MLNLP社群是國內外知名的機器學習與自然語言處理社群，受眾覆蓋國內外NLP碩博生、高校老師以及企業研究人員。

社群的願景是促進國內外自然語言處理，機器學習學術界、產業界和廣大愛好者之間的交流和進步，特別是初學者同學們的進步。

來源 | 專知

論文連結：https://arxiv.org/pdf/2507.01903

近年來，人工智慧（AI）領域取得了顯著進展，特別是在諸如 OpenAI-o1 和 DeepSeek-R1 等大型語言模型（LLMs）方面，已在邏輯推理和實驗程式設計等複雜領域展現出卓越的能力。受這些進展的啟發，眾多研究開始探索 AI 在創新過程中的應用，尤其是在科學研究背景下的潛力。這些 AI 技術的核心目標，是構建能夠在廣泛科學學科中自主執行研究流程的系統。儘管該領域取得了重要進展，但關於“AI for Research（AI4Research）”的系統性綜述仍然缺失，這在一定程度上限制了人們的整體理解，並阻礙了該方向的進一步發展。

為填補這一空白，我們提出了一項全面的綜述工作，並提供了關於 AI4Research 的統一視角。具體而言，我們的主要貢獻如下：

系統性任務分類：我們首先提出了一種系統的分類方法，用於歸納 AI4Research 中的五類主流任務；
研究前沿與挑戰：接著，我們識別了當前研究中的關鍵空白，並重點討論了未來的潛在方向，特別是在自動化實驗的嚴謹性、可擴充套件性以及其社會影響方面；
豐富的應用與資源：最後，我們整理了大量相關資源，包括多學科應用案例、資料語料庫及工具，便於研究者快速獲取並加以利用。

我們希望本項工作能夠為研究社群提供高效的資源入口，並激發 AI4Research 領域的創新性突破。

* 共同第一作者通訊作者

關鍵詞：AI4Research，大型語言模型，科學理解，學術綜述，科學發現，學術寫作，學術評審

1. 引言

近年來，人工智慧（AI）尤其是大型語言模型（LLMs）的興起，如 DeepSeekR1 [263]，極大地推動了推理領域的研究。這些技術突破顯著提升了模型在多個領域中的表現，包括數學推理、程式設計以及跨學科知識處理等方面 [724, 748, 616, 931, 947, 110]。其中一些模型甚至已透過圖靈測試 [352]，標誌著 AI 發展的一個重要里程碑。

受此啟發，一系列研究開始探索用於創新任務的先進 AI 系統，尤其是在科學發現方面的潛力 [863, 887, 847, 948]。早期的研究中，AI Scientist [507] 提出了“全自動 AI 科研系統”的概念，將科研流程劃分為三個關鍵階段：創意挖掘、實驗執行與學術寫作。該系統首先生成並評估新的想法與假設；一旦假設形成，便自動執行實驗，輸出包括數值資料與視覺化結果在內的研究成果。這些結果透過表格和影像呈現，並附有合理解釋，最終生成一份 LaTeX 報告。在最後階段，AI Scientist 還會自動生成評審意見，用於完善專案併為後續科學發現提供反饋。

類似地，其他經典模型如 Carl [330] 和 Zochi [12] 也採用了類似的流程。值得注意的是，AgentArxiv [665] 和 AgentLab [666] 引入了多智慧體協作機制，模擬科研團隊中的分工協作，涵蓋了同行評審、學術綜述等功能，從而實現了半自動甚至全自動的協同研究過程，而非依賴單一智慧體 [478, 870, 112, 658, 53]。

儘管上述工作取得了顯著進展，目前仍缺乏對 AI 驅動科研的系統性綜述，無法全面分析其中的關鍵因素與最新發展，嚴重製約了該領域的持續推進。

為彌補這一空白，我們首次系統定義並綜述了“AI for Research”（AI4Research）這一領域。如圖 1 所示，我們提出了 AI4Research 的系統性任務分類，重點涵蓋以下五個方面：

面向科學理解的 AI：AI 系統提取科研文獻中相關資訊的能力至關重要；
面向學術綜述的 AI：利用 AI 技術系統性地回顧與總結科研文獻；
面向科學發現的 AI：基於現有科學知識生成假設、理論或模型；
面向學術寫作的 AI：輔助研究人員撰寫、編輯與排版科研論文；
面向學術評審的 AI：用於評估與反饋科研論文的質量。

面對龐大的文獻規模，我們特別強調了 AI4Research 的潛在研究前沿。未來的研究應優先發展能夠融合多學科知識的跨領域 AI 模型，以促進跨學科協作；同時，解決 AI 系統中的倫理問題與偏差對於確保科研的公平性與透明度至關重要；提升模型可解釋性、開發具備自適應能力的即時 AI 系統，以應對動態科學實驗，也將成為推動 AI 在科研中發揮更大作用的關鍵。

此外，我們還總結了 AI4Research 中的關鍵應用與重要資源，包括代表性的多學科應用案例、開源框架與資料集倉庫，以支援未來的深入研究。我們分別介紹了 AI 在自然科學、應用科學與工程、以及社會科學領域的研究實踐。最後，我們回顧了模型開發中的關鍵工具與公開評測基準，這些都為訓練與實驗提供了豐富的資料支援。

本工作的主要貢獻如下：

科研 AI 的系統性分類方法：本文提出了一套完整的分類體系，涵蓋科學理解、學術綜述、科學發現、學術寫作和學術評審五大方面，系統梳理了能夠增強甚至自動執行科研各階段任務的 AI 工具；
新興的未來研究方向：本文識別了 AI 在學術界的重要未來研究方向，包括髮展跨學科 AI 模型、應對倫理與偏差問題、提升模型可解釋性，以及探索用於動態科學實驗的自適應 AI 系統；
關鍵應用與豐富資源：我們系統彙總了 AI4Research 在自然科學、應用科學與社會科學領域的典型應用場景，並梳理了支撐科研流程的關鍵資源，包括開源框架、公共資料集、協作平臺、雲端 AI 服務與學術工具，涵蓋科研發現管理、資料處理和 AI 驅動研究等多個方面。