《AI 的科研直觉》——当模型只看一眼题目就猜出实验结论

1. 🔬 只给问题，不给答案

想象这样一个实验。

你找到一篇刚发表的科学论文——这篇论文在模型训练截止日期之后，它绝对没见过。你把论文的实验方法、数据、结果全部藏起来。只给模型两样东西：论文的主题，和论文的研究问题。

比如——"纳米复合材料的热力学性能"是主题。"天然纤维表面处理是否优于传统NaOH处理？"是研究问题。

然后你对模型说：从这两个碎片出发，给我猜一下——这篇文章得出了什么结论？

这就是 ProjectionBench 做的事。

它不是在考"你会不会查文献"。它考的是：给你最少的信息，你能否向正确的方向投射（project）一个科学假设？

GPT-5.4 在这个测试里，拿了 0.7 的 F1 分。

什么意思？它在只看到主题和研究问题的条件下，预测出来的"实验发现"，与论文作者实际写下的结论，有七成是匹配的。

不是检索。不是类比。是预测。

说"七成匹配"——这个词需要拆开讲。论文用的不是简单的语义相似度。它是把真实结论和模型预测分别拆成原子级的关系声明（atomic claims）——比如"处理A提升了储存模量"、"处理B对热稳定性无影响"——然后逐条比对。真阳性、假阳性、遗漏项，全部分类统计，最后汇成 F1。

这七成，是真实的、结构化的科学一致性。

2. 🧪 信息逐渐亮出来

论文的核心设计不复杂。

它把一篇论文的关键信息拆成三个层次，逐层喂给模型：

第一层：最少信息。只给主题 + 研究问题。比如："生物活性玻璃的骨再生效果" + "掺铜是否能增强成骨分化？"

第二层：加入零假设。多给一条——"如果掺铜无效果，那么…"

第三层：全量信息。主题 + 研究问题 + 零假设 + 实验步骤。所有牌都亮出来。

这三个层次，对应着科学发现的两个不同能力：

在最少信息层，考的是创新性（innovativeness）。你手里几乎什么都没有，能不能做出有物理意义的推测？

在全量信息层，考的是逻辑推理（grounded reasoning）。实验怎么做全告诉你了，你能否推导出正确结论？

一个理想的 AI 科学家，两种能力都得强。

实际结果呢？

GPT-5.4 在两个维度上都领先。但有个有趣的现象——从第二层到第三层，边际收益在递减。 加上零假设，模型表现大幅跃升；再给实验步骤，提升就小很多。

这暗示了一件事：对于当前的顶级模型，知道"假设是什么"比知道"实验怎么做"更能帮它猜出结果。 方向对了，细节可以少一些。方向错了，知道再多步骤也白搭。

3. 📐 怎么给想象力打分

测评科学假设的质量，是件难事。科学不是单选题——不存在唯一的正确答案。但如果"完全放开"，评测就变成了主观评价，没有可复现性。

ProjectionBench 的设计在这里做得很聪明。

它不评"这个假设好不好"。它评"这个假设和真实论文的结论差多远"。用的是 ground truth 作为锚点，而非标准答案。差多远不是人工判，而是让 GPT-5 当裁判（法官），量化的是一致性、矛盾性、无关性。

打个比方：不是裁判说"你错了"。是裁判把"你说的"和"论文实际说的"拆成最小的命题单元，然后逐条交叉检查。你说"A促进B增长"，论文说"A显著促进B增长"——一致。你说"A抑制B"——矛盾。你说"A和C的交互效应"——论文没提，这是冗余声明。

这三类（匹配、遗漏、冗余）汇入 F1 公式，得出分数。

这个方案的精巧之处在于——它绕过了"科学创新没有标准答案"的经典困境。谁说科学没有标准答案？论文已经发表了。结论就在那里。你现在回溯性地考模型：回到论文发表之前，凭不完整信息，能不能逼近那个后来的事实？

这本质上是一场反事实推演测试。

4. 🎯 谁会猜，谁在蒙

论文测了四个模型：GPT-5、GPT-5.4、Gemini 2.5 Pro、Gemini 3.1 Pro Preview。

总的 AUC 排名：

• GPT-5.4：1.56
• GPT-5：1.44
• Gemini 3.1 Pro Preview：1.44
• Gemini 2.5 Pro：1.33

新一代模型全面碾压旧一代，这个不意外。

意外的是低信息量下的表现差异。

GPT-5.4 在只给主题和研究问题时，F1 就稳在 0.7 左右。Gemini 2.5 Pro 在同等条件下，F1 可以跌到 0。

看一个具体例子。

论文研究的是"天然钾盐（KTN）处理与 NaOH 处理对 Honckenya 纤维增强聚丙烯复合材料热力学性能的比较"。

真实结论：KTN 处理的复合材料在储存模量、损耗模量、热稳定性上均显著优于 NaOH 处理和未处理组。

GPT-5.4 在最少信息下的预测：它猜对了"钾盐处理优于或接近NaOH"这个方向。但它自己额外编了一个东西——"随着处理强度增加，性能先升后降，存在最优水平"——论文根本没提这个。

