殺死那篇PDF：一場由AI發(fā)起的學(xué)術(shù)出版大革命，正徹底終結(jié)傳統(tǒng)論文

如今的系統(tǒng)神經(jīng)科學(xué)和神經(jīng)回路模擬研究領(lǐng)域，一篇論文可能包含數(shù)百萬個數(shù)據(jù)點、上千頁補充材料，以及復(fù)雜到令人生畏的多維分析結(jié)果。

這些數(shù)據(jù)量之龐大，已經(jīng)超出了普通人類的認知極限——很多有價值的洞見常常被數(shù)百頁的補充圖表淹沒，想要找到自己關(guān)心的細節(jié)，往往需要花費大量的時間和精力搜索。我們就像在試圖用茶匙舀干大海，只能勉強掬取一小部分信息。

好在技術(shù)的進步為我們提供了新的可能：一種被稱為“論文機器人”（Paper-bot）的智能工具。設(shè)想一下，通過引入這種強大的AI工具，科學(xué)家們不僅能夠更高效地處理海量數(shù)據(jù)；還能讓讀者直接與研究數(shù)據(jù)互動，從而獲得個性化的科學(xué)見解；甚至，還能跨越研究進行數(shù)據(jù)整合，探索科學(xué)領(lǐng)域的全貌。

這將不僅是技術(shù)的進步，更是科學(xué)傳播方式的一場革命。本文將開放性地探討，科學(xué)出版模式從傳統(tǒng)線性論文向交互式“論文機器人”的轉(zhuǎn)變，將如何徹底改變我們理解、分析和交流復(fù)雜科學(xué)研究成果的方式。

未來論文的數(shù)據(jù)復(fù)雜性日益增加

系統(tǒng)神經(jīng)科學(xué)論文，最終會是什么樣的？

根據(jù)系統(tǒng)神經(jīng)科學(xué)在過去一個世紀(jì)的發(fā)展軌跡，我們或許可以這樣設(shè)想：

首先，論文將匯總?cè)祟悘某錾剿劳雒總€神經(jīng)元的活動情況。利用更完善的“分子記錄帶”（molecular ticker tape）技術(shù)，神經(jīng)元每發(fā)出一個電脈沖，都會在其蛋白鏈上加上一段熒光分子。通過對這些蛋白鏈進行測序，可以獲得神經(jīng)元整個生命周期內(nèi)神經(jīng)活動的完整歷史記錄。同時對每個神經(jīng)元的mRNA進行測序，可以確定它屬于10.4萬個神經(jīng)元類型中的哪一種。

?《人生七年》系列紀(jì)錄片. 圖片來源：豆瓣

論文還將詳細報告?zhèn)€體行為的每一個細節(jié)。利用肌肉內(nèi)的分子傳感器預(yù)測肌肉運動：通過分析控制每只眼球的三對肌肉的收縮模式，推斷眼球運動；下巴、喉部、嘴唇和舌頭的肌肉收縮模式，推測言語活動；甚至，通過視網(wǎng)膜安裝的攝像頭、納米級耳蝸植入裝置以及穿在衣物上的柔性二維攝像片，捕捉個體所見所聞的一切。

基于這一前多未有的數(shù)據(jù)集，論文將訓(xùn)練一個擁有1000層和2萬億參數(shù)的深度網(wǎng)絡(luò)，稱為“變換器生成式深度動力學(xué)網(wǎng)絡(luò)”（Transformer Generative Deep Dynamics network，TraGeDy Net），基于神經(jīng)活動預(yù)測個體余生每時每刻的行為，且決定系數(shù)（R^2）可達到0.99。

最終，這樣的“終極論文”可以成功地將人類生命周期的神經(jīng)元級別神經(jīng)活動完整映射到其實時行為軌跡上。

那么，這個關(guān)于“終極論文”的思想實驗給我們帶來了怎樣的啟示？

未來的數(shù)據(jù)只會變得更加復(fù)雜。在這個由860億個神經(jīng)元構(gòu)成的人類大腦中，每一個電脈沖加起來會生成令人望而生畏的高維數(shù)據(jù)。

?《神經(jīng)沖動：2.1秒內(nèi)穿越大腦的史詩之旅》，Mark Humphries著作. 圖源：Princeton University Press

