Abschied vom „siebenstufigen Marathon“ der wissenschaftlichen Forschung, ein KI-Agent gestaltet die Art der Wissensproduktion neu.

Die wissenschaftliche Forschung wird seit langem romantisiert.

Sie ist keine einheitliche Handlung, sondern eine in sehr feine Schritte unterteilte Fließband. Literaturrecherche, Filterung, Lesen, Strukturierung, Hypothesenbildung, Experimente, Validierung und schließlich das Schreiben und die Veröffentlichung – diese sieben Glieder bilden fast den grundlegenden Weg aller akademischen Arbeit.

Das Problem liegt darin, dass jedes Glied dieses Wegs Zeit verbraucht, aber nicht alle einen Wert schaffen.

Die Literaturrecherche bedeutet oft, aus Tausenden von Arbeiten Dutzende wirklich relevante Inhalte herauszufiltern. In der Lesephase muss man die Methoden und Schlussfolgerungen einzeln verstehen und dann im Gehirn eine noch instabile kognitive Struktur aufbauen. Erst bei der eigentlichen Problemdefinition beginnt der Forscher mit dem Teil der „Kreation“, was oft schon viel Zeit verbraucht hat.

Diese Glieder gehören im Wesentlichen zur „deterministischen Arbeit“, die zerlegt, beschrieben und wiederholt ausgeführt werden kann, aber dennoch auf menschliche Erledigung angewiesen ist. Dies führt zu einer typischen Fehlanpassung: Die wertvollsten kognitiven Ressourcen werden in großen Mengen in den am leichtesten ersetzbaren Teilen verbraucht.

In den letzten zehn Jahren ist die KI zwar in die wissenschaftliche Forschung eingetreten, aber sie bleibt meist am Rand. Sie hilft Menschen, schneller Arbeiten zu finden, Texte flüssiger zu übersetzen und sogar einen strukturell vollständigen Übersichtsartikel zu schreiben, aber diese Fähigkeiten haben die grundlegende Form der wissenschaftlichen Forschung nicht verändert. Die wissenschaftliche Forschung ist immer noch ein „Sieben-Schritte-Marathon“, der nur etwas schneller läuft.

Ein radikalerer Vorschlag liegt auf dem Tisch: Was würde passieren, wenn der gesamte wissenschaftliche Forschungsprozess intelligenten Agenten zur Ausführung übergeben würde?

Das kürzlich aktualisierte akademische KI-Agenten Qiewen Academic (d.h. die chinesische Version von WisPaper) zeigt eine neue Möglichkeit. Überlassen Sie die deterministische Arbeit der Rechenleistung und geben Sie die unbestimmte Inspiration zurück an den Menschen. Hinter diesem Satz steht eine vollständige Neuzuweisung der Produktionsweise der wissenschaftlichen Forschung.

KI erstellt keine Arbeiten, sondern beschleunigt den Prozess

Im traditionellen wissenschaftlichen Forschungsprozess muss der Mensch bei dem siebenschrittigen Forschungsmarathon ständig zwischen verschiedenen Gliedern wechseln und diese verbinden.

Das Erscheinen von Qiewen Academic bedeutet nicht, dass es direkt Arbeiten erstellen kann. Es wird vielmehr in den Fortschritt der wissenschaftlichen Forschung eingebettet und wird zu einer durchgehenden Fähigkeit. Bei einer gegebenen Forschungsaufgabe kann das System von der Literaturrecherche ausgehen, das Lesen, die Analyse und die Informationsstrukturierung abschließen, auf dieser Grundlage potenzielle Probleme identifizieren, weiter in die Experimentgestaltung und -ausführung eintreten und schließlich Ergebnisse und Berichte ausgeben.

Die Rolle der KI in der wissenschaftlichen Forschung ändert sich dadurch ebenfalls. Frühere KI ähnelte eher einem „Assistenten“, der nebenbei Ratschläge gibt oder Ihnen hilft, einen Teil der Arbeit zu erledigen. Diese Arbeiten sind meist lokal begrenzt, z. B. das Übersetzen einer Arbeit, das Zusammenfassen eines Abschnitts oder das Vervollständigen eines Codes. Der Forscher muss den Prozess ständig übernehmen, zwischen verschiedenen Aufgaben wechseln und den gesamten Fortschritt aufrechterhalten.

