AskChem: Claim-Centered Infrastructure for Chemistry Literature Synthesis
AskChem 是一项全新的基础设施，它通过将检索对象从整篇文档转向携带溯源信息的原子级断言，实现了化学文献合成方式的变革，从而能够进行更准确、可验证且面向 AI 的跨论文搜索与发现。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，科学的世界就像一座巨大且混乱的图书馆，每一本书都是一篇研究论文。几十年来，如果你想寻找一个特定的事实——比如“什么温度能让这种化学物质发生反应？”——你必须在整本书中搜寻，希望偶然撞见正确的段落。这就是传统搜索引擎的工作方式：它们递给你一份文档列表，而你，作为读者，必须承担繁重的体力活，去打开它们、扫描页面，并将来自不同来源的答案缝合在一起。这就像是在玩拼图，但你得到的只是几堆贴着“拼图”标签的盒子，而不是一个个独立的拼图碎片。
但科学正在发生变化。我们现在拥有被称为 AI 智能体（AI agents）的超级聪明的计算机程序，它们可以阅读、规划甚至进行实验。然而，这些数字助手仍受困于旧有的图书馆系统。它们得到的是论文列表，而不是论文内部真正的核心事实。这导致了一个令人沮方面的问题：AI 可能会猜测答案，或者编造一个虚假的引用（即“幻觉”），因为它无法轻松验证隐藏在文档深处的具体证据。大问题在于：我们如何升级这座图书馆，使得人类和 AI 都能瞬间获取他们所需的精确、经过验证的事实，而无需阅读整本书？
于是有了 AskChem，一个彻底改变我们检索化学文献方式的新系统。AskChem 不再将整篇研究论文视为最小的信息单位，而是将每篇论文拆解为微小的、原子的“断言”（claims）。把一个“断言”想象成一张经过验证的事实卡片——比如一个特定的实验步骤或一个测量结果——它自带自己的 ID 标签、指向原始页面的直接链接，以及一段证明其真实性的引文。
研究人员构建了一个包含 240 万个此类事实卡片的庞大数据库，这些卡片提取自 14.7 万篇不同的论文。他们并没有只是将它们堆在一起，而是通过三种巧妙的结构对其进行了组织，使其易于查找：
- 分面分类法（Faceted Taxonomy）： 想象一个巨大的、智能的文件柜，你可以根据事实的主题（如“催化剂”）、测量方式或发现时间来进行分类。这让你能够瞬间浏览并对相似的发现进行分组。
- 证据图谱（Evidence Graph）： 这就像是一个连接的网络。它将事实联系在一起，向你展示哪些发现相互支持，哪些相互矛盾，以及一个发现是如何跨越不同论文引导出另一个发现的。
- 动态分类法（Living Taxonomy）： 这是一个探索性地图，将事实归类于宏大的科学概念和原理之下，帮助你理解现象背后的“为什么”。
团队使用一个名为 AskChem-Bench 的工具测试了该系统，提出了需要从多篇不同论文中提取信息的高难度复杂问题。结果令人瞩目。当 AI 在没有帮助的情况下尝试回答这些问题时，它经常编造引用，其中只有 88.3% 的链接实际上是有效的。但当同一个 AI 被“锚定”在 AskChem 的验证断言数据库中时，100% 的链接都是真实且可解析的。此外，该 AI 提供的答案具有更高的“引用密度”，这意味着它能比其他系统提供更多具体的、经过验证的证据来支撑其观点。
作者认为，这种以“断言”为中心的方法是未来化学研究的一个实用基础。它并不取代在做出关键决策时阅读原始论文的需求，但它充当了一个强大且经过验证的快捷方式。通过将图书馆从书籍的集合转变为经过验证、相互连接的事实卡片集合，AskChem 帮助科学家和 AI 智能体更快、更准确地找到真相。该系统已经上线，并向所有人开放探索，它表明未来的科学搜索不在于找到更多的文档，而在于找到正确的事实。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。