AI都能跨界生产idea了！CMU&Meta直接造了个“点子科学家”

henry 发自 凹非寺
量子位 | 公众号 QbitAI

都知道跨学科才能拿大结果，可啃完全陌生的领域又太烧心？

这不，做研究跨领域找灵感这事儿，也能帮你自动化了～

最近，来自CMU、Meta等机构的研究团队，在论文《IdeaScientist: Orchestrating Agents for Grounded Scientific Ideation》中，提出了一个专门负责科研构思的多智能体框架——

IdeaScientist。

这个“点子科学家”会先摸清现有方法的局限，再去其他领域找那些解决过类似问题的机制，最后把借鉴来的思路整理成一份完整的研究方案。

为了让找灵感这事不是玄学，团队还进一步建了一个包含277万条结构化科研创意的知识库，并用强化学习给每个环节分别训练了专属智能体。

实验结果表明，在采用Qwen3.6-27B的研究方案评测中，训练后的IdeaScientist综合得分达到74.6，比相同基座下表现最好的基线高出14分。

其中，研究的新颖性从基线的43.8，提高到了68.8，足足提升了57%！

可以说，以往都是大师才能旁征博引、跨界研究，现在有了 AI，我上我也行（doge）。

跨界找灵感

随着编码智能体越来越能干，AI 科研也开始跑通完整工作流：提出想法、写代码、跑实验，再把结果整理成论文。

可这些环节一旦串成一条线，一个问题也就冒了出来：

最后跑出来的实验结果好，到底是因为最初的想法和创意好，还是因为后面的代码写得漂亮、实验做得够扎实？

OpenAI 曾表示，自家的”自动化研究实习生”主要在人类指导下处理定义明确的任务，高层次规划在智能体产出中只占极小一部分。

也就是说，眼下 AI 科研大多还停在执行层；而想法和执行到底谁的作用更大，目前也还没有定论。

所以在这篇论文里，IdeaScientist把目光放到了最前端的科研构思环节。

具体来说，IdeaScientist先拿到一个问题的定义，以及现有方法还没解决的卡点，然后跨界寻找类似思路，再据此提出研究方案。

之所以能这么干是因为，不同领域的研究对象不同，却可能撞上结构相似的困难。一个领域用过的解决机制，稍作调整，也许就能搬到另一个领域。

论文里，团队举了个网络搜索和推荐系统的例子：

网络搜索需要从大量候选网页里找到合适的结果，但如果对所有网页都使用复杂模型精细打分，成本会很高。

于是，一个常见做法是先用低成本方法找出候选集合，再交给更复杂的排序器处理。

推荐系统同样面临大量候选与计算开销之间的矛盾，因此也可以采用类似的两阶段结构：先筛选，再精细评分。

不难看出，两者处理的对象不同，却共享着相似的问题结构。

所以，IdeaScientist 要做的，其实就是让智能体主动去找这层联系，再判断借来的机制能不能落到当前问题上。

由此，跨界检索的重点有两个：别处是怎么绕过同类障碍的，以及这套办法为什么有可能迁移过来。

具体实现

为了完成这件事，IdeaScientist安排了三个主要角色。

首先是 Gap Finder，负责寻找研究缺口。

它会通读目标领域里高度相关的工作，看清现有方法被什么共同限制住，以及这些限制为什么让眼前的挑战迟迟得不到解决。

这里的的研究缺口，不光是没人做过，还包括具体的方法问题。

比如，某种设计为什么会带来额外开销，某个假设在什么情况下会失效，或者现有评估为什么没能暴露出真正的问题。

接下来，Innovator，也就是创新智能体，负责跨领域寻找解题思路。

它稳稳接住上一步整理好的问题和缺口，再去别的问题情境里搜索相关机制，判断这些机制能不能经过调整，用来解决当前的挑战。

到这一步，系统得建立起一条清楚的联系：当前方法卡在哪里，借来的机制又如何作用于这个卡点。

最后是 Report Writer，负责把思路写成一份完整的研究方案。

