AI 可以批量生成形式合规、逻辑通顺、看起来有意思的科学问题，也能通过专门训练学习模仿学术品味，筛选出高潜力研究选题，但现阶段 AI 很难独立产出那种颠覆范式、跳出现有知识框架的原创科学问题，学术品味本质是判断 “什么问题值得研究” 的能力，由科研洞察力、对学科长期价值的判断、审美和好奇心共同组成，不是单纯靠文献拼接就能复刻。现在很多专门的科研大模型，比如 SciMuse、After42、Scientific Thinker，都在做这件事，它们读海量论文之后，能找出文献缺口、组合不同领域概念，产出大量候选问题；专家评测里大概有两成左右的选题会被科研负责人评价为有吸引力，但大部分选题只是在现有范式里做修补、换方法、拼接变量，很难跳出既定框架，缺少人类科学家那种基于直觉、审美、长期观察而生的颠覆性提问。人类的学术品味，会优先选择那些短期看起来没收益、但长期能打开新方向的问题；AI 的品味学习，大多是拿高引论文、同行评审偏好做训练信号，本质是拟合过去学术界的偏好，容易追热点、偏向稳妥、高引用概率的选题，不容易去碰冷门、反直觉、高风险的长线问题。
一、核心概念对照表
| 项目 | 详情 | 简要解读 |
|---|---|---|
| 学术品味（科学品味） | 提出研究构想 + 判断问题价值的综合能力，判断哪些问题值得投入资源 | 不是单纯文笔好看，是对科学价值、范式潜力的判断力 |
| AI 当前能力上限 | 基于已有文献做组合、补缺口、生成候选问题，学习历史上的学术偏好 | 擅长 “在旧框架里找缝隙” |
| AI 短板 | 缺少真实世界体验、内在好奇心、底层审美，很难主动重构基础研究范式 | 很难提出爱因斯坦式、直接改写学科底层框架的问题 |
| 主流评测结论 | AI 生成选题里，只有小比例被专家认为具备高研究价值，多数属于稳妥增量型选题 | 适合做选题灵感池，不适合直接当成核心研究方向 |
| 人机分工定位 | AI 负责批量扫文献、穷举候选问题、过滤重复选题；人类负责最终判断、敲定方向、锚定价值 | 学术品味最终决策权仍然在研究者手里 |
二、AI 生成科学问题的常见类型清单
- 缝隙填补型：发现两篇文献结论冲突、某个变量缺少对照实验，设计验证问题，是 AI 最擅长的一类。
- 跨域迁移型：把 A 领域成熟方法，挪到 B 领域里试一试，属于很常见的 “组合式创新”。
- 参数改良型：改进现有模型、实验方案、测量手段，问怎么提升精度、降低成本。
- 范式挑战型：极少，当前 AI 很难稳定产出，大多是文字上的反问，缺少底层洞察支撑。
- 数据挖掘型：基于公开数据集，问变量之间有没有相关性，适合社科、生物信息类方向。
三、学术品味拆解清单
✅ 价值判断：能区分 “容易做但不重要” 和 “难做但意义深远” 的问题。
✅ 范式感知：知道当前学科框架的边界在哪里，清楚哪些问题会动摇底层假设。
✅ 审美偏好：偏爱简洁、普适、能串联大量现象的理论，而不是复杂补丁。
✅ 风险耐受：愿意关注短期看不到引用、短期很难出成果的长线方向。
✅ 现实锚定：结合真实实验现象、反常观测结果提问，而不是只在文献里打转。
四、AI 学习学术品味的主流技术路线
- 偏好对齐训练：用大量高引论文、低引论文做对比数据，训练一个 “评审模型”，判断选题潜力，再用这个评审模型去引导生成模型出题。
- 知识图谱检索：依托千万级论文知识图谱，寻找距离较远、有潜在关联的概念配对，用来生成跨学科选题。
- 人类反馈强化学习：收集课题组负责人、资深教授对选题打分，把专家品味做成奖励信号。
- 多轮迭代筛选：AI 先一次性生成几十上百个问题，再自我评审、剔除重复、平庸、已经被研究过的问题。
