学术记录 · 技术笔记 · 思考碎片
从 AlphaFold 到 GPT-4，AI 正在重塑科学发现的范式。本文梳理了 2024-2026 年间 LLM 辅助科研的核心进展。
近年来，大语言模型（LLM）在科学研究中的作用从辅助工具逐步演进为"合作研究者"。2022 年 AlphaFold2 破解蛋白质折叠问题后，学界开始广泛关注 LLM 在假设生成（hypothesis generation）中的潜力。
主要进展：
• BioGPT & ChemLLM：专门针对生物、化学领域微调的模型，在文献理解和分子设计中表现出色
• FunSearch（Google DeepMind, 2024）：结合 LLM 与演化算法，在组合优化和数学猜想上发现了新的可行解
• LLM-driven Science（Stanford, 2025）：综述指出当前 LLM 主要在"假设扩展"阶段有优势，而非原创假设提出
核心挑战：
幻觉问题、实验验证成本高、领域知识边界模糊仍是主要障碍。最佳实践是将 LLM 作为人类科学家的" brainstorming 伙伴"，而非替代者。
科研新人必读：从拿到一篇新论文到提炼核心贡献的完整工作流，包含主动阅读技巧和笔记模板。
第一步：动机（5分钟）
先读 Abstract 和 Introduction 的最后一段。问自己：作者想解决什么问题？为什么这个问题重要？现有方法哪里不够好？
第二步：贡献（5分钟）
找到 "We contribute" 或 "Our main contributions" 部分。顶级论文通常有 1-3 个核心贡献，用自己的话复述。
第三步：方法（20-30分钟）
带着问题读方法：作者的核心假设是什么？模型结构的关键设计是什么？推导过程有没有跳步？哪里读不懂标注出来。
第四步：实验（15分钟）
先看 main results 表，再看消融实验。问题：实验设置公平吗？baseline 够强吗？有没有 cherry-picking？
第五步：反思（10分钟）
最重要的步骤！关掉论文，想一想：如果是我，我会怎么解决这个问题？论文的不足在哪里？能否改进？
回望第一年的 PhD 生活，有一些认知转变比任何论文发表都更珍贵。
1. 想法不值钱，验证才值钱
新想法在脑子里闪闪发光，写出来、做实验、发现 90% 是错的——这才是科研的真实面貌。
2. 读论文不是为了读完，是为了用
带着自己的问题去读，边读边想 "这个方法能不能用到我的问题"。读完能复现，比读十篇不动手强得多。
3. 和导师有效沟通比努力更重要
每周 meeting 前想清楚：我需要他/她做什么决定？提供什么信息？把问题具体化，减少来回次数。
4. 接受"不知道答案"是研究的常态
很多时间花在探索错误的路上。接受不确定性，把每个 dead end 当作排除了一条路径。
5. 健康比 deadline 重要
熬一周的夜可能产出两天的有效工作。规律作息、适度运动，才是可持续的科研节奏。
不是教你用 AI 写论文，而是用好 AI 辅助润色、逻辑梳理、文献综述的实操方法。
1. 润色（Polishing）
不要用"Please improve my writing"，换成："Please polish this paragraph for academic clarity. Keep the meaning exact, reduce redundancy, and ensure the logical flow is clear."
2. 文献综述辅助
让 AI 帮你建立论文关联图，而非替你写。Prompt："Based on [Paper A] and [Paper B], what are their complementary aspects and conflicting claims?"
3. 逻辑检查
段落之间跳跃时，AI 可以帮助识别："Please analyze the logical flow between these paragraphs and identify any gaps in reasoning."
4. 摘要生成
把全文粘贴进去，要求生成三种版本（1句/3句/完整），然后手动整合。比自己憋摘要高效很多。
核心原则：AI 是放大镜，不是替代品。你必须有足够的判断力才能用好它。
RAG 从简单的向量检索发展到多跳推理、混合检索、Self-RAG 路线图一文看懂。
RAG 的演进阶段：
• Naive RAG（2023）：retrieve top-k → concat → generate，简单但幻觉问题严重
• Advanced RAG（2024）：query 改写、混合检索（稀疏+稠密）、rerank 后处理
• Modular RAG（2024-）：模块化组合，CRAG、Self-RAG、HippoRAG 等新范式
Self-RAG（斯坦福, 2024）的核心思想：
让模型学会"自我反思"——生成过程中主动判断是否需要检索、检索结果是否相关、答案是否被检索结果支持。
未来方向：
GraphRAG（知识图谱增强）、Agentic RAG（多步自主推理）、持久记忆系统。RAG 已从"技术方案"演变为 LLM 应用的基础设施。