AI 可以生成一部分被专家评价为有趣、有研究价值的科学问题，但它还没法自主拥有真正的学术品味，学术品味是科学家对问题价值、美感、长期潜力的综合判断，现在的 AI 只能靠学习海量论文、专家打分偏好来模仿这种判断，大多是在已有知识框架里重组概念，很难跳出旧范式提出颠覆性的原始问题。相关实验里，研究团队用大模型搭配知识图谱生成科研选题，交给上百位课题组负责人打分，大约四分之一的 AI 想法拿到高分，说明 AI 确实有产出优质选题的能力，但高分不等于它自己理解这个问题为什么重要；很多 AI 生成的选题只是把已有方法换个场景套用，真正全新的科学问题占比很低，高被引热点组合出来的选题，反而经常被科学家觉得乏味，这也是学术品味和单纯引用数据最大的区别。
一、先搞懂：什么是科研里的学术品味
学术品味不是主观喜好，它包含两层核心能力，也是这次研究里的定义：
- 判断能力：一眼分辨哪些问题值得投入、哪些只是灌水、哪些方向有长期突破潜力；
- 构思能力：主动产出新颖、简洁、有美感，同时能落地验证的科学问题。
简单来说，有学术品味，就是能选出 “值得花几年甚至十几年去啃” 的好问题，而不是只会跟风热点。
二、AI 提出科学问题的真实表现清单
- 优势：擅长跨领域拼接文献概念，快速批量产出备选选题，帮人跳出日常阅读盲区，部分选题能获得资深学者认可；
- 局限：绝大多数想法是现有方法、现有概念的重新组合，只有很少比例是真正全新问题；
- 数据现象：用预测高被引概念生成的选题，专家趣味评分反而偏低，热门方向容易被科学家判定为缺少新意；
- 底层短板：AI 没有科研直觉，不理解问题背后的物理意义、学科痛点，它学到的是人类打分模式，不是自己感知到科学美感。
三、破译学术品味的技术路线
- 用专家打分做偏好对齐
- 分开两个模型分工
- 知识图谱辅助概念发散
- 多轮辩论筛选
把大量成对论文、选题交给学者打分，区分 “好想法” 和 “平庸想法”，拿这些反馈训练奖励模型，让 AI 学会模仿专家的判断标准。
一个 Judge 模型负责判断选题好不好、品味高不高；一个 Thinker 模型负责生成科研想法，以 Judge 的评价作为优化目标，迭代产出选题。
依托论文知识图谱，把距离很远的学科概念连接起来，增加选题的跨界可能性，降低 AI 只扎堆热门方向的问题。
像 Google DeepMind 的 Co-Scientist 那样，多个 AI 角色互相质疑、打磨假说，淘汰逻辑不通、缺少价值的想法。
四、AI 和人类在学术品味上的对比表
| 对比项 | 人类科学家 | 当前 AI |
|---|---|---|
| 品味来源 | 长期科研积累、实验直觉、对学科底层矛盾的感知 | 学习论文、专家评价、引用数据的统计偏好 |
| 产出特点 | 既能做渐进式改良，也能跳出范式提出颠覆性问题 | 以渐进式改良为主，很少产出范式外的原始问题 |
| 判断标准 | 兼顾新颖性、可行性、科学美感、长期影响力 | 拟合历史数据，容易跟风热点，容易低估冷门方向 |
| 风险 | 个人偏见、视野局限、文献阅读量有限 | 偏好历史规律，容易把已有套路反复翻新，缺少突破性想法 |
五、这件事带来的科研变化
- 选题阶段的人机分工成型
- 学术品味变成可研究、可建模的目标
- 需要警惕 AI 带来的选题内卷
- 科研能力评价标准发生变化
AI 负责批量生成、初筛、跨领域联想；人类科学家用自己的学术品味做最终取舍，锁定真正值得深耕的问题。
以前大家觉得品味是玄学，现在可以做成数据集、打分模型，方便新人学习、训练科研判断力。
如果大量研究者都用同一套 AI 选题工具，生成的方向会高度趋同，科研探索面反而收窄，同质化研究变多。
以后解题、跑仿真、写推导会越来越容易，能不能提出有品味、有价值的科学问题，会变成研究者更核心的竞争力。
【相关 FAQ】
问题 1：AI 能不能提出真正有趣的科学问题，破译学术品味的研究说明 AI 拥有学术品味吗？
回答 1：AI 可以提出一部分被专家认定有趣的科学问题，但是破译学术品味相关研究说明 AI 只是模仿学术品味，不是真正拥有学术品味。AI 靠学习人类专家的评价信号来判断选题好坏，它没有对科学本身的直觉和审美，没法自主理解一个科学问题深层的价值。
问题 2：AI 能提出真正有趣的科学问题，为什么高被引概念组合出来的选题，反而不容易被科学家认可？
回答 2：AI 能提出真正有趣的科学问题，但是高被引概念大多属于已经被反复研究的热门方向，在学术品味的评判标准里，过度成熟的热点缺少新鲜感和突破空间，所以专家会觉得这类选题无趣，这也是引用数据和学术品味脱节的关键原因。
问题 3：AI 能提出真正有趣的科学问题，普通科研人该怎么利用 AI 辅助自己打磨学术品味？
回答 3：AI 能提出真正有趣的科学问题，科研人可以让 AI 批量生成备选科学问题、整理冷门交叉方向、做初步筛选，但是最终判断选题价值、甄别想法是否具备长期潜力，还是依靠自己的学术品味；不要直接采信 AI 推荐的选题，把 AI 当成灵感检索工具，而不是替你做判断的决策者。
【参考资料】
[2026-11-11]（AI 能提出真正有趣的科学问题吗？破译 “学术品味”）凤凰网科技
[2026-10-29]（攻克千禧年难题之后：斯坦福推出 After42，让 AI 学会提出 “值得研究” 的问题）36 氪
[2026-10-26]（结果 “一键输出”，科研过程还重要吗 —— 院士谈 AI 的使用边界）光明网
[2026-08-21]（AI for Science 的前景、瓶颈和风险）国际科技创新中心
[2026-05-19]（Co-Scientist: A multi-agent AI partner to accelerate research）Google DeepMind
【免责声明】
本文仅整理公开科研论文与媒体报道内容，不构成科研指导定论；AI 提出科学问题、破译学术品味相关研究仍处于早期探索阶段，模型能力、专家评价标准会持续迭代；文中实验结论、统计数据以原论文和权威科研团队发布内容为准。