绘制未知：人工智能与发现我们尚不知道的事物

每年有数百万篇学术论文发表，科学面临着一个悖论：信息肥胖使我们无法理解我们不知道的东西。如今，基于人工智能的代理分析浩瀚的文献档案，以识别矛盾、被忽视的分支和方法论局限，创造出真正的“未知地图”。但存在一个认识论陷阱：数据库中数据的缺失并不等同于科学空白。如果人工智能标记出一个空白，它可能只是反映了语言障碍、付费墙或错

几个世纪以来，研究者的形象一直与孤独的探险家联系在一起，埋头于尘封的典籍中寻找真相的碎片。今天，科学面临着截然相反的问题：信息肥胖症。随着每年数百万篇科学论文的发表，人类大脑在物理上已无法勾勒全球知识的边界。当我们再也无法读完我们所知道的一切时，理解我们不知道什么就变得不可能了。

正是在这种认知饱和中，人工智能正在扮演一个前所未有的角色。它不再仅仅是计算工具或文本生成器，而是“无知的制图师”。先进的算法被训练来分析浩瀚的学术数据库，不是为了总结发现，而是为了凸显沉默、中断的线索、矛盾以及科学文献中明确声明的局限。

在本期场景与思考专栏的深度探讨中，我们将分析语言模型在学术差距分析中的应用。我们将揭示机器如何模拟未知，但同时也会提出必要的认识论警示：人工智能并非以客观方式“看到空白”。它只是向我们展示我们知识地图上较为稀疏的区域。至于地图上那块白色斑点究竟代表真正的科学鸿沟，还是仅仅是数据库的平凡局限，则有待人类判断来决定。

1. 超越关键词：智能体辅助探索

直到昨天，文献检索还基于精确匹配的查询（经典的关键词）。今天，正如发表在Nature Reviews上的一篇权威综述（“探索大语言模型在科学方法中的作用”）所阐述的那样，语言模型（LLM）利用向量嵌入进行语义搜索[1603]。这使人工智能能够“理解”文本的含义，支持研究者构思假设和设计实验。

当前的前沿是智能体框架（人工智能自主追求目标的系统）。ACM发表的一篇文献描述了一个“以人为中心”的人工智能智能体框架，专门设计用于搜索、筛选和分析科学文章以识别研究差距[1604]。这一过程——也由诸如AwesomeLit（在arXiv上最近一篇预印本中描述）等架构加以完善——并不仅限于下载文件[1607]。智能体映射论文之间的语义关系，提取方法论，突出作者本人在结论中声明的局限，并使论断的来源可见。结果不是一串链接，而是一个可导航的星图，引导新假设的形成。

2. 空白的分类学：机器在寻找什么？

但一个算法在技术上如何识别“缺失之物”？一篇专门讨论研究差距发现器框架的预印本提出了一个基础分类网格，用于训练机器（和人类学者）扫描未知[1609]。空白并非千篇一律。人工智能被编程来识别：

• 方法论差距：所有关于某一特定分子的研究是否都使用小样本或相同的（可能过时的）实验设计？
• 理论差距：是否存在论文中称为“可能”但从未被实证验证的因果机制？
• 应用差距：某项创新是否已在实验室中经过深入测试，但完全缺乏向现实世界的实际转化？

在商业层面，教育科技行业已经在将这些概念资本化。诸如SciSpace的Research Gap Finder等企业工具应用语义搜索和主题建模，为博士生和研究者提供可视化仪表盘[1610]。这些产品的目标是指出，例如，在数千篇关于某一特定疾病的论文中，90%使用了高收入国家成年人的样本，完全忽视了儿科群体或全球南方的人群。

机器所提供的还不是一个“发现”：它是一个信息量无限丰富的研究问题。

3. 数据的海市蜃楼：算法传感器的局限

整个分析中最微妙的步骤具有哲学和方法论性质。Nature Reviews的文章强烈强调，人工智能是支持工具，而非人类科学判断的替代品[1603]。原因很简单，但常被遗忘：数据库中的缺失并不等同于人类知识中的缺失。

如果一个算法向我们指出南美洲考古研究中一个令人兴奋的“空白”，我们必须问自己：这个空白是真实的，还是LLM模型因为主要用英语语料训练而无法访问用西班牙语或葡萄牙语撰写的学术文本？机器“看到”的空白可能取决于未被索引的文章、阻止商业全文的付费墙、不断演变的术语，或者非常简单地，一个构建糟糕的提示词。

此外，生成式语言模型是统计机器。它们永远面临着将两个词之间的弱相关误认为一个“被忽视”但重要的科学问题的风险。因此，RAG（检索增强生成）技术——即强制人工智能仅引用可从语料库中检索和验证的来源——是必不可少的，但如果没有学者的批判性语境化，永远是不够的。

关键操作要点（研究要点）

如何将这项技术转化为严谨的方法？SciSpace提供的一份实用指南勾勒了一个操作流程，研究者可以（也应该）采用它来保持对过程的控制[1613]：

• 局限提取：不要用人工智能来总结整篇论文。给它提供一百项研究，明确要求仅提取和概括每篇文本中“研究局限”（Limitations）段落，以发现共同模式。
• 时间测试（旧 vs 新）：利用人工智能将过去两年的研究与十年前的同一主题研究进行比较，要求机器突出哪些过去的争议被简单地“搁置”而从未得到解决。
• 强制性人工验证：将算法识别的每一个差距视为幻觉，直到证明相反。将差距假设提交给人类专家和独立数据库（未包含在人工智能训练集中的）审查，以确认那个“白点”是否已被其他学科绘制过。

结论：科学的地图与疆域

人工智能并不能从帽子里变出未知。它更像是为我们提供了一副红外眼镜，让我们观察科学这座宏伟建筑，使我们能够注意到结构性裂缝、不完整的地基，以及我们忘记建造的侧翼。

然而，如同任何测量工具一样，人工智能拥有不可避免的盲区，这由其数据的语言、创造者的偏见以及学术出版界的付费墙所决定。革命不在于要求机器帮我们发现未知，而在于利用其计算能力以外科手术般的严谨来框定我们的无知。

面对对这种新型智力自动化的狂喜，我们必须始终保持方法论上的怀疑：当一个算法在科学地图上标记出一个白点时，它究竟是在揭示该学科一个深层的、未被探索的局限，还是仅仅在承认我们自己给它阅读的数据、语言和来源的局限？

参考文献与来源

• Exploring the role of large language models in the scientific method — Nature Reviews [1603]
• Agentic AI Framework for Literature Discovery, Filtering, and Gap Analysis — ACM [1604]
• AwesomeLit: Towards Hypothesis Generation with Agent-Supported Literature Exploration — arXiv (Preprint) [1607]
• Research Gap Finder — SciSpace [1610]
• Research Gap Finder & Hypothesis Generator — Preprint Framework [1609]
• How to use AI to detect research gaps in your field — SciSpace Guide [1613]

文章由La Bussola dell’IA编辑部撰写