AI 研究：研究人員必備的重要論文及頂尖工具（附最佳做法）

人工智能（AI）研究涵蓋兩個範疇：AI 研究人員發表的研究成果，以及在不同領域中實際應用 AI 來輔助研究。

本文第一部分是主要 AI 研究里程碑的時間線，亦包括近期最重要的論文，以及該領域前沿機構的概覽。

第二部分是有效使用 AI 作為研究工具的逐步指南，附有最佳工具排名，以及對其優缺點的坦誠分析。

主要 AI 研究論文和里程碑時間線

要列出至今發表的所有重要 AI 研究論文，實際上幾乎是不可能的。過去十年，這個領域以前所未有的速度增長。根據史丹福大學的 2026 年 AI Index 報告，單在 2024 年，全球就發表了 257,890 份 AI 出版物。

放大

不過，歷史上有幾個奠基性的里程碑，近期亦有多份非常重要的出版物。

簡明時間線：12 篇奠基性 AI 研究論文

• 1943 年：McCulloch 和 Pitts 發表「A Logical Calculus of the Ideas Immanent in Nervous Activity」，提出首個描述神經系統運作方式的數學模型。該模型將神經元視為根據邏輯規則接收輸入並產生輸出的函數。
• 1950 年：Alan Turing 發表「Computing Machinery and Intelligence」，刊登於期刊《Mind》。這篇論文提出模仿遊戲（通常稱為圖靈測試），作為定義機器智能的方法。
• 1956 年：達特茅斯夏季研究計劃（即「達特茅斯會議」）正式確立人工智能為一個研究領域。原本的 1955 年計劃書於 2006 年在《AI Magazine》中重新刊載。
• 1958 年：Frank Rosenblatt 發表「The perceptron: a probabilistic model for information storage and organization in the brain」。他提出了一個奠基性的學習模型，其基礎是一個「稱為感知器的假設性神經系統」。
• 1986 年：Rumelhart、Hinton 和 Williams 發表「Learning representations by back-propagating errors」，刊登於《Nature》。他們概述了一種稱為反向傳播的演算法，用於訓練多層神經網絡。這種方法改進了參數的調整方式。
• 1997 年：Hochreiter 和 Schmidhuber 發表「Long Short-Term Memory」，刊登於《Neural Computation》。論文描述了一種神經網絡架構，讓網絡能在更長的時間內保留資訊。
• 2009 年：研究人員發表「ImageNet: A large-scale hierarchical image database」，正式推出 ImageNet。這是一個包含數百萬張已標註圖像的數據庫，用於訓練和評估 AI 系統。
• 2014 年：Ian Goodfellow 及其同事發表「Generative Adversarial Nets」。論文概述了一個讓 AI 系統能生成逼真內容（尤其是圖像）的框架。
• 2016 年：DeepMind 研究人員發表「Mastering the game of Go with deep neural networks and tree search」，刊登於《Nature》。論文中介紹的人工智能系統 AlphaGo，其後擊敗了頂尖職業圍棋棋手李世乭。
• 2017 年：Google 研究人員發表「Attention Is All You Need」，提出了 Transformer 架構，這是當今大多數現代大型語言模型的基礎。
• 2020 年：OpenAI 研究人員發表「Language Models Are Few-Shot Learners」。他們證明了擴大語言模型的規模（在不改變程式碼的情況下增加基礎組件的規模），能提升模型有效執行各種任務的能力。
• 2022 年：OpenAI 於 11 月 30 日推出 ChatGPT，令對話式生成式 AI 得以廣泛普及。

六項近期重要的 AI 研究進展（2025–2026 年）

• 2025 年：DeepSeek 研究人員發表「DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning」。論文證明了先進的推理能力可以透過強化學習（RL）產生。
• 2025 年：研究人員發表「s1: Simple Test-Time Scaling」。論文顯示，使用相對有限的訓練資源也能提升推理表現。
• 2025 年：Google DeepMind 研究人員發表「AlphaEvolve: A coding agent for scientific and algorithmic discovery」。AlphaEvolve 是一個由 Gemini 驅動的系統，能自主開發和改進複雜的演算法。
• 2025 年：Google DeepMind 發佈 Genie 3，這是一個能生成可供探索的虛擬環境的世界模型。
• 2026 年：Google DeepMind 研究人員發表「Advancing regulatory variant effect prediction with AlphaGenome」，刊登於《Nature》。論文介紹了 AlphaGenome，一個能預測 DNA 序列變化如何影響基因功能的 AI 模型，預計將有重大的醫學應用。
• 2026 年：研究人員發表「Accelerating scientific discovery with Co-Scientist」，刊登於《Nature》。論文介紹了一個多代理程式 AI 系統，能生成並完善科學假設，協助科學家「發現新的原創知識」。

