斯坦福团队研究：AI生成的科研想法比人类专家更有创意，但无法替代人类 - 链载Ai

对于大语言模型（Large Language Model，LLM）而言，提出新的想法并不难，真正难的是，提出那些新颖且有价值的想法。

如同 Wolfram 所说：“实际上，做出原创性的工作是非常简单的，你只需选择一堆随机数。那些随机数序列非常出人意料、有创意、也很有独创性，但这对我们来说，并没有太大意义，我们真正感兴趣的是那些有原创性而‘有趣’的东西。”

图丨此前谷歌发布的 AI 搜索曾产生一系列的谎言和错误信息，包括建议在披萨食谱中使用胶水以及摄入石头来补充营养等，引起轩然大波（来源：New York Times）

因此，要评估 AI 想法的新颖性，必须要附带一个额外条件：它们至少要与人类专家提出的想法水平相当。

但目前，还没有相关研究证明 LLM 系统能够生成达到专家水平的新颖想法。

于是，为了弥补这方面研究的缺失，探明 AI 在科学研究中的创新潜力，来自斯坦福大学的研究团队展开了一项研究，对当前 LLM 是否能够生成人类专家级的创新性研究想法进行了探究。

为了进行对比，团队招募了 104 位 NLP 研究者，让其中 49 位写下创新研究想法，然后再让 79 位专家对 LLM 和人类给出的思路进行盲测（其中有 24 位也参与了想法的撰写，但他们不会审查自己的想法）。

而与他们对垒的主干模型则是 claude-3-5-sonnet-20240620，同时结合了 RAG 论文检索、创意生成和创意排名等功能，以更好地产出科研思路。

实验设置的研究问题与七个主题相关：偏见、编程、安全性、多语言、事实性、数学和不确定性，而最后的评估则主要围绕新颖度、令人兴奋的程度、可行性和有效性四个维度展开。

先说主要结论，与人类专家的想法相比，LLM 生成的想法更为新颖（p < 0.05），但在可行性方面则相对逊色。

在设置好问题后，人类专家与 LLM 会生成与之相关的研究思路，而这些思路需要被书写出来并用于交流时，其价值才能被评估，然而，这一过程本身却带来了额外的挑战。比如，人类研究人员在表达自己的研究设想时，往往会通过更丰富的例子和详细的实施方案来增强说服力，这无形中增加了评估的复杂性。

为了解决这个问题，研究者设计了一套模板，让所有人按照同样的格式提交创意提案，包括标题、问题陈述、方法建议等内容。同时，他们还使用了一种风格标准化工具，将所有提案转换成统一的写作风格，避免了个人风格对评分的影响。

另一方面，对研究思路的审查也同样不可避免地具有主观性。因此，研究团队参考一些 AI 顶会的评审，设计了一份详细的审查表，明确了所有评估标准，力求使评估过程更加标准化。

除了给出总体评分外，还设定了四个具体的评估指标：新颖性、吸引力、可行性和预期效果。评审员需要根据指标给出 1-10 的分数，并附上理由说明。

除了人类专家提出的与 AI 自动筛选出（AI Ideas）的想法，研究者还从 AI 生成的想法中手动筛选出了一些最为优秀的（AI Ideas + Human Rerank），以评估 AI 创意的最大潜力。

最终的结果如上所述，无论是 AI Ideas 还是 AI Ideas + Human Rerank，都在新颖性方面显著优于人类专家的想法（p < 0.01）。在可行性方面，则稍有逊色。而在激动人心（excitement）评分上，AI 生成的思路的优势更为明显（p < 0.05）。

即使是由人类重新排序的 AI 思路，其整体得分也超过了人类专家提出的想法（p < 0.05）。至于有效性方面，AI 生成的思路得分略高于人类思路，但差异不大。

不过，需要注意的是，尽管 LLM 有能力生成大量的创意，但这些创意的多样性有限。团队分析了每个主题下生成的 4000 个想法，发现新想法中非重复的比例逐渐下降，最终趋于稳定。4000 个想法中只有200个是非重复的。

图丨新生成想法中非重复想法的百分比；随着AI不断生成新想法，累积的非重复想法（来源：arXiv）

而且，在评估创意的能力上，LLM 也远不如人类专家。例如，表现最好的 LLM 评估者——Claude-3.5 成对排序器，其准确率只有 53.3%，而人类评审员之间的评分一致性为 56.1%。

这么看来，AI 的确有能力提出很多有价值的新颖想法，或许在很多时候能给我们带来意想不到的惊喜，但至少目前为止，AI 科学家，尚未成为现实。

只有人类与 AI 协作起来，才能达到 1+1＞2 的效果，而进一步探索如何优化这种协作方式，也是研究团队未来的目标之一。