Unvermeidliche Halluzinationen von Maschinen erfordern eine Nachprüfung dieses Teils der Arbeit, um das Risiko von akademischem Betrug und Fälschung zu vermeiden. Qiewen Academic als KI-Agent positioniert sich näher an einem „Ausführer“. Es kann einen Teil der Inhalte ohne kontinuierliche menschliche Einmischung selbstständig erledigen. Das bedeutet, dass der wissenschaftliche Forschungsprozess zum ersten Mal die Möglichkeit hat, „verwaltet“ zu werden.

Mit einem anschaulicheren Vergleich ähnelt es dem autonomen Fahren. Im System des autonomen Fahrens ist der Mensch für die Festlegung des Ziels verantwortlich, und das System übernimmt den Weg und die Ausführung.

Nachdem dieselbe Logik in die wissenschaftliche Forschung eingeführt wurde, entsteht eine ähnliche Arbeitsteilung. Der Forscher definiert das Problem, und Qiewen Academic als intelligenter Agent übernimmt den Fortschrittsprozess.

Die Veränderung des wissenschaftlichen Forschungsprozesses zeigt sich ab hier.

Zuerst wird die Zugehörigkeit des Prozesses neu unterteilt. Aufgaben, die ursprünglich schrittweise von Menschen erledigt werden mussten, werden zu einem Prozess integriert, der vom System insgesamt übernommen werden kann. Glieder wie Recherche, Lesen und Strukturierung, die ursprünglich stark auf menschliche Arbeit angewiesen waren, müssen nicht mehr einzeln eingegriffen werden, sondern werden in derselben Logik kontinuierlich verarbeitet.

Zweitens wechselt die Arbeitsweise der wissenschaftlichen Forschung von einem seriellen Prozess zu einer parallelen Struktur. Nach dem Eingreifen solcher KI-Agenten kann die wissenschaftliche Forschung nicht mehr nur entlang eines einzigen Wegs voranschreiten. Mehrere Hypothesen können gleichzeitig aufgestellt werden, und mehrere Richtungen können parallel validiert werden. Die Arbeitsweise eines Forschers ändert sich von der Lösung eines einzelnen Problems zur Verwaltung einer Gruppe von Problemen.

Wenn der Prozess selbst neu organisiert wird, ändert sich auch der Rhythmus der wissenschaftlichen Forschung.

100-facher Geschwindigkeitsmotor: Zum ersten Mal entsteht ein „Generationsunterschied“ in der wissenschaftlichen Forschung

Was die Produktfähigkeit betrifft, besteht das erste, was Qiewen Academic tut, darin, die Kette des traditionellen Forschungspfades zu „entkoppeln“. Im traditionellen Pfad gibt es Warte- und Wechselkosten zwischen jedem Glied. Was Qiewen Academic bringt, ist eine exponentielle Effizienzsteigerung.

Diese Veränderung ist konkret. Laut seinen öffentlichen Angaben steigert das KI4S-Modell von Qiewen Academic im Vergleich zur traditionellen menschlichen Arbeit die Effizienz bei der Literaturrecherche schätzungsweise um das 10- bis 100-fache. Die Literaturfilterung, die ursprünglich Wochen dauert, wird auf Minutenebene komprimiert; die Lesegeschwindigkeit von Arbeiten wird um das 20-fache erhöht, und das Lesen und Strukturieren, das Monate dauert, wird auf stufenweise strukturierte Extraktion auf Stundenebene komprimiert; die Problemidentifikation kann in globalen Daten systematisch gescannt und lokalisiert werden, um mit 50-facher Geschwindigkeit das Ziel zu erreichen. Diese Effizienzsteigerung kann fast den gesamten Lebenszyklus der wissenschaftlichen Forschung neu gestalten.

