一项由多所顶尖科研机构联合完成的研究，在人工智能辅助科学推理领域取得突破性进展。研究团队开发出名为Graph-PRefLexOR的新型系统，通过引入知识图谱技术，使AI在回答复杂科学问题时能够生成可追溯的推理过程，相关成果已发表于预印本平台arXiv。
传统大型语言模型在处理科学问题时，常被诟病为"逻辑混乱的优秀演说家"。这类模型虽然能生成流畅的推理文本，但无法清晰展示结论的推导路径，更难以验证中间步骤的合理性。研究团队将这种现象定义为"可追溯性缺失"，并指出这是当前AI辅助科研面临的核心挑战。
新系统采用独特的五阶段推理流水线设计：首先进行发散性的头脑风暴，生成所有潜在相关概念；随后构建概念关系草图，提炼核心实体与关联；接着将草图转换为标准化JSON格式的图结构，明确节点间的因果链条；再从图结构中提取高阶规律模式；最终整合所有信息形成科学假设。这种设计使推理过程像工程图纸般可检查、可追溯。
训练阶段采用创新的强化学习策略，研究团队设计了包含六个维度的评分机制。其中最具特色的是"图信息充分性"评估：通过让另一个AI模型仅凭生成的图结构重建答案，若重建结果与标准答案高度吻合，则证明图结构真正承载了推理核心。这种评估方式确保了图质量，而非仅关注表面形式。
实验测试显示，三个不同规模的Graph-PRefLexOR模型（17亿、30亿和80亿参数）在100道材料科学与力学开放性问题上，综合性能较基础模型提升40%-65%。特别值得注意的是，推理可追溯性指标提升最为显著，证明图结构推理确实增强了过程透明度。语义回溯分析进一步证实，新系统的最终答案有92%与自身推理阶段高度相似，而传统模型仅有16%的答案能追溯到自身推理文本。
神经网络隐藏状态分析揭示了更深层的差异。传统模型在处理推理和答案时，内部表征在第7-10层出现剧烈跳变，显示两种模式存在明显割裂。而Graph-PRefLexOR的内部状态转换更为平滑，表明其推理与答案生成过程具有连续性。这种差异在最终答案质量上得到体现：新系统生成的假设更具逻辑连贯性。
研究还探索了计算量增加对创新发现的影响。通过2000轮迭代实验发现，虽然语义探索空间在几百轮后趋于稳定，但令人惊讶的概念组合数量持续超线性增长。四种探索策略中，"跃迁策略"表现最佳，它通过强制连接语义距离最远的节点，有效促进了跨领域创新。统计检验证实，这些组合具有高度显著性，而非单纯由图规模扩大导致。
这项突破为AI辅助科研提供了新范式。传统系统将知识图谱作为外部检索工具，而Graph-PRefLexOR将其嵌入推理核心，使图结构成为驱动答案生成的真实计算路径。这种设计不仅提高了结果可信度，还允许推理过程被修正和复用，为构建真正可靠的科研AI系统奠定了基础。
对于科研人员而言，这项技术意味着未来可能获得更透明的AI协作工具。新系统不仅能提供假设，还能展示完整的推导链条，帮助研究者识别潜在质疑点或补充环节。该研究的完整论文可通过arXiv编号2607.00924检索获取。
