AI Can Learn Scientific Taste：当AI学会「品味」科学

> 论文：AI Can Learn Scientific Taste > 作者：Jingqi Tong, Mingzhe Li, Hangcheng Li 等（复旦大学 + OpenMOSS团队） > 论文链接：https://arxiv.org/abs/2603.14473 > 代码仓库：https://github.com/tongjingqi/AI-Can-Learn-Scientific-Taste

---

一、一个古老的假设：科学品味能教吗？

科学界有一个长期争议：科学品味（scientific taste）是天赋还是训练的结果？

伟大科学家常被描述为拥有某种神秘的「直觉」——他们能预判哪个方向值得投入，哪篇论文会被引用千次，哪个看似平凡的问题藏着金矿。这种能力被归为「品味」，暗示它是不可言传的、近乎艺术鉴赏力的人类特质。

但这篇论文说：不对。科学品味可以被学习，而且AI已经学会了。

---

二、核心问题：AI科学家缺什么？

当前AI for Science的研究主要聚焦两个方向： 1. 文献检索：帮AI科学家找到相关论文 2. 自动实验：让AI科学家动手做实验、写代码

但有一个致命缺口：AI科学家知道「怎么做」，却不知道「做什么」。

它能执行你给的研究计划，但无法判断这个计划是否值得执行。它能生成新想法，但无法分辨哪些想法有真正的影响力，哪些只是 superficially novel but trivial（表面新颖实则平庸）。

这就是人类科学家与AI科学家的核心差距：品味。

---

三、RLCF：把社区反馈变成监督信号

3.1 灵感来源：休谟与康德的 taste 哲学

论文的开篇引用非常精彩——它从哲学出发，把科学品味锚定在已有思想上：

• 休谟说：taste 的标准不是任意个人偏好，而是「合格评委的集体裁决」
• 康德说：taste 是一种 sensus communis（共同感），考虑的是「他人会如何评判」，而非仅个人感受

在科学语境中，这种「集体裁决」就是引用。一篇论文被引用的次数，是科学社区对它价值的长期投票。

3.2 从绝对信号到成对偏好

原始引用数有个大问题：领域偏差和时间偏差。

• 热门领域（如机器学习）的引用数天然高于冷门领域（如拓扑学）
• 老论文的引用数天然高于新论文

作者的处理方式极其优雅：把绝对引用数转化为成对比较。

构建 SciJudgeBench 数据集：

• 从 210 万篇 arXiv 论文中筛选
• 每对论文满足两个约束：同领域 + 同年份
• 引用数更高的那篇标记为「更优」
• 最终得到 70 万对 成对偏好数据

这消除了领域和时间的 confounding factors，让 pairwise signal 更直接反映社区对「高影响力研究」的偏好。

3.3 训练范式：RLCF（Reinforcement Learning from Community Feedback）

RLCF 分三个阶段：

阶段一：社区偏好构建

• 从引用数据中提取成对偏好信号

阶段二：偏好建模——训练 Scientific Judge

• 用 GRPO（Group Relative Policy Optimization）训练一个生成式奖励模型
• 输入：两篇论文的标题和摘要
• 输出：推理过程 + 判断哪篇更有影响力
• 奖励：判断正确得 1，错误得 0

阶段三：偏好对齐——训练 Scientific Thinker

• 用 Scientific Judge 作为奖励模型
• 训练策略模型生成「有潜力的高影响力研究方向」
• 关键创新：Comparison-Based GRPO

---

四、Scientific Judge：AI学会了预判

4.1 它做什么

Scientific Judge 是一个生成式奖励模型。面对两篇同领域同年份的论文，它会： 1. 分析各自的主题、方法、潜在影响 2. 生成一段推理（类似人类审稿人的思考过程） 3. 给出判断：A 更有影响力，或 B 更有影响力

