摘要：这项由希伯来大学计算机科学与工程学院的Noy Sternlicht和Tom Hope（同时隶属于艾伦人工智能研究所AI2）领导的研究，于2025年5月28日发表在arXiv预印本平台上（论文编号：arXiv:2505.20779v2 [cs.CL]）。感兴趣的

这项由希伯来大学计算机科学与工程学院的Noy Sternlicht和Tom Hope（同时隶属于艾伦人工智能研究所AI2）领导的研究，于2025年5月28日发表在arXiv预印本平台上（论文编号：arXiv:2505.20779v2 [cs.CL]）。感兴趣的读者可以通过https://noy-sternlicht.github.io/CHIMERA-Web 访问项目网站，或通过https://github.com/noy-sternlicht/CHIMERA-KB 获取完整的数据集和代码。

人类创新历史告诉我们，真正的突破往往来自于"重组"——将已有的概念、机制和方法以新颖方式组合起来。就像厨师将不同食材混合创造新菜品一样，科学家也通过融合不同领域的思想来解决难题。想象一下，如果有人把蜻蜓翅膀的灵感用于设计无人机螺旋桨，或者将心理学中的理论应用到人工智能对话系统中，这些跨领域的思想碰撞往往能产生意想不到的创新。

但问题是：科学家究竟如何进行这种"思想重组"？他们从哪些领域汲取灵感？又是如何将不同概念融合在一起的？更重要的是，这种重组模式能否被学习和预测？

为了回答这些问题，Sternlicht和Hope团队创建了CHIMERA（取自神话中的嵌合兽，象征不同元素的融合）——一个从科学文献中自动提取思想重组实例的大规模知识库。这个知识库不仅能帮助我们理解科学家如何组合概念和汲取灵感，还能用于训练机器学习模型，预测新的跨领域创新方向。

一、CHIMERA知识库：捕捉科学创新的灵感源泉

想象科学发现就像是一场烹饪探险。有些厨师（科学家）会混合不同的食材（概念）创造全新的菜肴；而另一些则从传统菜谱中获取灵感，应用到新的烹饪领域。CHIMERA正是通过分析大量科学论文，捕捉了这两种创新模式：概念融合（Blends）和灵感迁移（Inspirations）。

概念融合类似于将两种食材混合：比如将量子计算技术与传统机器学习算法结合，创造出量子增强的学习方法。而灵感迁移则像是从一个领域获取灵感应用到另一个领域：比如研究人员观察鸟群行为，启发设计无人机集群的协调机制。

Sternlicht和Hope解释道："与简单的概念共现方法或更通用的科学提取模式不同，CHIMERA专注于那些作者明确提及'重组'作为其工作核心贡献的例子。"比如，当一篇论文明确说"受蜻蜓翅膀的灵活性和韧性启发，我们提出了一种名为Tombo的仿生无人机螺旋桨设计"，CHIMERA就能自动捕捉到这种灵感迁移关系。

为了构建这个知识库，研究团队首先面临一个挑战：如何从海量文本中准确识别和提取这些重组关系？这就像是要在成千上万本食谱书中找出所有"融合菜"和"跨文化灵感"的例子。

二、从手工标注到自动提取：打造重组关系提取系统

为了解决这个挑战，研究团队首先提出了一个新的信息提取任务：从科学论文摘要中提取重组关系。这相当于训练一位助手，能够阅读无数食谱并自动识别"这是一道融合了法国和中国烹饪技巧的菜品"或"这个烹饪方法受到了意大利传统面食制作的启发"。

具体来说，研究团队采取了以下步骤：

首先，他们精心收集了数百篇科学论文摘要，并请具有科学博士学位的专业标注人员进行手工标注，识别出其中的融合关系和灵感迁移关系。这些标注数据就像是教科书，包含了580个精心标注的例子（100个融合案例、69个灵感迁移案例和311个不包含重组的案例）。

接着，研究团队使用这些手工标注的数据训练了一个基于大型语言模型（LLM）的提取系统。这相当于用这些教科书案例"教导"AI助手如何识别不同类型的思想重组。实验表明，基于Mistral-7B模型的系统表现最佳，虽然在实体和关系提取上仍明显落后于人类表现，但已经能够相当准确地自动识别文本是否包含重组关系。

最后，研究团队将训练好的系统应用于arXiv上的大量AI领域论文摘要，从中提取出超过28,000个重组实例，构建了CHIMERA知识库。这个过程就像是派出一个训练有素的助手，翻阅数以万计的科学论文，找出其中所有的创新融合和灵感迁移案例。