在《神經(jīng)沖動：2.1秒內(nèi)穿越大腦的史詩之旅》一書中曾做過一個粗略的計算，僅僅是皮層中，一個普通人類的一生會產(chǎn)生約340億次神經(jīng)沖動。如果將這些數(shù)據(jù)可視化，這將是一幅讓人頭暈?zāi)垦５臇鸥駡D。而行為數(shù)據(jù)還遠不止于此——僅是每隔幾毫秒捕捉一幀像素的圖像，其數(shù)據(jù)規(guī)模就已經(jīng)難以應(yīng)付。

這樣的論文確實震撼人心，但恐怕沒有人會愿意去讀。數(shù)據(jù)量實在是太大了！

“論文機器人”解決論文線性化

而科學(xué)非線性化發(fā)展的矛盾

事實上，我們已經(jīng)邁入了這樣一個時代：越來越多的系統(tǒng)神經(jīng)科學(xué)研究，尤其是神經(jīng)回路巨型模擬相關(guān)論文，已經(jīng)復(fù)雜到超出了任何一個研究者從頭到尾全面理解的程度。一些研究論文動輒超過100頁，附帶數(shù)十張補充圖表——簡直就像一篇“偽裝成期刊論文”的博士論文全文。

PDF文本，顯然并不是如此復(fù)雜數(shù)據(jù)的最佳傳遞方式。我們的出版模式勢必要改變，并且最好在到達“終極論文”之前就完成轉(zhuǎn)型。

?利用連接組數(shù)據(jù)工具觀察觸角葉中神經(jīng)元和突觸之間的連接. 圖源：CATMAID

從已有的一些數(shù)據(jù)密集型研究中，我們已經(jīng)可以窺見未來出版模式的雛形：

- FlyWire團隊通過一個門戶網(wǎng)站CATMAID，發(fā)布成年雌性果蠅大腦的完整連接組數(shù)據(jù)，同時詳細說明數(shù)據(jù)收集的過程，并提供訪問和查詢數(shù)據(jù)的工具。

- 艾倫腦科學(xué)研究所（Allen Brain Institute）已經(jīng)追求這種模式超過十年，針對不同物種的神經(jīng)元類型和神經(jīng)元連接數(shù)據(jù)集提供了接口。

- 藍腦計劃（Blue Brain Project）同樣提供了針對小鼠大腦細胞類型和數(shù)量的綜合界面。

然而，這些資源的發(fā)布仍然以固定的、密集的論文文本形式最終輸出。后續(xù)科學(xué)研究基于這些論文展開，產(chǎn)生更多論文，描述日益復(fù)雜的數(shù)據(jù)。這種傳統(tǒng)的科學(xué)交流形式和出版模式需要突破，為新時代的復(fù)雜數(shù)據(jù)和動態(tài)研究提供支持。

那么，如何邁出下一步，徹底擺脫傳統(tǒng)論文的束縛？答案是：用一個“論文機器人”（paper-bot）來取而代之。

?目前已推出的一款“論文機器人”. 圖源：bestlifetimo

如今，我們對大語言模型（LLMs）的強大功能已經(jīng)耳熟能詳。它們不僅能繪制數(shù)據(jù)圖表，還可以解答特定來源的問題，綜合分析甚至批判論文內(nèi)容。下一步就是將這種能力直接應(yīng)用于數(shù)據(jù)——讓LLM成為數(shù)據(jù)門戶的交互接口。

設(shè)想一下，科學(xué)家在進行人類生命周期的假說研究時，可以利用LLM來“馴服”高度復(fù)雜的數(shù)據(jù)集。通過“論文機器人”界面，可以輕松理解這項研究的核心內(nèi)容。可以預(yù)設(shè)一些常見的查詢，比如“總結(jié)主要結(jié)果”或“展示預(yù)測行為的證據(jù)”。也可以自由提問，例如“視網(wǎng)膜攝像頭收集了哪些數(shù)據(jù)？具體是如何采集的？某些特定分析的結(jié)果是什么？”——通過這種方式，就可以從研究中提取科學(xué)見解，而不僅僅是接受作者的觀點。