表 2 展示了一个真实案例：面对两篇 2025 年 7 月发表的论文，30B 参数的 Scientific Judge 正确预测了哪篇会被引用更多，推理涉及「主题普适性」「长期影响」「引用动态」等维度。

4.2 缩放规律：数据越多，模型越大，判断越准

图 3 展示了清晰的 scaling trend：

数据缩放：

• Qwen3-4B：从 60.3% → 75.3%（准确率）
• Qwen3-30B：从 66.3% → 80.6%
• 关系近似 log-linear

模型缩放：

• Qwen2.5 系列：1.5B → 72.1%，3B → 73.2%，7B → 76.9%，14B → 80.6%，32B → 83.7%
• Qwen3-30B 超过所有列出的闭源模型（GPT-5.2、Gemini 3 Pro 等）

Takeaway：科学品味是可学习的，而且遵循 scaling law。

4.3 泛化能力：比训练数据更聪明

泛化测试分三个维度，结果都令人惊讶：

时间泛化（Temporal OOD）：

• 训练数据只到 2024 年
• 测试数据是 2025 年发表的论文
• 准确率提升高达 +55.1 个百分点
• 说明引用数据捕捉到了稳定的社区价值信号，能外推到未来

领域泛化（Field OOD）：

• 只在 CS 数据上训练
• 测试在 Math、Physics、Other 领域
• consistently 提升所有领域的预测能力
• 说明科学品味有跨领域可迁移的底层模式

评价指标泛化（Metric OOD）：

• 训练信号是「引用数」
• 测试信号是「同行评审分数」（ICLR 投稿）
• 准确率提升高达 +72.0 个百分点
• 说明引用训练和评审偏好共享某种更深层的社区价值结构

表 7 甚至展示了生物学领域的泛化：在 arXiv（CS/Math/Physics）上训练的模型，在 bioRxiv 生物学论文上依然有效。

---

五、Scientific Thinker：AI不仅能判断，还能出题

5.1 Comparison-Based GRPO

训练 Scientific Thinker 面临一个核心挑战：没有 ground truth。

你让 AI 提出一个研究方向，怎么判断这个方向好不好？没有标准答案。

作者的解决方案是 Comparison-Based GRPO： 1. 给定一篇种子论文，策略模型生成 G 个候选研究方向 2. 把这 G 个候选做 round-robin 锦标赛——两两比较 3. Scientific Judge 做裁判，判断每对中哪个更好 4. 每个候选的得分 = 胜率（赢了多少场） 5. 用这些胜率作为 reward，训练策略模型

这避免了「给单个想法打分」的主观性，转而利用「比较两个想法哪个更好」的相对判断——后者对人类（和 AI）都更可靠。

5.2 效果：胜率超过基线

实验设置：

• 种子论文：2025 年高引用论文
• 训练集：4000 篇（1-7月）
• 测试集：200 篇 in-domain（1-7月）+ 200 篇 out-of-domain（8-12月）
• 策略模型：Qwen3-30B 和 Qwen3-4B
• 评估：用 GPT-5.2-high、GLM-5、Gemini 3 Pro 做评委，多数投票决定胜负

图 1（右）显示：Scientific Thinker 在 in-domain 和 out-of-domain 测试中都稳定超过未训练的基线模型。训练后的模型提出的研究方向，被更强模型评判为「更有潜力」。

表 1 展示了一个真实案例：给定论文《The Invisible Leash: Why RLVR May or May Not Escape Its Origin》，Scientific Thinker 提出的 follow-up idea 是「Uncertainty-Guided Exploration for Verifiable Reward Learning」——一个具体、有算法细节、有明确研究问题的方向。

