大型語言模型（LLMs）在各個(gè)領(lǐng)域都是一個(gè)優(yōu)秀的助手，廣大科研人員也對(duì)LLM在加速科學(xué)發(fā)現(xiàn)方面的潛力充滿期待，比如已經(jīng)有研究提出了能夠自主生成和驗(yàn)證新想法的研究智能體。

然而，至今還沒有評(píng)估結(jié)果能夠證明LLM系統(tǒng)能夠生成新穎的、達(dá)到專家水平的想法（idea），更不用說接手完成整個(gè)研究流程了。

為了填補(bǔ)這一空白，斯坦福大學(xué)的研究人員最近發(fā)布了耗時(shí)一年完成的新實(shí)驗(yàn)，獲得了第一個(gè)具有統(tǒng)計(jì)學(xué)意義的結(jié)論：LLM生成的想法比人類專家撰寫的想法更新穎！

論文鏈接：https://arxiv.org/pdf/2409.04109

在論文中，研究人員設(shè)計(jì)了一個(gè)完整的實(shí)驗(yàn)，可以評(píng)估模型在新研究思路生成方面的能力，同時(shí)對(duì)可能的干擾因素進(jìn)行控制，首次將專家級(jí)的自然語言處理（NLP）研究人員與LLM創(chuàng)意代智能體進(jìn)行直接比較。

實(shí)驗(yàn)招募了超過100名高水平NLP研究人員來撰寫新想法，然后對(duì)LLM生成的想法和人類想法進(jìn)行盲審，參與者來自 36 個(gè)不同的機(jī)構(gòu)，大部分是博士和博士后。

通過這種方式，研究人員首次得出「LLM在研究創(chuàng)意生成」能力的統(tǒng)計(jì)顯著結(jié)論：LLM生成的想法在新穎性方面優(yōu)于人類專家的想法（p < 0.05），但在可行性方面略遜一籌。

在深入研究基線模型時(shí)，研究人員發(fā)現(xiàn)了構(gòu)建和評(píng)估研究智能體中的一些開放性問題，包括LLM自我評(píng)估的不足以及在生成過程中缺乏多樣性。

在實(shí)驗(yàn)過程中，研究人員意識(shí)到，即使是專家，對(duì)想法新穎性的判斷可能也非常困難，因此，文中提出了一個(gè)端到端的研究設(shè)計(jì)，招募研究人員將這些想法轉(zhuǎn)化為完整的項(xiàng)目。

問題設(shè)置

研究人員將科研想法評(píng)估（research idea evaluation）分為三個(gè)獨(dú)立的子部分，主要關(guān)注潛在的混雜因素，如研究領(lǐng)域、研究想法的格式和評(píng)估過程。

1. 想法本身，根據(jù)指令產(chǎn)生；

2. 傳達(dá)想法的書面報(bào)告（writeup）；

3. 專家對(duì)書面報(bào)告的評(píng)估。

構(gòu)想的范圍和指令（Ideation Scope and Instructions ）

研究想法既可以是一個(gè)能夠提高模型性能的技巧，也可以是博士論文中描述的大規(guī)模研究計(jì)劃，任何關(guān)于構(gòu)想的實(shí)驗(yàn)都必須仔細(xì)平衡研究想法的「現(xiàn)實(shí)性」和「趣味性」。

受思維鏈等項(xiàng)目的啟發(fā)，一些簡(jiǎn)單的提示思路就能大幅提升LLM的性能，還能夠在不復(fù)雜的計(jì)算硬件上執(zhí)行，所以研究人員選擇「基于提示的自然語言處理」研究作為初步實(shí)驗(yàn)領(lǐng)域。

在提示詞的編寫思路上，LLM更傾向于安全的主題，與人類的偏好不一致，所以研究人員為了統(tǒng)一目標(biāo)，從最近的NLP會(huì)議的征稿頁面中提取了七個(gè)具體的研究主題，包括偏見（bias）、編碼（coding）、安全性（safety）、多語言性（multilingual）、事實(shí)性（factuality）、數(shù)學(xué)（math）和不確定性（uncertainty）。

想法書面報(bào)告（idea writeup）

一個(gè)想法只有在被寫出來后，其他人才能以此交流并評(píng)估，但寫作過程會(huì)引入其他混雜因素，例如人類研究者可能會(huì)用春秋筆法讓研究?jī)?nèi)容看起來更高大上，比如包括更多的例子和實(shí)現(xiàn)細(xì)節(jié)。

研究人員從資助申請(qǐng)中使用的指南中獲得靈感，編寫了一個(gè)模板來指定想法提案的結(jié)構(gòu)和詳細(xì)程度，包括標(biāo)題、問題陳述、動(dòng)機(jī)、提出的方法、逐步實(shí)驗(yàn)計(jì)劃、測(cè)試用例示例和備選計(jì)劃等字段。

不過，即使有了模板，可能仍然存在微妙的寫作風(fēng)格差異，例如，人類可能傾向于以更具吸引力和非正式的語氣寫作。

為此，研究人員又開發(fā)了一個(gè)風(fēng)格標(biāo)準(zhǔn)化提示，使用LLM將所有想法轉(zhuǎn)換為相同的寫作和格式化風(fēng)格，而不改變?cè)純?nèi)容。

