大语言模型驱动的科学假设生成研究综述

摘要: [目的]系统梳理基于大语言模型生成科学假设的方法体系与应用进展，揭示该领域的研究现状与发展趋势。 [文献范围]以“Large Language Models”“Scientific Hypothesis Generation”等为关键词构建检索式，在WOS、Google Scholar及中国知网等数据库中检索2021-2026年间文献，最终筛选出98篇代表性文献进行分析。 [方法]从生成流程逻辑、技术路径演进与关键问题三个层面构建分析框架，系统述评知识获取、初步假设生成、迭代优化与评价验证等各环节的已有做法，对比剖析底层技术体系，深入分析核心难点及现有解决思路，并总结相关基准数据集与典型应用。 [结果]大语言模型的知识整合与关联发现能力为科学假设生成提供了新范式，已在多领域真实场景中产出经实验验证的假设。现有研究呈现出上下文工程、监督微调、强化学习、规划与搜索及多智能体协作五类技术路径协同作用的趋势，假设生成的核心流程已初步形成方法论，但在知识线索发现、创新假设推理及可信性等方面仍存在挑战，模型的幻觉与内在推理能力是主要瓶颈。 [局限]该新兴交叉领域发展迅速，部分最新成果可能未被涵盖；侧重方法论框架梳理，未对各方法的量化性能进行系统比较。 [结论]大语言模型已展现出辅助生成甚至自主发现具有科学价值假设的能力，实现规模化、跨学科的高效假设探索。未来研究应在可靠性与创新性平衡机制、深层推理能力提升、人机协作模式、假设生成与实验验证闭环构建等方面寻求突破。