很多科研人，現在都會藉助AI工具進行學術創作/科研工作，無論是文獻檢索整理、內容修改潤色，還是拓展創新維度，AI都能提升研究效率。
但在使用DeepSeek、ChatGPT這類AI的過程中，總會遇到生成的內容參考文獻不存在的情況，為了保證學術的嚴謹性，一個個搜尋驗證反而增加了工作量。
對於這個問題，使用AI搜尋產品，比如perplexity、秘塔AI等，相對更有優勢，透過先搜尋再歸納總結的方式，有效減少了大模型幻覺。
只是perplexity沒有專門的學術資料庫，日常我更多會使用秘塔AI，它的“學術搜尋”有千萬級資料庫，不僅引用的每個參考文獻都是真實的，還在回答中進行了標註，點選就可以溯源查證。
前段時間它們還引入了DeepSeek R1，效果得到了一定的提升。
在研究模式（先想後搜）下，DeepSeek R1會先對問題進行步驟拆解，再由秘塔在自己的資料庫中搜索每個步驟所需的相關資料，最終基於數百個真實文獻整理分析回答，非常適合我們做調研、寫survey。
以我最近遇到的強化學習領域的問題“如何降低Policy Gradient演算法的複雜度”為例。
秘塔AI將問題拆解為幾個方面來搜尋、分析、整理。
整體的回答還是有些驚喜的。
基線（Baseline）引入和重要性取樣（Importance Sampling），可能大家都比較熟悉，是通常在RL的程式碼實現中會用到的方法。
但除此之外，秘塔AI擴充套件了方差縮減的各種理論支援、數學假設，還有海森矩陣、單迴圈結構、Fisher非退化策略、線性MDP假設，給希望深入理論研究的朋友們提供了過於足夠的資訊。
▲上下滑動，檢視更多
點選腳註，可以直接開始學習對應的論文。如果我們能把這些回答中包含的全部論文都研讀一遍，相信很快就會成為這方面的專家了（不是。
我又試了一些天馬行空的創新性跨界研究，秘塔AI也能認真思考其中的可行性，並給出一份有條理的提案：
▲上下滑動，檢視更多
在回答的最後，羅列了所有的參考文獻，每一個都是真實的。
大家可以用自己正在研究的領域搜尋體驗，秘塔AI的使用地址貼在這裡：metaso.cn
科研就像蓋房子，既要學會藉助合適的工具快速搭建，還要確保每個磚塊都不是“空心磚”，這樣才能建的又快又好。希望這篇分享能真正幫助大家提升一些科研效率！
🔍
現在，在「知乎」也能找到我們了
進入知乎首頁搜尋「PaperWeekly」
點選「關注」訂閱我們的專欄吧
·
·
·
▼ 點選「 閱讀原文」，立即體驗