Gemini 2.5 Pro 在最少信息下的预测：它猜反了。它说"传统 NaOH 处理更好"。错的。

为什么会猜反？论文分析认为，Gemini 2.5 Pro 锚定在了历史知识上——在已有文献中，NaOH 是公认有效的天然纤维处理剂。模型"回退"到了先验，而非向新结论投射。

GPT-5.4 做的是一件更微妙的事——它在已知知识和未知之间走了钢丝。它可能在概率空间里感知到了"不太可能是 NaOH 更好"的信号，但又不完全确定，于是过度补偿，编了一个最优曲线。

这是好的信号还是坏的信号？

是坏的信号——它在不应该加入的细节上加了东西（幻觉）。

也是好的信号——它的方向是对的。它猜到了"某种新处理优于传统 NaOH"这个本质关系。

5. 🌍 不同领域，不同难度

论文涵盖了三类材料科学：生物活性材料（bioactive）、纳米材料（nanomaterials）、力学材料（mechanical materials）。

测评结果揭示了一个清晰的难易梯度：

生物活性材料：模型普遍得分最高。许多论文的分数接近天花板。提示当前模型对这类领域的底层知识掌握得已经很好了。

纳米材料：中等。没有天花板效应，但地板也不低。说明模型有基本知识储备，但高置信度预测仍然吃力。

力学材料：最难。分数分布最宽，低分论文和高分论文差距极大。而且 Gemini 3.1 Pro 在高上下文条件下甚至超过了 GPT-5——这在其他两个领域没有出现。

这个领域的差异，论文自己也不太确定为什么。

生物活性材料的高分，可能是因为这个领域的论文结论更"模式化"——变量和结果之间的关系相对固定、可预测。也可能是训练数据中生物领域的文本占比更高。力学材料的低分和高离散度，暗示着这个领域的知识在模型参数中要么不够丰富，要么不够结构化。

这些都是猜测。论文没有给出因果解释。这种诚实，是好的。

6. ⚖️ 为什么只给方向，不给数字

这里必须讲一件这篇论文没做的事——它会被某些读者觉得"缺了点什么"。

论文只要求模型做出定性的预测。"A 提升了 B"、"C 对 D 无影响"。不要求模型给出数值。不要求具体提升多少百分比，不要求置信区间。

为什么？

因为如果要求数值预测，需要的就不是语言模型了。需要物理仿真。需要微分方程。需要实验室。而 ProjectionBench 的目标从一开始就不是"替代实验"，而是评估"科学直觉"——在信息极度不完整的情况下，你能否形成正确的方向感？

真正做科研的人知道，方向感才是最难的部分。数值得出之后，反推解释很容易。但在实验之前，在海量可能性中挑出最可能成立的假设——那个直觉，才是科学创造力的核心。

ProjectionBench 测的就是这个。

当然，这也意味着它的分数有天花板。纯定性投射，最优也只能"方向全对"。但它反映不了一个关键信息：这个模型是否知道这个效应的数量级？ 一个说"A微幅提升B"和一个说"A巨幅提升B"的模型，在当前的评分体系下，得分是一样的。

这是框架的局限。论文在结论部分承认了这一点。未来版本可以加入"效应规模"的评测维度。

7. 🧭 活的数据集：不与过去赛跑

论文数据集的构建方式值得一提。

45篇论文全部来自 Springer Nature 的开放获取文章，关键词搜索"bioactive materials""nanomaterials""mechanical materials"，每类15篇。截止日期设在模型训练窗口之后。

这意味着什么？

它不存在训练数据污染的问题。这些论文，模型在训练时不可能见过。它是真正在测试"泛化到全新科学发现"的能力，而非测试"记忆了多少篇论文"。

而且框架被设计为可实时更新。新论文发表后，可以持续加入数据集。这解决了科学评测领域的一个老问题——一旦基准固定，模型就会"过拟合"到基准本身。ProjectionBench 的活体数据集设计，使得这种过拟合几乎不可能。

至少，目前如此。

8. 💭 科学直觉，到底是什么

读这篇论文时，我被一个词反复击中：projection（投射）。

它不是 prediction（预测）。不是 inference（推理）。不是 retrieval（检索）。

投射——意味着你手里没有足够的信息，但你仍然必须做出一个有物理意义的判断。

这像极了一个场景：你在实验室走廊拦住一位资深教授，只告诉她论文的题目和研究问题，问她——"你觉得结论会是什么？"