三、解析科学创新的模式：CHIMERA知识库的分析结果

有了CHIMERA知识库，研究人员就能像考古学家研究文物一样，深入分析科学创新的模式。这就像是拥有了一张巨大的"创新地图"，显示不同领域之间的思想流动和交融。

分析结果揭示了一些有趣的模式：

首先，融合（Blend）和灵感（Inspiration）这两种重组类型有着明显不同的特点。灵感关系通常发生在不同领域之间，就像是不同大陆之间的思想旅行。而融合关系则更常见于相同或相似领域内，就像是邻居之间的思想交流。

其次，认知科学和生物学（特别是神经科学和动物学）成为人工智能领域的重要灵感来源。这就像是工程师不断向大自然和人类大脑学习。例如，机器人领域经常从动物学中获取灵感，如模仿狗群的放牧行为来设计边界探索算法；计算机视觉领域则常从认知科学中获取启示。

此外，研究还发现了灵感迁移模式的时间变化。例如，自然语言处理（NLP）领域内部的灵感互相借鉴有所减少，而计算机视觉领域从NLP获取灵感的趋势则明显增加。这反映了不同AI子领域之间复杂的知识流动模式。

这些发现就像是绘制了科学创新的"风向图"，揭示了创新思想的流动方向和模式，这对于理解科学发展的动态非常有价值。

四、从分析到预测：构建重组预测模型

CHIMERA知识库的价值不仅在于分析过去的创新模式，还在于预测未来的创新方向。研究团队基于CHIMERA数据构建了一个监督学习框架，用于预测新的重组方向。

这个过程可以形象地理解为：如果给你一个问题场景（如"视频生成模型难以处理复杂叙事和保持角色一致性"）和一个需要寻找灵感来源的目标概念（如"视频生成"），系统能够推荐潜在的灵感来源（如"分镜头概念，它将剧本分解为单独的镜头"或"叙事艺术的千年传统"）。

为了构建这个预测系统，研究团队：

首先，将CHIMERA知识库中的关系转换为查询-答案对。每个查询包含一个图谱节点、重组类型和上下文描述；答案则是另一个图谱节点。

接着，研究团队训练了基于不同编码器的检索模型，用于从候选答案中找出最相关的概念。与零样本模型相比，经过微调的模型显著提高了性能，使得检索金标答案的中位排名提高了一个数量级。

最后，研究团队邀请了真实的研究人员评估系统生成的建议。结果表明，研究人员认为这些AI生成的重组建议与金标答案（即论文中实际使用的重组关系）几乎一样有用，且明显优于其他基线方法。

这项工作就像是为科学家们打造了一个"创新灵感助手"，能够根据问题和研究方向，推荐有价值的跨领域灵感来源，帮助他们探索新的研究方向。

五、CHIMERA的意义与影响

CHIMERA知识库的创建为科学创新研究打开了新的大门。就像是为科学研究的"厨房"提供了一本详尽的"融合菜谱"，记录了成千上万种成功的"思想混搭"。

这项工作在多个方面具有重要意义：

首先，它为"科学的科学"（Science of Science）研究提供了丰富的经验数据，使研究人员能够以新的方式研究创新过程——例如，研究不同领域如何相互借鉴灵感，以及跨领域机制融合如何产生和演变。

其次，它展示了如何利用这些数据构建用于创新思想生成的监督学习框架。与现有的帮助研究人员探索思想重组的人机交互工具不同，CHIMERA允许我们训练模型从过去的例子中学习如何重组概念，生成新的科学创新。

最后，它开创了一种新的方法来研究和促进科学创新。通过自动提取和分析重组关系，CHIMERA不仅有助于我们理解创新的模式，还能帮助科学家发现新的研究方向和创新可能性。

正如研究团队所指出的，这项工作仍有局限性。例如，信息提取模型的质量还有提高空间，重组预测评估也面临挑战，因为对于给定的问题，可能存在多个正确的重组方向，导致评估中可能出现许多"假阴性"结果。

总的来说，CHIMERA项目就像是为科学创新提供了一面反光镜，让我们能够看到创新思想是如何产生和传播的。更重要的是，它为未来的科学探索提供了一个智能导航系统，帮助研究人员发现新的创新可能性，就像是一位经验丰富的向导，指引科学家们探索创新的无限可能。

来源：至顶网一点号