論文機器人解決了論文線性化與科學(xué)非線性發(fā)展的矛盾，讓人不必受分散在論文正文與補充材料中的碎片化結(jié)果困擾。舉例來說，想知道“TraGeDy Net和正則化回歸模型的對比表現(xiàn)”，只需提問，“論文機器人”就能即時生成文本和圖表，清晰地總結(jié)兩者的預(yù)測能力，而無需在數(shù)百個補充圖中艱難搜索。進一步追問“TraGeDy Net是否顯著優(yōu)于對照模型”，機器人會提供恰當(dāng)?shù)谋容^結(jié)果和統(tǒng)計分析，即便這些可能是作者在論文中遺漏的。

從靜態(tài)文本轉(zhuǎn)變?yōu)橐粋€“數(shù)據(jù)+機器人”的發(fā)布形式后，每一次新的數(shù)據(jù)發(fā)布和對應(yīng)的“論文機器人”更新，便成為科學(xué)成果的“代幣”——對應(yīng)的是目前的“論文”。研究者的職責(zé)也從寫作和提交傳統(tǒng)論文，變成數(shù)據(jù)的收集、分析和為“論文機器人”配置預(yù)設(shè)查詢，提供他們對研究背景、結(jié)果和意義的看法。如果想知道具體貢獻占比？直接問“論文機器人”，它會告知誰負責(zé)了哪些部分。

這種“機器人化”的發(fā)布模式將是強大的。通過“論文機器人”，可以對人類生命周期數(shù)據(jù)提出自己的問題，比如研究行為變量之間的相關(guān)性。這意味著，新的科學(xué)發(fā)現(xiàn)可以直接通過“論文機器人”從數(shù)據(jù)中產(chǎn)生，而無需再經(jīng)歷繁瑣的分析、寫作和審稿周期。

更進一步，我們可以開發(fā)“元機器人”（meta-bots），跨越不同研究整合數(shù)據(jù)，幫助我們回答復(fù)雜的問題并探索領(lǐng)域知識的全貌。不難想象，未來甚至?xí)蠥I科學(xué)家專門為這些“論文機器人”設(shè)計高級查詢，拼接新知識。

“論文機器人”

是否會真正終結(jié)“傳統(tǒng)論文”

未來的科學(xué)出版模式，會是“論文機器人”還是“傳統(tǒng)論文”？這要看科學(xué)界的選擇。

未來，或許你會滿意于閱讀一個人工智能機器人生成的研究報告，或許也會傾向于回歸論文的初創(chuàng)模式，即作者發(fā)布關(guān)于其研究精髓的簡短總結(jié)，而核心工作直接托管在數(shù)據(jù)門戶中。

不論未來的形式如何，有一點可以確定：如果存在一篇“終極論文”，它絕不會是一篇傳統(tǒng)的紙質(zhì)論文。

譯者按：

在使用“論文機器人”時，我們必須謹慎評估其準(zhǔn)確性。盡管AI系統(tǒng)可以高效生成實時內(nèi)容，但由于缺乏人工編輯審查，生成的回答可能存在不準(zhǔn)確之處。我們應(yīng)通過驗證引用來源、與可靠來源交叉驗證、咨詢專家、并借助事實檢查工具等手段，確保信息的質(zhì)量和可信度。

https://www.thetransmitter.org/systems-neuroscience/imagining-the-ultimate-systems-neuroscience-paper/

關(guān)于追問nextquestion

天橋腦科學(xué)研究院旗下科學(xué)媒體，旨在以科學(xué)追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學(xué)的邊界。如果您有進一步想要討論的內(nèi)容，歡迎評論區(qū)留言，或添加小助手微信questionlab，加入社群與我們互動。

關(guān)于天橋腦科學(xué)研究院

天橋腦科學(xué)研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創(chuàng)建的世界最大私人腦科學(xué)研究機構(gòu)之一，圍繞全球化、跨學(xué)科和青年科學(xué)家三大重點，支持腦科學(xué)研究，造福人類。

Chen Institute與華山醫(yī)院、上海市精神衛(wèi)生中心設(shè)立了應(yīng)用神經(jīng)技術(shù)前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學(xué)院合作成立了加州理工天橋神經(jīng)科學(xué)研究院。

Chen Institute建成了支持腦科學(xué)和人工智能領(lǐng)域研究的生態(tài)系統(tǒng)，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫(yī)生獎勵計劃、、中文媒體追問等。