，总是落在“惊喜到足以颠覆认知”和“落地到足以付诸实践”这个精妙的平衡点上。到头来，AI不会替代科学家；但会用AI把认知边界往外推的科学家，或许能先推开未知世界的那扇门。

参考文献

Gu, X., & Krenn, M. (2026). Generating interesting scientific ideas using knowledge graphs and LLMs: Evaluations with 100 research group leaders. Proceedings of the National Academy of Sciences, 123(46), e2611349123.