学术界追逐自动化科研的狂热，正在主流大模型近亲繁殖的泥潭里撞墙。NeurIPS 2026（Main Track）最新接收的论文《The Alien Space of Science》，作者 Alejandro H. Artiles 等人直指当下 AI 辅助科研的核心软肋：前沿模型生成的科研假设，本质上是在高引用、高频共现的舒适区内循环倒手。这项研究从 16,068 篇顶级机器学习与自然语言处理文献中提炼机制，提出了寻找科学外星空间的采样算法，不追求替学者写代码水论文，而是用数学手段逼迫机器走向人类盲区。
这项工作的核心判断在于，AI for Science 的真正价值是提供认知互补，而不是做低水平生产力的加速器。
概念覆盖率低至10.5%，大模型科研陷入学术近亲繁殖
当科研人员用自然语言提示词让商用大模型构思新课题时，得到的往往是换汤不药药的拼凑方案。论文通过量化对比揭示了一组扎实数据：在有效概念原子覆盖率上，主流前沿大模型基线表现极其狭隘，Claude 仅为 10.5%，Gemini 也只有 20.6%。这意味着大模型天生偏好人类学者反复讨论的高密度地带，忽略了绝大部分在科学上完全自洽但无人问津的边缘概念。
以往的自动化科研尝试，如 2024 年 Sakana AI 推出的 The AI Scientist，把精力倾注在实验跑通、生成代码和自动写论文的全流程闭环上，最终却受制于平庸 idea 与自评自夸的困境。2025 年 Google DeepMind 的 AI co-scientist 转向多智能体辩论与专家偏好对齐，依然依赖学者给定的知识框架。
Alien Space 另辟蹊径，将科研方向抽象为模块化的概念网络。作者将来自 NeurIPS、ICLR、ICML 及顶级 NLP 会议的 16,068 篇论文拆解为想法原子（idea atoms）。算法的核心机制是把目标函数显式拆解为两个对立维度：一方面评估科学可行度（Coherence），确保原子组合符合文献的逻辑律；另一方面评估人类社区的认知可及度（Availability），刻意压低那些已有团队高度擅长的组合。两相权衡，最终实现了 72.5% 的原子覆盖率，展现出 3.5 至 7 倍的多样性优势。
决定科研边界的不只是客观真理，还有人类学术圈层自身的认知惯性。
目前该成果的完整实现已在 GitHub 开源，仓库为 alejandrohdez00/alien-space-of-science，模型权重托管于 Hugging Face。这套架构展现出极高的工程克制：其核心打分与组合采样算法完全脱离大模型运行，只有在最终将筛选出的原子三元组转写为文本课题提案时，才按需调用 LLM 的 API 接口。
3.24倍未知突破与191个冻结原子：如何挤干预测水分
在科学计量学领域，评估一个算法能否预测未来方向，时间回溯测试是唯一的试金石。Alien Space 的实验验证展现了严苛的验证逻辑，同时也需要读者剔除对营销数字的迷信。
在全部使用 pre-2025 数据的时间回溯验证中，算法仅选取前 1% 的候选空间，重构 2025 年现实论文出现的组合概率达到了均匀随机基准的 35.9 倍。但这 35.9 倍本质上是对已知交叉趋势的精确捕获。真正考验算法盲区探索能力的，是针对此前从未连线过的严格新颖三元组（strictly novel triples）：纯粹依靠科学可行度模型时命中率为 2.35 倍，而一旦引入认知不可及权重，召回率跃升至 3.24 倍。
更值得关注的是研究团队对时序数据泄漏（Temporal Leakage）的补漏过程。论文正文共 11 页、附录多达 44 页并包含 29 张图表。在早期的 v2 版本中，研究曾遭到同行对聚类泄漏的严厉审视：当时作者使用跨越全局年代的数据聚类出 273 个原子，被质疑无意中借用了未来知识。为此，最新的 v3 版本彻底废弃了旧机制，完全基于 pre-2025 数据冻结并构建了 191 个原子词表，随后将 2025 年的新论文直接向这些冻结质心进行刚性投影，用彻底的学术排毒夯实了结论底线。
- 结论.对于饱受同质化竞争折磨的科研人员，算法提供了一份量化的防撞车罗盘，能把选题范围强行拉出拥挤圈层。
认知不可及是科学富矿，还是合理的死胡同？
从学术工具转入现实考量，任何自动化选题机制都必须直面概念有效性的终极拷问。论文将不可及性定义为没有学者发表过此类记录，但学术界的共识是，没发表过往往存在两种极端：它要么是全行业遗漏的富矿，要么是早已被先辈反复验证、物理上走不通的废弃矿道。
在针对 40 个科研提案的双盲评审中，10 位人类评审员给出的综合质量打分显示，Alien Space 生成的提案与 Claude 打平。同时，研究者将这 40 个选题接入下游固定研究管线进行代码与实验执行，在 50 位专家校准的评测体系下确认了其执行可行性。
平局的判定恰恰说明了当下的局限。仅靠 10 位评审员与 40 个样本，不足以推导出机器已具备超越人类先驱的假说构想能力。此外，那 35.9 倍的恢复增益使用的是均匀随机分布作为分母基线，尚未彻底剔除概念本身的基础词频演化。统计网络在过滤掉离谱胡话的同时，还无法 100% 鉴别出哪些冷门组合是真正孕育新范式的火种，哪些只是学术上行不通的废弃构想。
- 风险.采纳此类算法的学者需要承担额外的辨伪成本，防止将看似自洽实则缺乏物理意义的生硬跨界当成重大发现。
接下来最核心的观察指标，是观察学术界是否会把这套机制从计算机论文语料迁移到生物医药、材料化学等实体科学领域，以及真正基于外星空间提案立项的实验室，能否产出经得起现实检验的实证突破。科技界并不缺少制造平庸论文的打字机，能否从算法的荒野中淘出真金，决定了这项研究究竟是一次数学游戏，还是科研范式裂变的一声清脆哨音。