評(píng)審和評(píng)估（review and evaluation）

對(duì)研究想法的評(píng)審?fù)侵饔^的，研究人員的目標(biāo)是設(shè)計(jì)一個(gè)明確定義所有評(píng)審標(biāo)準(zhǔn)的表格，以盡可能地將評(píng)審過程標(biāo)準(zhǔn)化和錨定評(píng)估。

研究人員在設(shè)計(jì)評(píng)審表格時(shí)，遵循了AI領(lǐng)域會(huì)議（如ACL和ICLR）評(píng)審的最佳實(shí)踐，定義了四個(gè)分解指標(biāo)，包括新穎性（novelty）、興奮度（excitement）、可行性（feasibility）和預(yù)期效果（expected effectiveness）。

每個(gè)指標(biāo)在評(píng)審時(shí)，都有一個(gè)1-10的數(shù)字評(píng)分，和一段文本作為理由。

盲審評(píng)估從三種不同條件下對(duì)想法進(jìn)行對(duì)比：

1. 人類想法（human ideas）：由招募的專家研究者撰寫的想法提案。

2. AI想法：由LLM智能體生成的想法提案，直接從智能體的輸出中獲取排名靠前的想法。

3. AI想法+人類重新排名：由LLM智能體生成的想法提案，再由人工手動(dòng)從LLM智能體生成的所有想法中選擇了排名靠前的想法，以便更好地估計(jì)AI想法的上限質(zhì)量。

想法生成智能體（idea generation agent）

論文檢索

為了使創(chuàng)意生成有據(jù)可依，智能體需要檢索與給定研究主題相關(guān)的論文，以便在生成新創(chuàng)意時(shí)能夠了解相關(guān)研究。

研究人員利用檢索增強(qiáng)生成（RAG），給定一個(gè)研究主題后，例如「能夠提高事實(shí)性并減少大型語言模型幻覺的新型提示方法」，首先提示一個(gè)LLM生成一系列對(duì)Semantic Scholar API的函數(shù)調(diào)用，然后使用claude-3-5-sonnet-20240620作為智能體的骨干模型，論文檢索的動(dòng)作空間包括：{KeywordQuery(關(guān)鍵詞), PaperQuery(論文ID), GetReferences(論文ID)}。

然后根據(jù)一系列標(biāo)準(zhǔn)對(duì)檢索到的文獻(xiàn)進(jìn)行評(píng)分和排序，包括文獻(xiàn)與主題的相關(guān)性、是否包含計(jì)算實(shí)驗(yàn)的經(jīng)驗(yàn)性研究，以及文獻(xiàn)的創(chuàng)新性和啟發(fā)性，最多檢索120篇論文。

創(chuàng)意生成

研究人員的思路是，首先用LLM為每個(gè)研究主題生成4000個(gè)種子創(chuàng)意，創(chuàng)意生成提示包括示范示例和檢索到的論文；然后用排序器來從中選取出一小部分高質(zhì)量的，為了從龐大的候選創(chuàng)意池中去除重復(fù)的創(chuàng)意，使用Sentence-Transformers中的all-MiniLM-L6-v2對(duì)所有種子創(chuàng)意進(jìn)行編碼，然后計(jì)算成對(duì)的余弦相似度來進(jìn)行一輪去重，最后得到大約5%非重復(fù)創(chuàng)意。

創(chuàng)意排名

為了對(duì)創(chuàng)意進(jìn)行排名，研究人員利用了1200篇ICLR 2024會(huì)議中與大型語言模型相關(guān)的論文及其評(píng)審分?jǐn)?shù)和接受決定的數(shù)據(jù)。

結(jié)果發(fā)現(xiàn)，當(dāng)直接要求LLMs預(yù)測(cè)論文的最終分?jǐn)?shù)或接受決定時(shí)，模型的預(yù)測(cè)準(zhǔn)確性不高，但在成對(duì)比較中判斷哪篇論文更優(yōu)秀時(shí)，卻能夠達(dá)到較高的準(zhǔn)確性。

研究人員使用Claude-3.5-Sonnet模型作為自動(dòng)排名器，在零樣本提示下，通過成對(duì)比較任務(wù)達(dá)到了71.4%的準(zhǔn)確率，優(yōu)于其他模型。

為了確保所有項(xiàng)目提案的排名可靠性，采用瑞士制比賽系統(tǒng)進(jìn)行多輪評(píng)分；在驗(yàn)證集上，發(fā)現(xiàn)排名前10的論文與排名后10的論文在平均評(píng)審分?jǐn)?shù)上有明顯差異，證明了排序器的有效性；在實(shí)驗(yàn)中，選擇了5輪作為評(píng)分標(biāo)準(zhǔn)。

此外，為了比較AI排序器與人類專家的差異，研究人員還設(shè)置了一個(gè)條件，即由人工手動(dòng)對(duì)生成的項(xiàng)目提案進(jìn)行重排，結(jié)果顯示兩種排名方法存在一定差異。