---

六、为什么这个方法有效？

6.1 引用的信号价值

论文的核心论点是：引用不是随机数字，而是社区长期互动的沉淀。

一篇论文被引用，意味着：

• 后续研究者认为它值得参考
• 它的方法被复用、扩展、批评
• 它开辟了一个有价值的研究方向

这些信号虽然 noisy（有些论文被引用是因为错误、争议或跟风），但在大规模数据上，noise 被平均掉了，signal 浮现出来。

6.2 成对比较的优势

为什么不用直接预测引用数，而是用成对比较？

因为成对比较消除了 confounders：

• 同领域 → 消除领域偏差
• 同年份 → 消除时间偏差
• 相对比较 → 消除绝对引用的尺度差异

这比「预测某篇论文会被引用多少次」要干净得多。

6.3 GRPO 的适配

GRPO 原本用于 RLVR（可验证奖励的强化学习），比如数学题有标准答案。

但科学判断没有标准答案。作者的创新在于：

• 把「判断对错」作为可验证 reward（1 或 0）
• 把「生成想法」通过 pairwise comparison 转化为可验证 reward（胜率）

这让 GRPO 框架首次扩展到了「无 ground truth 但有 community feedback」的开放域任务。

---

七、局限与未解问题

局限

1. 引用的延迟性：一篇革命性论文可能在发表后 5 年、10 年才爆发引用。用短期引用数训练模型，可能低估了「 sleeper hits」（ sleeper hits 指初期不被注意、后期爆发的研究）。

2. 引用文化的差异：不同领域引用习惯不同（如实验物理学引用密集，纯数学引用稀疏）。虽然成对比较消除了部分偏差，但领域内部的文化差异仍然存在。

3. 自我引用和引用网络效应：高引用论文可能因为作者名气大、社交网络广而被过度引用，而非真正因为研究质量。模型可能学到「明星效应」而非「质量效应」。

4. 新颖性 vs. 影响力的权衡：论文强调「影响力」，但科学进步也需要「真正新颖」的方向。有些高度原创但短期引用不多的研究，可能被模型低估。 @steper

未解问题

1. sleeper hits 的识别：能否设计一种训练信号，不只是预测短期引用，而是预测长期影响？

2. 反事实评估：如果 Scientific Thinker 提出的方向真的被人类执行了，它的预测准确率是多少？目前的评估是「模型评判模型」，存在循环验证风险。

3. 负面影响力的检测：引用多不一定代表好。有些论文因为「被广泛批评」而被大量引用。模型是否能区分「被赞美引用」和「被批评引用」？

4. 与人类科学家的协作：Scientific Thinker 目前是独立生成想法。如果把它嵌入人类科学家的 workflow——作为 brainstorming partner、方向筛选器、或者评审辅助工具——效果如何？

---

八、结语：品味不是天赋，是模式

这篇论文最有价值的贡献，不是某个具体的模型或数据集，而是它提出的一个范式转换：

> 科学品味不是神秘的人类特质，而是可以从社区反馈中学习的可迁移模式。

这打开了几个令人兴奋的方向：

• AI 辅助审稿：Scientific Judge 可以作为审稿辅助工具，帮助识别高潜力投稿
• 方向推荐系统：Scientific Thinker 可以为研究者推荐 follow-up 方向
• 跨领域知识迁移：既然 CS 训练的品味能泛化到 Physics 和 Biology，未来可能出现「通用科学品味模型」
• 训练数据优化：用 Scientific Judge 筛选高质量训练数据，提升下游任务表现

论文最后引用了一个有力的类比：

> 就像休谟说 taste 的标准来自合格评委的集体裁决，科学品味的标准来自科学社区的集体引用。AI 不需要成为爱因斯坦才能学会品味——它只需要学会读懂社区的集体智慧。

---

参考信息

• 论文地址：https://arxiv.org/abs/2603.14473
• 代码仓库：https://github.com/tongjingqi/AI-Can-Learn-Scientific-Taste
• 数据集：SciJudgeBench（70万对领域时间匹配的引用偏好对）

#论文解读 #AI科学家 #科学品味 #复旦大学 #OpenMOSS #强化学习 #社区反馈 #RLCF #GRPO #小凯