你的AI助手真的懂“头脑风暴”吗?Nature子刊新探:高智商大模型,未必能想出好Idea

作为科研工作者，“新颖性”三个字，或许是所有人一听到都会头痛的“紧箍咒”。

最怕的瞬间，莫过于面对一个空空如也的新建文件夹，背后是浩如烟海的同行文献。你盯着天花板苦思冥想，试图在旧地图里找一条从未有人走过的新路，去抓那个既能惊艳Reviewer #2、又能扎实落地的Idea。这种感觉像是在深海里徒手捞一只外星人——既要在黑暗中碰运气，还得指望它真实存在。

这几年，AI的进化速度几乎惊掉了所有人的下巴。大模型、Agent、Skills等新鲜事物持续涌现，AI变得越来越聪明，越来越全能。在面对论文调研，可行性分析等工作时，我们第一时间想到的工具从SciFinder和Google Scholar，变成了ChatGPT或者Gemini。作为碳基科研工作者，我们难免会对身边的硅基伙伴们生出憧憬：既然列位诸公这么靠谱能干，那灵感的火花是不是也能靠你们点燃？我的Paper创新点，是不是终于有救了？

但现实可能要先给你泼一盆冷水。

近期，一篇由中国人民大学、浙江大学、中国科学院等机构联合发表在《Nature Communications》上的研究精准地拆解了这个幻想。研究发现：大模型的做题能力和它的科学创意生成能力，在很大程度上是两条并不重合的平行线。

今天，我们就来聊聊这篇充满洞见的文章。带你认清AI在科研中的真实定位，看看在这个 AI浓度爆表的时代，如何才能挑选出真正靠谱的“学术合伙人”。

一、为什么以前的测试，测不出AI的“科研脑”？

在此之前，人们评估大模型通常看重它们在逻辑推理、数学计算或代码生成上的表现。这些任务有一个共同点：它们考察的主要是收敛性思维，也就是根据已知条件，推导出一个预定的“正确”答案。

但科研创新的破局点，往往在于发散性思维的运用。许多突破性的科学发现，源于对极少线索的意外关联和概念跳跃。换句话说，真正的“头脑风暴”，是给你一个非常宽泛的概念，你能发散出多个充满想象力且合理的新方向。

现有的评估基准大多需要输入长篇大论的文献摘要或完整文章，让AI去总结或顺着往下写。这种方式能很好地测试模型吸收现有知识的能力，但很难系统地评估它们“凭空想点子”的能力。

二、LiveIdeaBench：给大模型的“创意摸底考”

为了更客观地评估模型在限制条件下的发散思维，研究团队基于经典的吉尔福特创造力理论，开发了一个名为LiveIdeaBench的动态评估基准。

他们的做法非常贴近我们真实的科研痛点：

🔺极简提示词：不给长篇文献，每次只给模型抛出一个科学关键词（比如“bacteriology”、“surface chemistry”等），促使模型依靠自身内部的知识网络进行发散性思考。

🔺海量动态考题：词库包含横跨22个科学领域的1,180个前沿科学关键词，并且每月动态更新以紧跟科研前沿，防止模型“背题”。

🔺五维雷达图：从五个维度给生成的Idea打分：原创性、可行性、流畅度、灵活性和清晰度。

🔺AI评委团：引入了由10个当前最顶尖模型组成的多模型评委团进行盲审和交叉打分。

在这个考场上，团队对超过40款当前主流的大模型进行了全面摸底。

三、揭榜时刻：谁才是实验室里的“点子王”？

研究结果揭示了几个颇具启发性的结论，对我们日常使用AI工具有着直接的指导意义：

1. 高智商≠高创意

这是整篇文章非常核心的发现：模型在通用智力基准上的得分，不能很好地预测它生成科学想法的能力。

🔺“偏科天才” QwQ-32B-preview：这个模型在通用智力测试中表现平平，但它的科学创意生成能力却出奇地高，甚至能和智力顶尖的模型表现相当。

🔺“做题家” o3-mini-high：这类模型以极强的逻辑和数学推理能力著称，但在被要求发散思维构思科学Idea时，表现却相对中庸。

2. 各有所长的“学术偏好”

大模型的创意能力存在一定的领域特异性，不同模型在不同学科中各有所长。例如，测试指出：claude-3.7-sonnet:thinking在化学、医学和数据科学领域的表现拔得头筹。如果你正在构思一个分子层面的新机制或是探索新的合成途径，找它探讨是个不错的选择。相对而言，deepseek-r1在物理学领域展现出了更强的相对实力。

3. “天马行空”与“脚踏实地”的权衡

在科研中，一个Idea光新颖不够，还得能在现有的实验条件下跑得通。测试发现，模型在这两点上往往存在取舍：

🔺天马行空型：claude-3.7-sonnet:thinking拿下了极高的原创性得分，但可行性相对中等。

🔺脚踏实地型：nova-pro-v1则是相反的画风，给出的点子落地性强，但原创性稍显不足。

🔺六边形战士：值得关注的是，deepseek-r1在原创性和可行性之间展现出了极佳的平衡，是一个综合实力非常全面的多面手。

4. 别被长篇大论忽悠了：字数不等于质量

有时候我们会觉得，AI给出的答案越长、推演过程看起来越复杂，这个点子就越有深度。但数据表明，想法的长度与想法的质量之间只有非常微弱的正相关。哪怕是专门为推理设计的模型，它们长篇大论的“思考过程”也未必能推导出一个高质量的科学创见。

四、总结：AI是助攻，C位还得是你

LiveIdeaBench的出现为评估大模型的创新潜能提供了一个极具启发性的“新坐标”。它清醒地提醒我们，大模型的通用智力和科学创意不是一回事儿，做题厉害不代表点子就新，想靠大模型一键产生创新点，可能还要有一段路要走。

不过作为一个固定的评测基准，LiveIdeaBench也具有其局限性。首先，我们必须承认，诞生在实验室中的真实的创新，往往比“看词说话”的定式要复杂得多，它涉及复杂的逻辑分析与大胆的判断，而这些深层特质与目前的基准测试模式之间，依然存在着微妙的“次元壁”。

此外，AI领域的发展瞬息万变。截至这篇推送的发稿日，GPT-5.4、Claude Opus 4.6等模型已经刷屏，这些新模型能否在LiveIdeaBench的考验下展现出更接近人类的创造力，确实令人期待。

最后，让我们关注一个终极设想：如果在未来的某一天，AI真的可以包办科研工作的创新点，由机器人主导的自动化实验室接管了实验的执行流程，那么在这个由硅基生命主导的科研闭环中，我们的位置又在哪里？

参考资料：

https://www.nature.com/articles/s41467-026-70245-1