连续知识代谢：从不断发展的文献中生成科学假设

在快速发展的子领域中确定有前途的研究方向是现代人工智能研究中认知成本最高的任务之一。现有的 LLM 驱动的科学发现系统通常仅限于静态文献快照的一次性提示，并且仅针对当代评判者（例如人类审稿人、代理同行评审、湿实验室分析或自我评估）进行验证，是否能够预测未来趋势尚不确定。我们提出了连续知识代谢（CKM），这是一种用于假设生成的人工智能工作流程，具有三个关键功能：（i）通过滑动窗口进行连续文献代谢，以维持不断发展的知识状态； (ii) 预测评估，根据生成窗口后发表的论文对假设进行评分； (iii) 从业者级故障检测，从其输出诊断工作流故障模式。在 50 个主题的机器学习基准测试中，CKM-Lite 对 72% 的主题（50 个主题中的 36 个）产生至少一个经过验证的假设，以每个主题约 3 美元的价格将一次性基线 (30%) 提高了一倍以上，并将词元成本降低了 91%。经过验证的假设比匹配的论文平均早 404 天（36 个主题 55 个点击；中位数 399 天，范围 66-757 天）。从广义上讲，针对未来文献的预测验证为当代法官评估协议提供了一种可证伪的、低成本的替代方案，并且可以应用于任何语料库已注明出版记录日期的地方。