NUS AI Sense Maker 将于8月20日上线：如何搜索15万份数字化研究资料

这些内容并不只是当代论文，还包括具有历史和文化价值的文献。例如，资料范围包括1881年创刊的新加坡中文日报《叻报》（Lat Pau）、1817年首个印刷版斯坦福·莱佛士爵士《爪哇史》（The History of Java）、唐代文学作品，以及在完成数字化并纳入系统后，王莎的原创音乐作品和剧本。

AI Sense Maker 如何进行一次搜索？

用户不必先掌握复杂的数据库检索语法，也不一定要输入精确关键词，只需用日常语言提出问题。平台提供快速、迭代式和深度搜索等模式，让用户可以在快速了解主题与展开更广泛探索之间进行选择。

一次查询可能返回以下几层内容：

1. 结构化主题概览：帮助用户快速建立对主题的初步认识；
2. 相关概念：扩展或细化原始问题；
3. 参考资料和延伸阅读：从 NUS 资料库中筛选相关内容；
4. 引用信息：将回答中的说法指回底层资料；
5. 知识图谱：展示概念、学科和来源之间的联系。

例如，用户询问“为什么新加坡一些社区感觉更热”，系统可能把建筑密度、植被、建筑材料和水体等因素联系起来，再将这些概念延伸至城市生态学、环境科学、大气物理学和微气候学。

因此，AI Sense Maker 最适合充当研究的“导航层”：它可以帮助学生快速了解一个主题涉及哪些术语、学科和资料，再决定哪些内容值得深入阅读。

知识图谱有什么用？

传统搜索通常返回按相关性排序的文档列表，而知识图谱提供的是另一种视角：它试图呈现文档中的概念如何相互关联。

AI Sense Maker 的知识图谱建立在一套经过管理和整理的分类体系之上。这套体系最初参考了 Wikidata，随后又根据 NUS 的资料特点进行筛选和细化。 这意味着，图谱的价值不只取决于语言模型本身，也取决于资料库如何定义概念，以及如何把概念连接起来。

对于跨学科研究，这种方式可能帮助用户发现原本没有想到的检索词或相邻领域。不过，图谱中的关联应被视为进一步调查的线索，而不是每一条关系都已经得到学术论证的结论。

GPT-4.1、RAG 与资料边界

AI Sense Maker 使用 OpenAI 的 GPT-4.1，并结合检索增强生成（retrieval-augmented generation，简称 RAG）技术。RAG 系统会先从指定资料集中检索相关内容，再利用这些内容组织回答。AI Sense Maker 的设计，是让回答建立在检索到的 NUS 资料之上，并附上引用，方便用户回查原文。

平台还设置了资料来源边界，不以公开互联网搜索结果来拼接答案。这种限制有助于减少无依据的输出，并让工具聚焦于 NUS 的学术内容；但它并不能消除核对引用文献、理解原始材料和判断回答是否准确呈现证据的必要性。

报道中提到的模型是 GPT-4.1。OpenAI 对 GPT-4.1 的介绍包括更强的指令遵循能力和长上下文理解能力。 但这些是模型层面的能力描述，并不等于 AI Sense Maker 能够生成完全没有错误的研究结果。

当前有哪些限制？未来会增加什么功能？

首个版本仍有几项明显限制：

• 目前支持的是单次查询，还不能在连续追问中保留完整的对话上下文；
• 它只能搜索已经完成数字化、并被纳入相关 NUS 资料库的内容；
• 它可以帮助用户寻找来源和概念联系，但无法替用户评估所有学术论证，也不能直接写出最终的研究观点。

NUS 正在开发聊天记录记忆功能，以支持更长的研究对话，同时计划加入语音转文字功能。

比较稳妥的使用方式是：先用 AI Sense Maker 缩小主题范围、寻找关键词和资料，再打开引用来源，比较不同观点，最后独立完成分析和论证。

能否把研究资料搜寻从两周缩短到半小时？

NUS 估计，研究最初的资料发现和主题定位阶段通常可能耗时约 两周，使用 AI Sense Maker 后或许可以缩短至约 30分钟甚至更少。

不过，这一数字是学校提出的估算，并非经过独立验证的生产力研究结果。更谨慎的判断是：平台可能减少用户在低质量搜索结果和无效线索上浪费的时间，并帮助用户更快建立一组带有引用的初始资料清单。

它最可能带来的收益集中在研究前期：更快界定主题、为后续搜索找到更准确的词汇，以及更早发现不同学科和资料之间的联系。至于细读文献、批判来源和形成论点，仍然是研究者必须亲自完成的工作。