AI连数据都找不对,还谈什么自动科研?中科院盯上了这一关

AGENT FOR SCIENCE · 科研现场

你让AI找数据，它很快交来一串链接。

标题都挺像，摘要也说得通。点进去才发现：有的地区不对，有的时间不对，有的只能看图片，有的根本拿不到你需要的那张表。

最麻烦的，往往是那个看起来最接近的结果。

下载成功了，文件也能打开。你顺手往下做，过了很久才发现，这份数据回答的压根不是你最初那个问题。

自动科研的第一步，就可能走错门。

中科院计算机网络信息中心等机构的团队，提出了Scientific Data Skill，简称SciDSK。它把一份数据的背景、文件说明和使用指引整理成AI可读取的技能包，原始数据仍留在原来的仓库。

在作者的检索测试里，第一名命中率从71.15%提高到80.77%。另一个数据解释测试中，检查项通过数从22/24变成23/24。它主要检验的是找数据、理解数据，还不是完整科研流程。

图1｜论文展示的两个关卡：找到合适的数据，理解文件到底装了什么。本文围绕这张图讨论数据使用问题，原图出处见文末。

这个方向值得关注。不过，比起马上下载一个新工具，我们更想追问：你的数据，为什么总让接手的人猜来猜去？

下面从一个具体的找数任务说起。

01“找到了”，可能只是标题对上了

假设你准备研究城市夏季高温，提出一个需求：

“找一份覆盖某城市、连续几年的逐小时近地面气温数据，我想分析夜间高温。”

这句话听上去已经够清楚。但落到数据选择上，还有很多信息没说出来。

城市边界是什么？“夏季”取哪几个月？夜间按本地时间划分吗？希望覆盖全城，还是只看几个站点？能接受多少缺测？

现在面前有三份候选材料。

A：这个城市的月平均温度，时间很长。

B：几个观测站的逐小时气温，时间符合，但部分月份有缺测。

C：卫星获取的地表温度，空间图像很漂亮。

它们都可能出现在“城市、高温、温度”的搜索结果里。可对于刚才的任务，三者的作用完全不同。

A的时间颗粒度可能支撑不了夜间分析。C的测量对象与近地面气温不同。B比较接近，但还要继续查站点覆盖、时间记录和缺测情况。

如果AI只把三份结果排个名，再写一句“推荐使用第一份”，这项工作其实还没完成。

你需要看到它为什么选，又为什么放弃。

一张有用的候选表，至少应该写出：与任务匹配的地方、尚未确认的条件、不能满足的要求，以及这些判断对应的原始说明。

没有这张表，后面的分析可能一直建立在一个没人核对过的选择上。

02一句“数据质量高”，到底告诉了你什么？

很多数据介绍喜欢写几句话：规模大、覆盖广、质量高、适合研究。

这些话听起来都好，但你真要用，还是得接着问。

拿刚才的温度任务来说，比“高质量”更有用的说明可能是：哪些站点参与了测量；每个站点从什么时候到什么时候有记录；时间使用什么时区；哪些读数被标记为异常；缺测是怎么记录的。

其中任何一项缺失，都可能让后续处理多出一轮猜测。

例如，你准备截取夜间时段，数据时间却使用另一种时区。文件能读，图也能画，只是你选中的时段可能已经变了。

再比如，某一列里出现大量0。它可能是真实观测值，也可能是某种导出约定。没有说明，就不能把自己的猜测写进清洗规则。

这时候，AI回答得越流畅，越容易让人忘记回头确认。

所以，我会把数据介绍里最该优先写的内容，换成三句话：

它测的是什么。

它在哪些条件下测出来。

它最容易被怎样误用。

这三句话写清楚，使用者就能少走不少弯路。

03真正好用的说明，需要一路带你走到文件

现在假设我们选中了候选B，打开它的下载目录。

里面有站点表、观测表、质量标记表，还有几个不同日期的压缩包。

下一步怎么做？

你需要知道：哪张表说明站点位置，哪张表存读数，两者靠哪个字段连接；质量标记在哪；某个压缩包覆盖哪段时间；新包是否替代旧包。

如果说明停留在“本数据包含若干气象站观测记录”，接手的人仍然要自己推断文件之间的关系。

把路径接清楚，可以先写一个很小的示例。

“先打开站点表，按研究范围选择站点编号。再到观测表中筛选这些编号，检查时间字段。质量标记的解释见对应说明。保留筛选条件，另存输出。”

