预测从未发表的研究想法的影响力，使用大型知识图谱结合语义网络和引用网络，通过机器学习准确预测未来的网络动态和新研究方向的影响。

Feb, 2024

本文提出了一种基于 Graph Neural Networks 的新型深度学习方法，以解决如何预测大型演化网络中链接出现的问题，特别地，预测与 AI 相关的主题之间的链接。实验结果表明，使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式，且模型具有较高的预测准确性。

Jan, 2022

该研究表明，将人类专业知识的分布纳入考虑，并以此训练无监督的人工智能模型，能够显著提高 AI 对未来发现的预测能力，特别是在相关文献稀缺的情况下，这些模型成功预测出人类预测和可能做出预测的科学家，为科学进步开创新的前沿。

Jun, 2023

通过构建语义网络，使用深度学习算法对科学文献进行预测和研究，探索和发现量子物理学的未来研究动向和新思路。

Jun, 2019

通过对 8700 万篇论文和 710 万项专利采用自然语言处理技术，研究发现 AI 在科研中的使用范围广泛，特别是自 2015 年以来增长迅速，使用 AI 的论文影响因子更高，同时也存在 AI 人才供需不平衡和种族、性别等方面的不公平问题。

Apr, 2023

使用超过 58 百万科学论文构建的知识图谱，并结合 GPT-4 接口生成个性化研究想法的 SciMuse 系统，通过与马克斯・普朗克研究所的 100 多位研究团队领导的大规模人工评估，我们发现数据高效的机器学习可以高精度预测研究兴趣，从而优化产生的研究想法的兴趣水平。这项工作是朝着一种人工科学启发的方向迈进，可以催生意料之外的合作，并为科学家提供有趣的研究方向。

May, 2024

这篇近期的论文讨论了人工智能的发展、应用现状及未来所需的研究方向与挑战，特别是人工智能公平、可信、安全的需求。

Aug, 2019

该研究通过使用中心性度量，聚类系数和融合度量，研究了各种人工智能（AI）技术之间的相互联通性和相互依赖性。通过对不同时间窗口的技术进行分析，并量化其重要性，我们揭示了塑造 AI 领域和成熟度水平的关键组件，对未来的人工智能发展和进步具有重要的影响和启示作用。

Apr, 2023

在最大规模的调查中，2778 名在顶级人工智能（AI）期刊发表过论文的研究人员对 AI 进展的速度、高级 AI 系统的性质和影响做出了预测。总体预测显示，到 2028 年，AI 系统有至少 50% 的机会实现几个里程碑，包括自主构建支付处理网站、创建一首无法与热门音乐家的新歌区分的歌曲，以及自主下载和微调大规模语言模型。如果科学持续稳定发展，到 2027 年，无需人类援助的机器在任何可能的任务上超越人类的机会被估计为 10%，到 2047 年概率达到 50%。然而，所有人类职业完全可自动化的机会预计将在 2037 年达到 10%，最迟到 2116 年达到 50%（相比于 2022 年调查的 2164 年）。大多数受访者对 AI 进展的长期价值表示了相当大的不确定性：虽然 68.3% 的人认为超人级 AI 有更多好的结局可能性，但在这些净乐观主义者中，48% 认为极坏的结果（如人类灭绝）至少有 5% 的机会，而 59% 的净悲观主义者给出了至少 5% 的机会，以至于产生极好的结果。在回答关于 AI 的六种不同情景（包括错误信息、权威控制和不平等等）是否应引起 “大量” 或 “极大” 关注的问题时，超过一半的受访者表示同意。关于快速或缓慢的 AI 进展对人类未来更好的观点存在分歧。然而，有广泛的共识认为应优先考虑旨在最小化 AI 系统潜在风险的研究。

Jan, 2024

通过研究 589 份发表于四本领先心理学期刊的研究论文，我们调查了现代人工智能是否能够模仿专家在复杂科学领域的创造力，并介绍了一种新的方法论，利用 AI 的训练截止日期之后发表的原创研究文章，确保没有事先接触，减轻死记硬背和事先训练的担忧。结果显示，AI 能够擅长理解专业研究、演绎推理以及评估证据与结果之间的一致性，这些是人类专业领域专家和创造力的认知特征。这些发现表明通用人工智能在转变学术界方面的潜力，需要基于知识的创造力的角色越来越容易被技术所替代。

Apr, 2024