信息来源：RUC人工智能治理研究院 发布时间：2025年11月3日

10月29日，中国人民大学人工智能治理研究院举办了第十期“人工智能治理沙龙”，邀请北京大学信息管理系助理教授、博士生导师步一做主题分享，聚焦大模型赋能科学研究的最新进展与治理挑战，探讨其在科研活动中带来的潜力、风险与制度应对；沙龙由中国人民大学人工智能治理研究院院长、哲学院教授刘玮主持。

一、大模型科研格局的演变

步一老师首先介绍了大模型在科研领域的总体表现与发展现状。他基于中国大陆学者的论文发表数据，从城市分布、机构类型、学科结构等多个维度进行了系统分析。研究显示，自2023年以来，大模型在科研活动中的参与度呈爆发式增长，已成为推动科研创新的重要力量。同时，步一指出，这种增长在不同维度上存在差异：高校在大模型科研应用中的占比很高，显示出学术机构在推动科研创新方面的作用。

二、大模型赋能科研的多维探索

步一老师进一步以七个典型案例展示了大模型赋能科学研究的多维图景，从科研文献推荐到数据标注，呈现出人工智能技术对学术生产方式的影响。他指出，大模型正逐步渗透科研全过程，不仅提升科学发现的效率，也暴露出新的偏见与治理挑战。

首先，在科技文献推荐方面，步一通过大量实验发现，大模型在论文推荐中展现出强大的语义理解与检索能力，但同时也暴露出对白人作者论文的隐性偏好。他提醒学界应警惕大模型推荐的结构性偏见。

其次，在科研贡献抽取研究中，面对大量论文缺乏作者贡献标识的情况，他分享了基于大模型的贡献识别算法，能够自动提取包括lead等类别在内的贡献类型，从而揭示科学合作中的“直接支持”与“间接支持”差异，这为科研信用评价提供了新的数据基础。

第三个案例聚焦科学写作分析。他通过检测近年来论文中的AI内容占比，发现大模型的介入正在显著改变科研写作生态。他从地区、学科等多个维度展开计量分析，结果表明，大模型有助于提升论文质量与发表率，但也带来伦理风险等新问题。

第四个案例是在自动化数据科学方面，基于大模型的规划与策略集成框架，可以将大模型嵌入传统情报学科研流程，实现从数据收集到分析的自动化衔接。

第五个案例探讨了大模型在科研评价环节的应用。通过设计多种提示策略来验证大模型在识别和评价论文的跨学科程度中的潜力，实验结果表明，大模型在一定条件下的判断已可与人类专家相当，这也为论文原创性与新颖性评估，以及智能化同行评审提供了启示。

步一随后介绍了两个延展性案例。其一是检索增强与文化认同研究，他介绍了基于World Values Survey数据集的检索增强生成框架，发现该机制能够使大模型在文化语境下的响应更贴近人类。其二是大模型赋能数据标注，通过构建多层级的智能体体系，实现从任务规划、数据分层到质量控制的标注，使科研数据的生产与更新更加高效。

总体来看，这七个案例展示了大模型在科学研究不同环节的广泛应用与影响。它既能作为科研生产力的放大器，提升知识发现与创新速度，也可能成为偏见与不确定性的传播媒介。

三、思想碰撞与互动交流

报告结束后，现场观众展开了热烈讨论。博士生姚艾昕首先提问：大模型在文献推荐中是否对开放获取（OA）与非开放获取论文存在偏好？步一回应称，这种倾向很大程度上取决于提示设计与文献数据的可得性。

博士生王振华随后指出，在文献推荐评估中可能存在行为反馈偏见：用户对推荐内容的已有点击与下载行为会被大模型视为正向信号，从而不断强化原有偏好，形成“偏见循环”。他认为这是一种结构化偏差，循环机制也会放大这一问题。步一认为这一观点非常重要，值得在后续研究中深入探讨。信息资源管理学院的方志超老师进一步补充，DeepSeek与GPT-4o分别代表中西方大模型的不同文化语境，因此行为反馈偏见可能还受文化差异的影响，其复杂程度远超预期。

信息资源管理学院的杨冠灿老师关注大模型在论文跨学科评价中的一致性问题，提问其是否与人类专家的跨学科判断存在偏差。步一认为，研究显示大模型的判断与人类专家的判断确实存在一定差异，并表示对该偏差的缓解可能将成为未来研究的重要方向。

信息资源管理学院的任明老师针对大模型驱动的科研决策与多代理规划问题，提出大模型在协调数据预处理、特征工程、建模与超参数调整等关键模块时，如何保持整体一致性与任务协同，并询问此类多代理框架对现有科研工作流程的适应程度与潜在冲击。步一表示目前该框架整体上属于雏形，距离实现真正的成熟与大规模推广还需要在算法优化、任务分配与系统耦合等方面做出更多努力。

四、总结与展望

本次沙龙在思想与方法的交织中圆满结束。通过步一老师的系统报告与现场交流，参会师生深入理解了大模型赋能科学研究的机遇，也认识到科研场景中大模型使用的治理挑战。

人工智能治理研究院将继续聚焦大模型时代的学术创新与社会责任，推动科学研究与智能治理的协同发展。