本工作利用大语言模型（LLM）高效地整合出了数百篇塑料升值转化文献中的基本信息，并对统计结果进行了可视化处理，为未来科研方向的选择提供了坚实的数据支撑。研究表明，LLM在特定的文献分析任务中展现出接近于人类专家的准确性，且时间成本相比于人工阅读有了大幅度的降低。这项工作凸显了LLM在跨学科领域研究中的巨大潜力，并呼吁建立科研工作者、出版商与技术开发企业的协作框架，以优化人工智能技术在科学领域的应用。

背景介绍

塑料废弃物的处理问题如今已然成为了困扰全球的环境难题。每年数亿吨的塑料垃圾堆积如山，填埋焚烧可能产生污染，泄露流入环境更会威胁生态。在目前常见的处理策略中，升值转化，也即将塑料废弃物转化为价值更高的新产品（如燃料、化工原料或新材料），被视为极具潜力的出路。

然而，近十年间，关于塑料升值转化的文献数量激增，研究领域横跨化学、材料科学、环境科学、工程学甚至经济学和政策法规（图1），即使是领域内的专家，想要快速且全面地把握其中的发展趋势也极为困难——人工分析不仅耗时耗力，统计结果还容易受到个人专业局限、主观偏好甚至阅读疲劳的影响。

研究成果

本工作让大语言模型（LLM）扮演“文献分析助手”的角色，通过对883篇塑料升值转化文献的分析，统计一般文献均会涉及到的关键信息——塑料种类、升值转化路径、高价值产品，并对结果进行可视化处理。

结果表明，由人类专家组成的八人团队需要花费整整一天才能完成的塑料种类分类工作，LLM仅需半小时左右就能搞定，且在定义明确的类别上，LLM的判断与人类专家高度一致（图2），有时在不确定性更强的类别上甚至比人类更少出错（人类常常会在难以判断的类别上出错）。

对统计结果进行可视化处理后，一张清晰的塑料升值转化“地图”呈现在研究人员面前（图3）。这种全局视角是难以通过人工的统计与分析快速建立的。这张“地图”中也展示出了一些有趣的研究现象，例如聚对苯二甲酸乙二醇酯（PET）虽然只占全球塑料垃圾的约14.0%，却成为了被研究最多的塑料种类，这可能是因为PET的化学解聚相对容易实现，且日常生活中废弃塑料瓶（主要成为是PET）的收集分选流程已经相对成熟。

未来方向

本工作不仅展示了LLM在文献分析中的巨大潜力，更描绘了一个充满希望的图景——人工智能（AI）技术与科学家深度协作，加速科研创新。要实现这一目标，需要多方的共同努力：出版商可以在文献平台上集成LLM分析插件，使其能自动提炼关键信息，甚至生成研究趋势报告，让知识获取效率倍增；拥有强大的算力和模型训练经验的技术开发企业可以开发针对特定学科深度优化的“领域专家型”LLM，提供更精准的分析和预测；但最重要的是，科学家始终是科研的核心驱动力，他们的专业知识对于向LLM提出正确、关键的科学问题至关重要。只有三方通力合作，才能建立起最高效的AI工作流，在未来解决更复杂、更重要的科学问题。

作者简介

马   丁   北京大学化学与分子工程学院教授，主持国家自然科学基金青年科学基金项目（A类）；近年来聚焦于能源转化新路径的开发、用于能源转化的新催化剂的设计等研究工作；荣获首届“科学探索奖”、首批“新基石研究员项目”中国青年催化奖，科研项目荣获“国家自然科学奖二等奖”。

王   蒙   北京大学化学与分子工程学院副研究员；研究方向为多相催化反应化学，近年来致力于废塑料催化转化到高价值化学品反应路线的设计和开发，以及氢能和二氧化碳转化等相关领域新型催化反应的探索。

李宇宸   北京大学化学与分子工程学院在读博士，研究方向为塑料的升值转化新途径以及大语言模型在催化领域的引用。

引用本文

Yuchen Li, Meng Wang, Ding Ma. LLM-assisted literature analysis for plastic upcyclings. Fundamental Research, 5(3) (2025)  923-926.

原文链接（复制到浏览器中查看）：

https://www.sciencedirect.com/science/article/pii/S2667325825001268