当一位刚入学的博士生和一位深耕图挖掘领域十五年的资深教授，同时向AI科研助手提出相同的研究设计请求时，如果系统返回的方案完全一致，这究竟意味着什么？范德堡大学、Adobe Research等机构的研究团队在最新发表的论文中指出，当前几乎所有"AI联合科学家"系统都存在一个根本性缺陷——它们无法识别提问者的身份特征，导致科研建议呈现"去个性化"倾向。
自2024年首个AI Scientist原型系统问世以来，自动化科研领域经历了飞速发展。从最初简单的"想法生成-代码编写-实验运行-论文撰写"闭环，到引入树搜索机制、多轮视觉反馈和跨项目记忆功能，技术路线已日趋成熟。但研究团队通过长期观察发现，这些系统普遍存在"科研者无关性"问题：无论提问者是新手还是专家，只要研究目标相同，系统给出的解决方案分布几乎完全一致。
这种设计逻辑与科学发现的本质存在深刻矛盾。论文作者指出，真正有价值的科研突破往往源于研究者的个人经历、方法偏好和学术网络等隐性因素。当AI系统抹去这些关键维度时，本质上只是将科研人员降维为可替换的工具使用者，而非真正的合作者。这种模式可能导致三个严重后果：隐性知识无法被系统捕捉、学术界陷入"思路撞车"困境、推荐方案脱离实际资源条件。
研究团队提出的解决方案是构建"个性化科研骨架"，将研究者身份转化为可计算的"关系网快照"。通过构建包含研究者、论文、机构、方法等节点的学术图景，系统能提取每个研究者的向量表示，并结合其论文、引用记录、代码库等生成个性化上下文。这种建模方式能捕捉到传统文献分析难以发现的细微差异——例如两位发表相似论文的研究者，可能因处于不同学术网络位置而需要完全不同的研究方向建议。
在假设生成环节，系统采用三维评估体系：新颖度、相关度和可行性。每个候选假设的评分都嵌入研究者上下文信息，避免出现"对新手过难、对专家过易"的匹配错位。实验管理器与语言模型协同工作，在树搜索过程中动态调整探索方向。值得注意的是，系统连图表呈现方式都会根据研究者背景进行适配，确保生物医学研究者与图挖掘专家获得符合各自认知习惯的可视化结果。
该系统的创新性体现在全流程个性化：从文献检索阶段就优先匹配研究者方法背景的论文，到实验设计时考虑其合作者网络和资源条件，再到论文写作时采用其习惯的专业术语。研究者反馈会被持久化记录，持续优化系统对其的认知模型。最终输出的"研究包"包含假设、代码、实验数据和溯源记录，形成完整的个性化科研档案。
评估体系的设计同样突破传统框架。研究团队摒弃了单纯对比历史发表记录的做法，转而采用三重验证标准：方案可行性匹配度、专家盲评质量和长期影响力追踪。他们还设计了"时间切片验证法"：隐藏研究者某段时间后的论文，用前期数据构建上下文，检验系统能否复现其后续研究方向。这种方法虽能验证系统对研究者特征的捕捉能力，但作者坦言仍无法完全解决"推荐质量评估"这一根本难题。
论文深入探讨了个性化科研面临的深层挑战。当数万研究者使用同一系统时，如何避免"创造力坍缩"导致的思路趋同？如何为处于不同职业阶段的研究者提供适配建议——新人需要建立研究身份，而资深学者则要开拓相邻领域？在团队科研场景中，如何聚合成员特征并协调冲突偏好？这些问题的解决需要结合社会选择理论和多方隐私保护机制，目前尚无成熟方案。
研究团队特别强调，个性化不应简单理解为模仿研究者过往路径，而是要发现"通用模型想不到、个人历史未涉及但经验基础支持"的反事实互补方向。这种设计哲学试图在保持学术生态多样性的同时，为个体研究者提供真正有价值的突破点。尽管当前系统仍存在评估困境和团队场景适配等问题，但这项研究为自动化科研领域开辟了新的思考维度。