这里只是示范如何写流程。真实项目中，每个文件名、字段名和处理规则都需要对照实际材料补齐。

让别人少猜一次，比再加一段项目背景更管用。

还有一个容易被忽略的细节：示例必须能走到底。

如果教程用了一个在下载包里找不到的文件，或者写了一个已经改名的字段，这份教程反而会制造新的困惑。

给说明做一次实际试读很简单：找一个没参与整理的人，让他按照文字找到输入、完成一次最小操作、定位输出。记录他在哪里停下来发问。

那几个停顿，就是下一版应该优先修改的地方。

04同一个模型，也值得先试试换一份说明

遇到AI选错数据，你可能第一反应就是换更强的模型。

这当然是一个选项。但还有一个成本较低、值得先做的测试：模型保持不变，换一种提供材料的方式。

第一次，只给原来的页面和目录。

第二次，补上一份经过负责人核对的说明，把测量对象、文件关系、使用条件和已知问题写清楚。

两次都问同一个问题。看它是否选对候选、是否找到正确文件、是否主动指出未知条件。

如果第二次表现改善，你就知道问题里至少有一部分来自材料组织。如果仍然出错，再逐项查是说明没写清、工具没有接好，还是模型理解不到位。

这比反复修改“你是一位资深科学家，请严谨分析”更容易定位原因。

做比较时，还有个小细节：先准备好你要检查的答案。

例如，刚才那道温度任务，可以提前写下四项：是否区分了地表温度与近地面气温；是否检查了时间分辨率；是否指出缺测；是否保留待确认条件。

然后再看AI回答，不要等它写完一大段漂亮文字，才临时决定“好像不错”。

研究方向越专门，越需要熟悉数据的人参与这一步。AI可以协助整理证据，但不能凭空决定一份测量是否适合某个科学问题。

05数据越来越多，解释数据的人会更值钱吗？

这件事最后会落到一个很现实的问题：谁来维护那些说明？

文件能长期存着，使用知识却常常跟着人走。

“这批有个特殊情况”“那列当时换过单位”“这个脚本只处理过某一类样本”——这些信息如果只存在于一次口头交接里，下一个使用者很可能再踩一遍。

把它们整理出来，是一项需要领域知识的工作。

你得听懂数据负责人在说什么，找到能对应的记录，再把它写成别人能够执行和核对的步骤。遇到矛盾，还要把问题送回原处确认。

做得好不好，也可以用很具体的结果来检验。

新同学第一次找到正确文件花了多久？合作方追问了几轮？出现错误后能不能定位到输入和处理步骤？换一份数据后，说明是否仍然适用？

这些都比“我们已完成智能化升级”更容易让使用者感受到差别。

对科学数据工厂来说，我更愿意从这样的服务开始设想：围绕一个具体领域，把一批真正需要反复使用的数据，整理成有人维护的可用材料。

先找一个反复发生的问题，再把它解决到下一位使用者能用。

把成功的做法留下来，把失败的地方记下来。后来接入的科研Agent，才有机会从这些积累中受益。

06现在就能做的一次小检查

打开你最常用的那份数据，不要改文件，也先别让AI清洗。

试着回答下面五个问题。

一行到底代表一个人、一个样本，还是一次测量？

最容易看错的那一列，含义和单位写在哪？

两个文件之间，靠什么对应？

第一次使用的人，应该先跑哪个最小例子？

什么情况下，这份数据不适合回答他的问题？

如果你每次都得亲自解释，那些答案就值得被写下来。

SciDSK提供了一个观察角度：当科研开始交给Agent协作，数据周围那层“怎么找到、怎么理解”的知识，也该变成可以持续维护的工作成果。

你遇到过最离谱的数据说明是什么？只有一句“详见论文”，还是一个叫“最终版2”的压缩包？欢迎评论区交流。

参考与图片来源

Xiaohan Huang等，Scientific Data Skills: Enabling Agent-Ready Scientific Data Services at Scale，2026年9月7日更新。https://arxiv.org/html/2608.19625v2

图1为该论文Figure 1，用于本文对数据发现与解释问题的评论，版权归原作者；本文未翻译或转载论文全文。论文数字为作者报告。本号未独立复现。温度数据的候选A/B/C及操作情境均为本文设计的教学例子，不对应真实数据集，也不是论文实验。AI辅助整理与写作。