Hacker News· martincsweiss·· 1 天前AI 评分38
研究提出“科学异空间”采样器：在 NeurIPS 2026 论文中挖掘连贯但认知不可及的研究方向
The alien space of science: Coherent but cognitively unavailable directions
AI 导读
研究者提出“科学异空间”（alien space of science）采样方法，将论文拆解为概念单元并聚类成“想法原子”词表，用连贯性模型与可得性模型对组合排序，最大化连贯性同时最小化现有作者社区的可产出性。
正文 · AI 翻译
摘要：科学发现不仅受限于什么是真实的，还受限于研究人员在认知上能够触及什么。许多方向在文献看来是连贯的，却不太可能被提出，因为没有现存的学术群体同时结合了相关的概念、方法和直觉。现代语言模型继承了这种偏差，在被提示给出新颖想法时，会重新组合文献中的高密度区域。我们瞄准的是互补区域，即科学的异己空间：那些在科学上合理、但在现有研究人员的分布下不太可能出现的方向。我们的方法将论文分解为概念单元，并将它们聚类成一个由想法原子构成的词汇表。一个连贯性模型评估原子组合是否构成可行的研究方向，而一个可得性模型评估是否有任何现有作者群体处于能够产出这些方向的位置。我们对组合进行排序，以最大化连贯性并最小化可得性。在来自 NeurIPS、ICLR、ICML 和主要 NLP 会议的 16,068 篇同行评审 LLM 论文上，该采样器产生的研究组合比前沿 LLM 基线更多样，包括能看到其全部输出的批量提示变体，同时在盲测人工、LLM 和下游实验评估下，其单个想法的质量与基线相当或超过基线。在时间验证中，所有组件仅使用 2025 年之前的数据。从候选空间中选取不到 1% 即可找回 2025 年的组合，达到随机概率的 35.9 倍；对不可得性加权后，严格新颖组合的找回率提高到随机概率的 3.24 倍。通过将科学合理性与群体可得性分离，我们的框架指向一种补充而非仅仅加速人类科学的 AI 构思，将探索扩展到群体可能忽视的连贯方向。
| 评论： | Advances in Neural Information Processing Systems, NeurIPS 2026 Main Track。正文 11 页，附录 44 页，29 幅图 |
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2603.01092 [cs.AI] |
| （或本版本的 arXiv:2603.01092v3 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2603.01092 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Alejandro Hernandez Artiles [查看邮箱]
[v1]
2026 年 3 月 1 日周日 13:05:19 UTC（569 KB）
[v2]
2026 年 5 月 15 日周五 23:12:34 UTC（2,833 KB）
[v3]
2026 年 10 月 21 日周三 08:59:34 UTC（3,197 KB）
来源：Hacker News · arxiv.org