Gleichzeitig basiert die Effizienzsteigerung von Qiewen Academic auf einer effektiven und zuverlässigen Grundlage. Nach seinen veröffentlichten Daten liegt die Genauigkeit der Literatursuche von Qiewen Academic bei 93,78 %, während die der Mainstream-Modelle etwa bei 70 % liegt; die Genauigkeit der Dokumentenlayout-Analyse, Formelanalyse und Tabellenanalyse liegt alle über 90 %, was insgesamt über dem Branchendurchschnitt liegt.

Diese Fähigkeiten erzeugen keine direkten Schlussfolgerungen, bestimmen aber, in welcher Form die Informationen in die nachfolgende Verarbeitung eingehen. Variablenbeziehungen, Experimentstrukturen und Datenverteilungen werden im Voraus zerlegt, und das Lesen wechselt von der einzelweisen Verarbeitung zur strukturierten Aufnahme.

Insbesondere liegt die Konsistenz der Übersichtsartikel von Qiewen Academic in Tests bei 22,26 %, und die Authentizität der Zitate beträgt fast 99,8 %. Ersteres bestimmt, ob Informationen aus verschiedenen Quellen in denselben logischen Rahmen aufgenommen werden können, und Letzteres ist ein großer Schritt zur Vermeidung von Maschinenhalluzinationen generativer Modelle.

Auf dieser Grundlage ist der Wert seiner Einbettung in den wissenschaftlichen Forschungsprozess erst möglich.

Eines der Highlights dieses Updates ist die Vertiefung in Glieder wie Experimente. Laden Sie eine Arbeit hoch, das System erledigt automatisch das Lesen und Verstehen und zerlegt die Kernaufgaben und die Algorithmuslogik; auf dieser Grundlage analysiert es die experimentellen Methoden, generiert ausführbare Experimentpläne; danach baut es automatisch die Rechenumgebung einschließlich der Rechenleistungskonfiguration und der Abhängigkeiten auf, generiert Code und führt den Experimentprozess aus und gibt schließlich Ergebnisse sowie einen vollständigen Experimentbericht aus.

Der gesamte Prozess erfordert keine schrittweise menschliche Einmischung. Qiewen Academic kann auf Basis vorhandener Literatur oder durch das System identifizierter Forschungslücken automatisch Experimentpfade generieren, selbstständig Daten abgleichen oder suchen, die Umgebungsinfrastruktur fertigstellen, Experimente durchführen und Ergebnisse ausgeben.

Im traditionellen Forschungsprozess sind „Kognition“ und „Ausführung“ getrennt. Das Verständnis kann beschleunigt werden, aber die Validierung hängt immer noch von Menschen ab. Jetzt wird der gesamte Abschnitt, der ursprünglich wiederholtes Wechseln und wiederholtes Ausprobieren durch Menschen erfordert, insgesamt beschleunigt. Der wissenschaftliche Forschungsprozess wechselt von „menschengetrieben“ zu „intelligenzgetrieben“.

In diesem Sinne repräsentiert es möglicherweise einen Generationswechsel der Effizienz der wissenschaftlichen Forschung.

Und all das kann nicht durch allgemeine große Modelle erreicht werden. Zum Beispiel bei der Lernfähigkeit: Traditionelle große Modelle sind vielleicht gut in Prüfungen, aber sie haben Lernschwierigkeiten bei neuen Kenntnissen, die sie noch nie gesehen haben. Im CL-bench-Test müssen große Modelle ein völlig unbekanntes Regelsystem verstehen und es sofort im Kontext anwenden. Die meisten Modelle scheitern in diesem Glied, die durchschnittliche Erfolgsrate beträgt nur 17,2 %.

Der wissenschaftliche Forschungskontext hängt genau von dieser Fähigkeit ab, jedes Problem ist neu. Wenn das Modell schnell im Kontext das Regelverständnis aufbauen kann, besitzt es die Grundlage, in den Forschungsprozess einzutreten.