输出内容要说清问题设定、核心创新，以及与最接近的已有方法有什么区别，还要给出足够具体的架构、训练方式和评估计划。

此外，方案还得写明预期结果、什么证据会推翻这些预期，以及方法本身的局限。

这样一来，一个初步想法，才能逐渐长成一份可落地、可检验的研究计划。

三个角色之上，还有一个编排器统管全局。

它维护研究计划，决定下一步该调用哪个智能体；如果证据不够，或者某个思路还需要继续完善，也可以把系统退回前面的环节。

所以，虽然整体上是一条流水线，实际执行时却可以反复查找、修改和补充。

另外，团队还给配了两个辅助角色：论文阅读智能体和评审智能体。

前者在独立上下文里读论文全文、回答具体问题，省得每个角色都塞入大量长文；后者检查中间思路和最终方案，向编排器提出改进建议。

让灵感有依据，也能被训练

为了让IdeaScientist能够在足够大的范围中寻找灵感，研究团队还构建了Svalbard Idea Vault，名字借的是斯瓦尔巴全球种子库的意象——

相当于给科研创意也建了一座储藏库。

这里的底层文献数据库收录了470万篇论文，其中约280万篇具有全文，覆盖arXiv的各个学科领域。在此基础上，团队进一步进行“创意分解”，整理出277万条结构化记录。

每条记录包含五部分：问题定义、挑战、研究缺口、解题思路和研究方案。这些信息把一篇论文从问题走向方法的过程拆了出来，也分别对应三个主要智能体需要完成的工作。

接下来，团队用强化学习，分别训练研究缺口发现、创新和报告撰写三个角色，再放回同一套运行框架里。

具体用的是异步 GRPO，每个角色各配一个独立的 LoRA 适配器。
训练时，反馈来自三个方面：生成的内容是否具体、合理、有证据支撑；关键研究决策是否与人类参考论文一致；引用的文献是否与参考材料对得上。
此外，缺字段、工具调用不合规之类的问题，也会被扣分。

这里，有个细节值得注意：把人类论文转成参考研究方案时，实际测出来的实验结果会被抹掉。

模型能学人类怎么定义问题、设计方法、安排评估，但看不到这套方法最后跑出了什么成绩。
这么一来，训练瞄准的就始终是研究方向和方案设计。

实验结论

除了开头那组成绩，团队还在不同基座模型、研究领域和人工评估上又测了一轮。

实验以2026年1月1日为文献截止日期，最终测试集包含277篇论文。系统只拿到从目标论文里提取的问题与挑战，检索范围限定在截止日期之前；目标论文全程隐藏，联网也被关闭。

这相当于把可查阅的参考书架限制在较早的时间，再让系统为后来论文涉及的问题提出方案。

评估分两部分：新颖性，看方案的核心机制有多难从已有文献里推出来；

方案质量，则从相关性、清晰度、具体性、可执行性、严谨性和影响力六个维度打分。最终总分取两者的平均值。

采用Claude-4.8-Opus时，未经额外训练的IdeaScientist综合得分达到77.7，高于同一模型搭配Claude Code SDK时的68.7；采用GPT-5.4时，得分也从Codex SDK的69.5提高到71.9。

在计算机视觉、机器学习、自然语言处理等六个领域组中，IdeaScientist也都展现出了新颖性优势。

最后，团队从测试集中随机抽取50篇论文，安排两名标注者进行人工盲评，隐藏系统名称，比较同一问题下生成的不同方案。

结果表明，训练后的IdeaScientist相对多数基线取得了显著优势。不过，与DeepScientist比较时，其胜率为43%，并没有显现出明显有丝毫。

总的来说，把寻找研究缺口、跨领域借鉴和方案撰写组织成一条完整流程，确实能改善AI的科研构思表现。至于这些方案能不能变成可靠的科研成果，还得靠真正实现和跑实验来验证。

团队在结论里也提到，未来可以把这套系统与自动选题、自动实验进一步接起来，让跨界借来的灵感顺着后续研究流程继续往下走。

参考链接
[1]https://arxiv.org/pdf/2610.04074