主要 AI 研究機構概覽

研究成果分佈於各類企業和公共機構。專門的研究機構（其中許多與頂尖大學有聯繫）佔新研究的一大部分。不過，企業及其相關的 AI 實驗室亦扮演著重要角色。

AI 作為研究工具的普及程度有多高？

主流 AI 聊天機械人（Perplexity、ChatGPT、Claude 等）以及圍繞主要模型建構的專門平台，均廣泛應用於許多以研究為主的學科。

Microsoft 一項大型研究分析了 550 萬個 Copilot 工作階段，發現了涵蓋探索、綜合和分析的各種研究相關任務。

以下是專業人士使用 AI 進行研究的四種主要方式：

• 資訊檢索：早期探索（一般問題）；尋找相關研究；協助解答技術問題。
• 分析：內容摘要；數據的彙整、詮釋和呈現。
• 決策和制定策略：使用 AI 比較不同選項（例如軟件）；尋找支持資料以輔助決策。
• 評估和診斷：收集有關需要排解疑難的系統或程式的證據。

請留意，這些任務並不限於學術界。記者、市場研究員、律師、財務分析師、醫療從業員等，都是經常使用 AI 進行研究的專業人士。

在研究中使用 AI 的優點和缺點

毫無疑問，AI 作為研究工具已被廣泛採用，但其利弊一直備受爭議。許多批評都集中在看似無法克服的幻覺問題上。

由於研究往往是一項高風險的工作，各行各業的專業人士都必須了解 AI 研究工具的優勢和不足之處。

優點

• 文獻篩選和數據清理等重複性研究工作可以部分或完全自動化。
• 非專業人士可以取得其專業領域以外的技術資訊。
• 研究人員可以透過執行 AI 模擬，快速測試早期研究假設。
• AI 有助挑戰既有假設，即使面對經過深思熟慮的立場，亦能提出有證據支持的替代觀點。

缺點

• 幻覺仍然是一個重大問題，而防護措施並不能完全解決。
• 資訊上的細微差異對較高層次的研究可能非常重要，而大型語言模型往往會將複雜的主題過度簡化。
• 已有研究證明，過度依賴 AI 會削弱批判性思考和獨立分析的能力。
• 雖然 AI 是很好的資訊彙整工具，但它並非鉅細無遺，可能會遺漏重要的資訊來源和研究。

以 Perplexity 的學術搜尋功能作為 AI 研究工具的例子

讓我們看看一個基本的研究流程是怎樣的。Perplexity 深受研究人員青睞，因為它提供多個各有所長的第三方模型，以及深入的網絡和學術研究工具。

放大

在這個例子中，我向 GPT 6.1-Sol 輸入提示，請它協助我為一項以 Z 世代為目標的產品發佈進行市場研究。它給我一份近期研究的摘要，並附上來源連結和可信度指標。

放大

然後，我讓它使用從網上取得的數據，生成一個 Z 世代行銷偏好的圖表。如有需要，我亦可以上載自己的數據。

放大

這些輸出需要經過審閱和事實查核。不過，這個簡單的例子說明了，一個原本很可能需要數小時的流程，可以壓縮至幾分鐘內完成。

最佳研究用 AI：研究人員的頂尖工具

AI 研究工具大致可分為兩類：具備研究功能的通用聊天機械人，以及專門協助學術研究的平台。

大多數從事非學術研究的專業人士會發現，通用 AI 工具最適合他們。對學術界人士而言，各大供應商之間有很多相似之處。選擇哪款工具，很可能取決於任務範圍，以及對細微功能的個人偏好。

通用 AI 工具

• Perplexity：可使用來自第三方供應商的多個模型，並可與大量外部服務整合。功能包括學術研究、深入研究、來源標示及數據分析。
• ChatGPT、Claude 及 Gemini：作為具備專業及企業功能的領先主流 AI 工具，三者提供的研究工具大致相若。功能包括網上搜尋、深入研究、文件分析、數據分析及多模態功能，亦可與外部應用程式及服務整合。

