AI 能不能提出真正有趣的科学问题，破译科研里的学术品味

现在 AI 确实可以批量产出科学问题，部分选题也能拿到顶尖学者的高分认可，但它还没法稳定自主产出那种颠覆范式、具备原始突破性的科学问题，所谓学术品味，本质就是科学家判断一个问题值不值得研究、有没有长期价值的直觉和判断力；相关实验里，研究者用 SciMuse 这套系统，结合学术知识图谱和大模型生成选题，上百位课题组负责人打分，大约 24.9% 的 AI 选题拿到 4-5 分高分，也就是确实有一部分能打动资深科研人员，但大部分选题平庸、只是现有知识重组；这里还有一个反常识结论：用高被引热点概念生成的选题，专家眼里反而不如随机组合概念有意思，热点方向大多已经被过度挖掘，很难做出新意；AI 的优势是快速扫文献、批量生成候选问题、帮人筛选掉明显不可行的方向，短板是没有真实的科研直觉，很难从反常现象里捕捉到颠覆性问题，没法自主判断问题背后的长期科学价值；日常科研里更适合人机搭配，AI 负责批量出候选，人类靠学术品味做最终筛选，结论就是 AI 可以产出一部分有趣、可落地的科学问题，但学术品味的核心判断权目前还是掌握在人类研究者手里。

一、AI 生成科学问题实验核心数据汇总表

二、学术品味到底是什么

学术品味不是主观喜好，是一套复合判断能力，主要包含三块：

1. 价值判断：分得清哪些问题短期能落地、哪些问题具备长期基础科学价值，哪些只是跟风热点
2. 缺口识别：能看懂现有研究的矛盾、反常、没有解释清楚的空白，而不是只在成熟赛道里做小修补
3. 审美与取舍：知道哪些方向值得投入几年时间，哪些就算能发论文也不值得做，敢于放弃没有前景的路线

人类科学家的学术品味来自长期读文献、做实验、踩坑、观察反常现象慢慢沉淀；现在有研究尝试用强化学习、专家反馈训练 AI，让模型学习这套判断标准，也就是让 AI 学着 “拥有学术品味”，但目前还只是模仿专家打分偏好，不是真正理解科学本身。

三、AI 在提科学问题这件事上的优势

1. 文献扫描速度极强：每年海量新增论文，人很难全覆盖，AI 可以快速检索领域缺口，不容易漏掉冷门交叉方向
2. 批量生成候选假设：短时间输出几十上百个备选问题，适合交叉学科、材料、药物筛选这类需要大量试错的场景
3. 快速过滤无效选题：自动筛掉已经被别人做过、逻辑明显矛盾、无法设计实验验证的问题，减少人力浪费
4. 擅长跨领域拼接：把两个不相关领域的方法、概念组合，产出人类不容易想到的交叉选题

四、当前 AI 提科学问题的核心短板

1. 很难实现范式跃迁：AI 训练素材全部来自已有文献，擅长在现有框架里做增量改良，很难跳出固有认知，提出推翻现有体系的基础问题
2. 分不清 “能发论文” 和 “真正重要”：很多选题逻辑通顺、可以写成论文，但缺少深层科学意义，AI 很难识别这种差别
3. 缺少对反常现象的敏感度：科研里很多重大发现来自意外、失败、和理论不符的实验数据，AI 会把异常当成噪声直接丢掉
4. 品味容易跟着热点跑偏：训练数据里高被引论文多，模型天然倾向热门方向，而前沿科学家反而会主动避开已经内卷的赛道

五、人机协作提科学问题实操流程

1. 研究者先划定研究边界、目标学科、自己关心的科学矛盾，给 AI 明确提示
2. 调用 AI 批量生成几十条候选科学问题，同时附带研究思路、验证方案
3. AI 预筛选：剔除重复、已经被发表、无法实验验证的选题
4. 人类用学术品味做第一轮筛选：挑出有新意、有价值、值得投入的方向
5. 小范围专家互评，进一步压缩选题，再进入正式实验、申请课题阶段
6. 后续拿到实验结果，再让 AI 辅助迭代、调整问题假设

六、不同场景怎么用 AI 提科学问题

✅ 适合用 AI：交叉学科探索、材料分子筛选、海量变量关联挖掘、文献缺口梳理、批量生成备选假设

⚠️ 谨慎依赖 AI：基础理论颠覆性研究、依赖长期实验直觉的方向、需要伦理判断的生命科学、社会科学核心问题

【常见问题】

问题 1：AI 能不能提出真正有趣的科学问题，破译学术品味相关研究里，AI 生成的选题专家打分情况怎么样？

回答 1：在破译学术品味的相关实验里，AI 生成的科学问题平均分大约 2.4 分，满分 5 分，24.9% 的选题拿到 4 分或者 5 分高分，说明 AI 确实可以产出一部分专家觉得有趣的科学问题，但大部分选题比较平庸。

问题 2：AI 能不能提出真正有趣的科学问题，学术品味和单纯判断论文会不会高被引是一回事吗？

回答 2：不是一回事，破译学术品味的实验发现，专门基于高被引热点概念生成的科学问题，专家眼里趣味性反而更低；热门、容易高引用的选题，很多已经被充分研究，在资深研究者看来缺少新意。

问题 3：AI 能不能提出真正有趣的科学问题，现在 AI 学到的学术品味，和人类科学家的学术品味差距在哪？

回答 3：AI 学到的学术品味是模仿专家打分偏好，是统计层面的偏好模型；人类科学家的学术品味来自长期实验、对反常现象的感知、对科学底层价值的理解，能提出范式级别的全新问题，这是目前 AI 做不到的。

问题 4：AI 能不能提出真正有趣的科学问题，做科研的时候，是让 AI 自己定选题还是人机搭配更好？

回答 4：优先人机搭配，AI 适合批量产出、筛选科学问题，快速扫文献找缺口；人类研究者依靠学术品味做最终取舍，判断问题的长期科学价值，避免 AI 只产出跟风、增量型的平庸选题。

【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

[2026-11-10]（AI Can Learn Scientific Taste，AI 学习科学品味前沿论文解读）arXiv

[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

[2026-07-02]（测量大模型与人类科研创意差距，研究品位二维分类体系）智源社区

[2026-05-25]（AI 科学家进展与底层局限，AI 和人类科研能力对比）Know Latest

【免责声明】

本文仅为 AI 生成科学问题、学术品味相关前沿研究资讯整理，不构成科研方案指导；相关实验结论来自特定模型、特定专家评估样本，不同大模型、不同学科下 AI 生成选题质量差异很大；学术品味属于科研主观判断范畴，不存在统一标准，科研选题立项、实验设计请以研究者自身专业判断、同行评审规范为准。