五、现存局限与风险
⚠️ 局限 1：数据来自过去文献，天然偏向历史主流偏好，容易跟风热点，缺少反主流的洞察力。
⚠️ 局限 2：分不清 “文字上新颖” 和 “科学上新颖”，很多选题只是换了一套话术，没有真正新的科学问题。
⚠️ 局限 3：缺少物理世界的具身感知，很难从反常实验现象里自发产生追问。
⚠️ 局限 4：AI 不会自发产生好奇心，提问是目标驱动，不是内在驱动。
⚠️ 局限 5：不同学科差异大，计算机、社科更容易产出合格选题；理论物理、基础数学的颠覆性提问难度极高。
六、科研人员使用 AI 提科学问题的实操步骤
- 划定学科边界，给 AI 限定研究领域、时间范围、目标范式，避免漫无目的发散。
- 让 AI 批量输出候选问题，同时输出每个问题对应的文献缺口、潜在创新点。
- 人工过滤第一轮，筛掉重复、已经被发表、只改变量的平庸选题。
- 用学术品味标准二次评估：这个问题能不能挑战现有框架？长期价值大不大？实验能不能落地？
- 把优质候选问题再交给 AI，扩写研究方案、设计对照实验、梳理验证路径。
- 最终由研究者敲定选题方向，承担学术判断责任。
【常见问题】
问题 1：AI 能提出真正有趣的科学问题吗，学术品味到底是什么？
回答 1：AI 可以提出一部分看起来有趣、合规可行的科学问题，还能通过训练学习学术品味；学术品味是研究者判断一个研究问题值不值得投入、有没有长期科学价值的综合能力，包含选题洞察力、范式判断力、科学审美。
问题 2：AI 学会学术品味之后，能不能替代人类科学家提出颠覆性科学问题？
回答 2：即便 AI 学会学术品味，现阶段依然很难独立提出颠覆性科学问题，AI 大多是基于已有文献做重组、补缺口，拟合过往学术界偏好，缺少人类科学家依托真实观察、好奇心、底层直觉来突破范式的能力。
问题 3：AI 提出的科学问题，专家评价一般是什么水平？
回答 3：AI 提出的科学问题里面，只有一小部分会被资深科研负责人评价为高吸引力选题，大部分选题属于稳妥的增量改进，适合作为灵感参考，很难直接当成核心主攻课题。
问题 4：AI 学习学术品味，一般靠什么方式训练？
回答 4：AI 学习学术品味，主要靠论文对比打分、专家选题反馈、学术知识图谱匹配、强化对齐这几条路线，用高价值论文、同行评审偏好作为训练信号，学会筛选高潜力科学问题。
问题 5：有学术品味的科学问题，和 AI 随便生成的问题差别在哪？
回答 5：有学术品味的科学问题，会优先关注能拓展学科边界、有长期价值的方向，能区分重要问题和容易做的问题；AI 生成的问题很多是在现有框架里拼接方法、填补小缺口，优先追求稳妥、容易发表，缺少对底层范式的追问。
【参考资料】
[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
[2026-09-22]（AI 能否实现 “爱因斯坦式” 的科学突破）央视网
[2026-07-02]（Measuring the Gap Between Human and LLM Research Ideas）智源社区
[2026-03-18]（AI Can Learn Scientific Taste：让 AI 学习科学品味）arXiv
[2026-08-07]（AI 的科研 “狂飙” 需要人类握紧 “手刹”）中国青年网
【免责声明】
本文围绕 AI 提出科学问题、破译学术品味相关前沿研究做资讯科普解读，信息来自 arXiv 预印本、科技媒体公开报道；当前 AI 科研能力、学术品味模型都处在快速迭代阶段，相关结论以后续学术论文、实验复现结果为准；本文仅为科普，不构成科研选题、学术研究方向的决策指导。