專門研究工具

• Semantic Scholar：這是由艾倫人工智能研究所（Ai2）開發的免費學術搜尋引擎，與 Google Scholar 非常相似，但加入了更多 AI 功能。它是許多 AI 工具背後的學術文獻來源，但本身並非專門工具。
• Elicit 及 SciSpace：這些工具協助進行學術研究的探索階段，其篩選及綜合功能備受讚譽。研究人員利用它們從大量研究中擷取結構化資訊，並歸納研究結果。SciSpace 亦可作為 ChatGPT 的整合功能使用。
• ResearchRabbit 及 Connected Papers：兩者均為文獻回顧工具，其視覺化圖譜功能廣受好評。它們專為較長期的專案及文獻回顧而設，適用於以尋找相似研究及梳理論文之間關係為首要任務的情況。這些工具需要大量人手輸入及監督。
• Scite 及 Consensus：ResearchRabbit 及 Connected Papers 等工具着重於發掘相關文獻，以及建立對某個主題領域的整體概覽。相反，Scite 及 Consensus 專注於針對性評估：協助用戶判斷某項特定論點是否獲現有證據支持。它們通常亦包含較廣泛的文獻回顧功能，但這些並非其主要重點。

如何將 AI 用作研究工具：7 步框架

放大

有效將 AI 用作研究工具的關鍵，在於把它視為現有流程的輔助，而非替代品。此外，亦須顧及法律限制，尤其是在上載敏感資料時。

1. 估算預計研究時間

先以傳統方法規劃研究流程，然後思考 AI 可在哪些環節處理探索、綜合及分析工作。

估算撰寫提示及核實結果所需的時間。在大型文獻回顧中，AI 可輕易節省數小時甚至數天。但對於範圍較小、針對性強的問題，AI 相比人手搜尋優勢不大。

2. 選擇合適的工具（專門工具還是通用工具）

判斷專門的研究平台相比 Perplexity 等通用助理有否任何優勢。留意個別研究功能，以及其在你所屬領域的涵蓋範圍。

如果選擇專門工具，應挑選專為你的特定工作而設計的工具。例如，Elicit 等工具支援結構化文獻回顧，而 Scite 則分析學術論文的引用情況。

3. 核實工具的條款及細則是否容許你的預期用途

查閱供應商的條款及細則時，有兩點需要留意。第一，你的資料如何被使用，以及是否完全保密。第二，有關輸出內容擁有權的條款。

不要以為付費方案必然保障資料保密，或提供不受限制的使用權。

4. 檢查與你的資料相關的法律限制

你輸入的內容會否包括敏感資料、受版權保護的文件、商業機密資料或未發表的研究結果？

務必確認你可以將這些內容提供給大型語言模型（LLM）。當中可能涉及各種限制，由你所在司法管轄區的資料法規以至公司內部政策不等。你或需了解特定工具供應商如何儲存資料及儲存多久，亦可能需要使用經批准的企業平台。

5. 撰寫提示時遵循最佳做法

撰寫優質的研究提示是一門藝術。清楚闡明你的研究問題、提供相關背景，並界定輸出格式。處理複雜的研究工作時，你可能需要將問題拆分為多個子提示。

要求清楚列明所有使用過的來源，即使輸出內容中未有標示。這點十分重要，因為 AI 生成的回應未必會為所有使用過的來源附上引用。

6. 對所有數據、技術論點及最新資訊進行事實查核

必須對照原始來源核實各項論點。這些來源可以是研究論文、原創研究、官方統計數據或技術文件。尤其要留意數值數據、日期、引文，以及可能已經過時的時效性資訊。

進行研究時，不應因為某個來源獲引用，就假定相關論點正確，甚至假定該來源確實存在。對於複雜的研究，這個階段正是核實論點及摘要的細微之處是否準確的時候。

7. 披露你使用 AI 的情況

查閱你的僱主、學術機構或相關專業團體的披露要求，便可了解你需要在多大程度上披露 AI 的使用情況。

設有嚴格規例及執業守則的領域，通常要求更詳細的披露。請保存 AI 輔助活動的紀錄（平台通常會保留審計追蹤紀錄）。

使用 AI 進行研究是否合乎道德？未來又會如何發展？

研究輔助已成為 AI 的主要用途之一，原因顯而易見。AI 能處理大量複雜資訊、將耗時的重複性工作自動化，並可在構思初期的想法及假設時充當思考夥伴。

然而，問題依然存在。尤其是研究中合乎道德地使用 AI 的問題，目前是學術機構之間討論最熱烈、爭議最大的議題之一。

AI 幻覺的出現率與主題的複雜程度相關，許多頂尖工程師認為這是一個無法完全解決的難題。此外，眾所周知，使用 AI 會削弱思考能力，而對參與複雜研究的專業人士而言，這種能力至關重要。

機構亦可能基於私隱及知識產權理由，或出於對敏感資料的顧慮而禁止使用 AI。此外，披露仍然十分重要，以便審稿人及同行了解研究過程中如何使用 AI。

AI 只會在私人及公共領域中進一步成為日常生活的一部分。因此，有關研究誠信及來源標示的規則極有可能會繼續演變，並變得更加細緻。