对抗AI诱发的同质化：多样化个性化研究构思

AI辅助研究构思已成为加速科学发现的有前景范式，现有系统已能基于论文、主题或轻量级研究者背景生成研究方向。然而，当前系统大多孤立地优化单条建议。这留下两个盲点。第一，粗糙的研究者表征可能引出看似普遍可行、但缺乏足够研究者特定依据的主流方向。第二，相互独立的推荐会使一个社区的研究组合集中于反复出现的高概率主题。为解决这些盲点，我们提出DivAlign，一个保持对齐的去同质化四阶段流水线。DivAlign提取细粒度的研究者画像，生成以画像为条件的候选方向，沿三个对齐维度（可执行性、可理解性与成长潜力）为候选评分，并在降低社区组合冗余的同时呈现研究者本地化的方向。在我们从五个子领域95位AI研究者构建的基准上，DivAlign在保持研究者-方向契合度的同时降低了社区级冗余。与粗糙的单次构思相比，它将平均成对相似度从0.331降至0.294，最近邻相似度从0.704降至0.608。与独立最优选择变体相比，DivAlign将最近邻相似度从0.663降至0.608，同时保留了99.9%的研究者-方向契合度得分。代码与数据见 https://github.com/Ruixxxx/DivAlign。