AI在科学评价中的应用——兼答刘庆生教授

一、刘庆生教授的核心观点述要

刘庆生教授在其博文《"专业，客观，公正，公平"是科学评价的生命》中深刻指出，科学评价必须坚持"专业、客观、公正、公平"四项基本原则：

1.专业性：强调评审者需具备足够的学术造诣，避免"武大郎开店"式的评价；

2.客观性：要求基于事实而非个人偏好或圈子利益；

3.公正性：体现在排除人情关系干扰；

4.公平性：则需克服学科差异带来的认知偏差。

刘老师特别批评了当前过度依赖文献计量数据的"数数评价"，并以袁隆平、陈景润等科学家的经典案例说明，重大原创成果往往不能简单用发表平台或引用量来衡量。同时，他对于AI参与科学评价持保留态度，认为"AI不可能获得真正客观公正公平的科学评价结果"。

二、我们的基本立场：AI不是问题，而是解决方案

我们完全赞同刘老师提出的科学评价四原则，但必须指出：排斥AI技术恰恰与实现这些原则的诉求相矛盾。当前AI在科学评价中的应用困境，本质上是技术路线选择问题，而非技术本身的问题。基于我们在《人工智能的发展方向是基于基本事实与基本逻辑的小模型》(简称"双基小模型"）中的研究，提出以下回应：

三、"双基小模型"如何实现科学评价四原则

1.专业性的革命性提升

超越人类的知识广度：一个小型地球科学评价模型可整合地质学、物理学、化学等跨学科基础知识（约100-200个核心原理），远超单个专家的知识范围

突破"范式盲区"：通过设置"反常性检测"模块（如对突破板块构造理论的研究给予特别关注），避免现有大模型对颠覆性创新的压制

2.客观性的技术保障

事实核查系统：自动检测研究是否基于基本事实，自动检测所涉及的实验结果（数据）的真实性，自动检测研究中的假设、理论、结论是否违背基本科学原理。

逻辑矛盾检测：自动检测研究中所涉及的基本概念是否违反同一性、一致性，识别论文中隐含的前提假设冲突

3.公正性的制度创新

关系网络分析：构建比美国NSF更完善的"学术距离"算法，自动识别申请人、导师、合作者、评审人学生等关系。双重盲审增强版：AI自动抹去所有可能泄露身份的研究特征

3.公平性的动态平衡

学科差异补偿算法：根据学科特点自动调整评价指标权重

非共识保护机制：当创新性评分与共识度差异超过阈值时，自动启动跨学科复核

四、具体应用场景展望

1.项目评审革新

初期筛选：AI完成100%的形式审查和50%的实质审查

重点项目：人机协同评审（AI负责事实核查，人类把握方向）

2.论文评审转型

常规论文：AI完成审稿（省去编辑部邀请合适审稿人的费时费力工作、不必长时间等待审稿人反馈审稿意见、大大缩短审稿时间）

争议论文："人类仲裁+AI验证"模式

3.学术仲裁升级

建立"科学争议解决中心"（SRDC），配备：

基本事实数据库

逻辑验证引擎

历史案例库

五、回应刘老师的核心关切

针对刘老师担心的"AI基于文献大数据"问题，我们要强调：

1.小模型不依赖文献计量：其核心知识库由确凿无疑的基本事实与科学原理（注意并非科学理论）构成

2.动态更新机制：新事实的加入需经过类似"科学复现"的严格验证

3.人机协同本质：AI是"科学守门人"而非"最终裁判者"

结语：走向更纯粹的科学评价

刘庆生教授倡导的评价四原则，实则是科学共同体长期追求的"理想型评价"。而基于基本事实与逻辑的小模型，恰为这一理想提供了技术实现路径。这种不追求大而全、只坚守科学底线的AI，或许正是让科学评价回归本质的关键。

我们建议：在保持对人类智慧充分尊重的前提下，立即启动"AI评价辅助系统"试点，先从NSFC的形式审查、交叉学科项目评审等场景入手，逐步构建具有中国特色的智能评价体系。这既是对刘老师科学评价思想的实践，也是推动科研管理现代化的必然选择。

 (本文主要内容由作者原创，经过AI修改、润色）