Aus diesem Grund hat Qiewen Academic gezielte Optimierungen für die Durchführung von Aufgaben in realen Umgebungen vorgenommen. Seine Trainingsmethode mit AgentGym-RL ist eine Umgebung, die der realen wissenschaftlichen Forschung näher kommt. Das Modell muss in Aufgaben wie Weboperationen und Experimentprozessen ständig den Pfad anpassen. Die Ausführung darf nicht auf voreingestellten Antworten beruhen, sondern wird in Feedback ständig korrigiert.

Laut relevanten Literaturangaben erreicht ein kleines Modell mit nur 7 Milliarden Parametern (Llama-3.1-8B) nach dem Training mit AgentGym-RL in mehreren Szenarien eine gleichwertige oder sogar bessere Leistung als GPT-4o und Claude 3.5-Sonnet.

Gleichzeitig weist es im Trainingsprozess den Tokens, die mit Schlüsselfähigkeiten wie Schlussfolgerung und Code zusammenhängen, ein höheres Gewicht zu, sodass die Fähigkeitssteigerung mit den Trainingsindikatoren übereinstimmt.

Aber selbst mit der Fähigkeit, Aufgaben in realen Umgebungen voranzutreiben, ist diese Angelegenheit nicht so einfach. Damit das Modell wirklich in den Forschungsprozess eintreten kann, muss noch ein versteckteres Problem gelöst werden: die Stabilität des Trainings selbst.

RLHF ist fast der Kernweg für die Ausrichtungsfähigkeit aller großen Modelle. Aber diese Methode hat ein allgemein anerkanntes Schwierigkeitspunkt: Das PPO-Training ist extrem instabil. Das ist auch der Grund, warum viele Modelle in kurzen Aufgaben gut abschneiden, sobald sie in komplexe Prozesse eintreten, beginnen sie unkontrollierbare Abweichungen zu zeigen.

Qiewen Academic sorgt durch PPO-max mit feinerer Granularität von Einschränkungen und Belohnungsmechanismen dafür, dass der Trainingsprozess stabil bleibt und nicht mehr vom Glück abhängt.

Nach der Stabilisierung kommt die Ausführung. Das Aufrufen von Tools, das Schreiben von Code, das Verarbeiten von Umgebungsabhängigkeiten – diese Glieder sind voller Unsicherheiten. Traditionelle Modelle hängen in diesem Teil oft von Vorlagen ab oder bleiben auf der Ebene des „Generierens von Code“, sobald sie in die reale Ausführungsumgebung eintreten, treten Abweichungen auf.

In der wissenschaftlichen Forschungsumgebung sind die Informationen selbst nicht immer konsistent. Zwischen verschiedenen Arbeiten kann es zu widersprüchlichen Schlussfolgerungen kommen, und die Datenquellen können ebenfalls Abweichungen verursachen. Wenn das Modell sie einfach integriert, kann es leicht in Informationen aus mehreren Quellen verfälscht werden.

Wenn Qiewen Academic auf eine Inkonsistenz zwischen „bestehendem Gedächtnis“ und „aktueller Eingabe“ stößt, bildet es intern zwei Verarbeitungswege und trifft schließlich eine Auswahl entsprechend der Intensität verschiedener Signale. Das verleiht dem Modell eine grundlegende Urteilsfähigkeit in einer komplexen Literaturumgebung, anstatt Informationen passiv zu akzeptieren.

Wenn diese Fähigkeiten zusammenkommen, ist die Veränderung nicht mehr nur eine lokale Verbesserung. Es repräsentiert vielmehr, dass die Produktionsweise der wissenschaftlichen Forschung einen echten Paradigmenwechsel durchläuft.

Wenn die wissenschaftliche Forschung zum „Menschen“ zurückkehrt: Der Wendepunkt für beschleunigte Durchbrüche

In dieser Veränderung wird nicht nur die Effizienz verändert.

Die Arbeitsweise der wissenschaftlichen Forschung beginnt sich von der persönlichen Erledigung jedes Schritts zur Urteilsfindung an wichtigen Knotenpunkten zu wandeln. Wenn die Ausführung vom System übernommen wird, müssen Forscher nicht mehr ständig in diese deterministischen Prozesse eintreten, sondern ziehen sich allmählich