一位好教授会怎么做？她会调动几十年的领域知识，在脑中进行快速的"如果…那么…"推演。她可能会说对，也可能会说错。但她的投射，绝对不是随机的——其中蕴含着隐性的因果模型。

ProjectionBench 本质上是在问：语言模型是否已经形成了这种隐性的因果模型？

论文的证据指向——是的。至少对于某些领域，是的。

GPT-5.4 看到"掺铜生物活性玻璃 + 成骨分化效果"这个主题和研究问题后，它的激活空间中有一个方向，指向"铜离子促进了成骨"这个结论。它不是从一个已知的论文库里检索到的——因为这篇论文它没见过。

它是从数亿篇相关论文中提取出的统计规律中推断出来的。

这个能力有一个更熟悉的名字：直觉。

科学直觉。

当然——GPT-5.4 没有意识，没有体验，没有理解。"直觉"是人类认知中的一个词，套到统计模型上会引入危险的类比混淆。但功能性地说——模型在信息不完整时做出方向正确的判断——如果这叫"科学直觉"，那么它确实有这个能力。至少对于材料科学中的某些子领域。

9. 🔮 叙事之外，是什么

文章写到这里，需要退一步。我不谈隐喻，谈数据。

ProjectionBench 是一篇评测论文——它提出框架，跑实验，报结果。它不是一篇声称"AI已经可以独立做科学发现"的宣言。

它发现了什么？

第一：当前顶级 LLM 在材料科学领域，拥有从极少信息中投射出正确科学结论的能力。F1 大约在 0.55-0.75 之间，取决于领域和信息量。

第二：这种能力随着模型迭代在提升。GPT-5.4 > GPT-5。Gemini 3.1 > Gemini 2.5。

第三：不同领域之间存在显著差距。

第四：附加信息的边际效用递减——知道假设比知道实验方法更重要。

它没有发现什么？

第一，没有发现模型能独立设计实验。ProjectionBench 测试的是"猜结论"，不是"设计验证方案"。

第二，没有发现模型能做数值预测。所有的推测都是定性方向的。

第三，没有评估模型的推理过程是否真的"科学"。GPT-5.4 猜对了方向——但它是否真的理解为什么铜离子促进成骨？还是它在语料中见过类似的研究模式，进行了高维类比？论文没有回答这个问题。

第四，没有讨论可复现性。一篇科学发现的真正验证不在于"猜对了一次"，而在于"在相同条件下，结论是否可以被独立复现"。这是科学区别于占卜的核心。ProjectionBench 测试的是"一次投射的准确性"，不是"投射稳定性的复现性"。

这些不是批评。这些是说：这篇论文做了一个非常好的局部贡献，但它只是一个开始。不是终点。

10. 🏁 问一个更难的问题

最后，我想说一件这篇论文让我想到的事情。

如果要给"AI能否做科学发现"一个诚实的回答——在今天这个时间点——答案不是"能"或"不能"。答案是：取决于你是测"直觉"还是测"方法"。

测直觉——GPT-5.4 已经非常强了。给它一个研究问题，它能猜出大致的答案方向。很多时候，方向本身比细节更有价值。一个方向正确的假设，即使细节不完美，可以指导实验设计。而一个方向完全错误的假设，即使方法论完美，也是浪费资源。

测方法——AI 还有很长的路要走。设计精巧的对照实验、控制混淆变量、识别统计伪影、判断样本量是否足够——这些能力，在当前模型中几乎看不到。

ProjectionBench 测的是前者。它用一个优雅的框架，证明了 AI 已经拥有了某种"科学直觉"。它没有告诉我们 AI 是否能取代科学家。它告诉我们的是——在科学发现这条马拉松上，AI 至少已经学会了如何起跑。

具体地说——至少在材料科学的某些子领域，在"从研究问题推测实验结论"这个维度上，AI 的表现已经达到或超过了一个初级研究员的水准。

至于它会跑多远、会不会摔倒——那些测试，还没有被设计出来。

参考文献：

1. Lew, Cao & Buehler, "ProjectionBench: Evaluating Scientific Hypothesis Generation in LLMs Under Progressive Information Disclosure", arXiv:2605.30284, 2026.
2. Majumder et al., "DiscoveryBench: Towards Data-Driven Discovery with Large Language Models", arXiv:2407.01725, 2024.
3. Wang et al., "SciBench: Evaluating College-Level Scientific Problem-Solving Abilities of Large Language Models", arXiv:2307.10635, 2024.
4. Moussa et al., "ScholarEval: Research Idea Evaluation Grounded in Literature", arXiv:2510.16234, 2025.
5. Gu et al., "A Survey on LLM-as-a-Judge", arXiv:2411.15594, 2025.

#AI科学发现 #LLM评测 #材料科学 #ProjectionBench #科学直觉 #机制推理 #智柴最前线🔬🎙️