AI4Research: A Survey of Artificial Intelligence for Scientific Research

最近人工智能（AI）领域，特别是大型语言模型（如 OpenAI-o1 和 DeepSeek-R1）取得了显著进展，这些模型在逻辑推理和实验性编程等复杂任务中展现出卓越的能力。受这些进展的推动，许多研究开始探索人工智能在创新过程中的应用，尤其是在科学研究的背景下。这些人工智能技术的主要目标是开发能够在广泛科学领域中自主执行研究流程的系统。尽管已取得重要突破，但目前仍缺乏对“研究用人工智能”（AI4Research）领域的全面综述，这限制了我们对该领域的深入理解，并阻碍了进一步的发展。为填补这一空白，我们进行了全面的调查，并提出了一个统一的视角来审视 AI4Research。具体而言，本工作的主要贡献如下： (1) 系统分类体系：我们首次提出了一种系统的分类方法，用于归纳 AI4Research 中的五类主流任务。 (2) 新兴前沿方向：接着，我们识别出了关键的研究空白，并强调了一些具有前景的未来方向，重点关注自动化实验的严谨性、可扩展性以及其社会影响。 (3) 丰富的应用场景与资源：最后，我们整理了大量的资源，包括相关的跨学科应用案例、数据集和工具。我们希望这项工作能够帮助研究社区快速获取这些资源，并激发 AI4Research 领域内的创新性突破。

论文旨在系统梳理和总结当前人工智能（特别是大语言模型）在科学研究过程中的应用现状与挑战，解决目前缺乏对AI4Research领域全面综述的问题。这是一个较新的问题，随着LLM在逻辑推理、实验编码等复杂任务上的突破，AI在科研中的角色迅速扩展，但尚缺乏统一的框架和深入分析。

提出一个系统性的分类体系（taxonomy），归纳AI4Research中的五类主流任务；识别关键研究空白，并强调自动化实验的严谨性、可扩展性及社会影响；同时整理大量资源供后续研究使用。相比已有工作，该论文首次尝试从整体视角构建统一框架，填补了AI辅助科研领域的综述空白。

{提出了首个针对AI4Research的系统性分类方法,识别并讨论了多个未来前沿方向，如自动化实验的标准化评估、多学科协同科研的潜力,整理并公开了大量AI4Research相关的应用案例、数据集和工具资源,强调AI科研系统的透明性、伦理与社会影响}

{"Towards AI-Complete Question Answering: A Case Study on the Aristo Project (Clark et al., 2020)","AI for Science: A Comprehensive Review (Li et al., 2023)","Language Models as Zero-Shot Scientists (Wang et al., 2024)","Scientific Discovery in the Age of Artificial Intelligence (Nature, 2023)","Deep Learning for Scientific Discovery: From Materials Design to Drug Development (Zhang et al., 2022)"}