NUS AI Sense Maker 幾時推出？150,000 份研究資料點樣變成對話式搜尋工具

現有例子包括新加坡 1881 年創刊嘅中文日報《叻報》（Lat Pau）、1817 年首次印刷出版嘅 Stamford Raffles《爪哇史》（The History of Java）、唐代文學作品，以及在完成數碼化並加入系統後，王莎嘅原創音樂作品同劇本。

呢類跨年代、跨語言同跨學科資料，正正係單靠幾個關鍵字未必容易搵齊嘅地方。

AI Sense Maker 點樣搜尋？

用戶唔需要先諗好一串精準資料庫關鍵字，可以直接用日常語言問問題。平台提供快速、反覆探索及深入搜尋等模式，讓用戶按需要選擇先了解大方向，定係進一步擴闊搜尋。

一次查詢可以帶來幾層結果：

1. 主題概要：先用結構化方式整理研究題目，提供一張初步「地圖」。
2. 相關概念：指出可以延伸或修正原問題嘅詞語同方向。
3. 參考資料及延伸閱讀：從 NUS 儲存庫揀出相關文獻同收藏。
4. 引用來源：將答案連返底層資料，方便用戶自行核對。
5. 知識圖譜：以視覺化方式展示概念、學科同來源之間嘅連繫。

例如，用戶問點解新加坡某啲社區感覺特別熱，系統可能會將樓宇密度、植物覆蓋、建築材料同水體等因素連繫起來，再引導到城市生態學、環境科學、大氣物理學同微氣候學等相關領域。

所以，AI Sense Maker 最實際嘅用途係做研究嘅「起步層」：幫學生先睇到應該留意咩詞彙、學科同來源，再決定邊啲原文值得仔細研讀。

點解知識圖譜有用？

傳統搜尋通常會按相關程度列出一張文件清單；知識圖譜就提供另一種睇法，重點係展示文件內嘅概念點樣互相連接。

AI Sense Maker 使用一套經管理嘅分類法。呢套分類法最初參考 Wikidata，再因應 NUS 收藏嘅內容收窄同修訂。 換句話講，知識圖譜有冇用，唔只取決於語言模型本身，亦取決於系統點樣界定概念，以及點樣將概念放入特定資料庫入面。

對跨學科研究嚟講，呢種做法可能幫用戶發現原本未諗到嘅研究詞彙或者鄰近領域。不過，圖譜顯示嘅關係只可以當成調查線索，唔代表每一個建議連繫都已經係可靠嘅學術結論。

GPT-4.1、RAG 同「來源邊界」

平台採用 OpenAI GPT-4.1，配合 檢索增強生成（retrieval-augmented generation，簡稱 RAG）。RAG 系統會先喺指定資料庫內搵相關內容，再根據搵到嘅資料組織答案。AI Sense Maker 嘅設計係以檢索到嘅 NUS 來源作答，並附上引用，等用戶可以打開原始資料檢查。

平台亦設有來源限制，唔打算靠搜尋公開互聯網內容去拼合答案。呢個邊界有望減少無根據嘅輸出，但唔代表用戶可以完全唔查證。研究者仍然要核對引用文件、理解原始材料，亦要判斷答案有冇公平反映證據。

報道所指嘅模型係 GPT-4.1。OpenAI 形容 GPT-4.1 系列喺遵循指示及理解長篇內容方面有所改進。 不過，模型本身嘅一般能力，唔等於 AI Sense Maker 會產生零錯誤嘅研究結果。

首個版本有咩限制？

第一個版本有幾項需要留意嘅限制：

• 目前支援嘅係 一次性查詢，未能喺一連串追問之間保留完整對話脈絡。
• 系統只可以搜尋已經數碼化，並且已加入相關 NUS 儲存庫嘅資料。
• 平台可以幫用戶搵來源同關聯，但唔能夠代替研究者評估所有學術論點，亦唔會替用戶建立最後嘅研究主張。

NUS 正開發 對話歷史記憶，方便進行較長嘅研究對話，亦計劃加入 語音轉文字 功能。

呢啲限制亦界定咗比較穩妥嘅使用方法：先用 AI Sense Maker 探索題目，再逐一打開引用來源、比較不同解讀，最後由研究者自己建立分析同論證。

研究搜尋時間真係可以由兩星期縮到半個鐘？

NUS 估計，研究初期嘅資料發掘同方向整理，原本可能要用大約 兩星期，有 AI Sense Maker 後或可縮短至約 30 分鐘或更少。

但呢個係校方估算，並非經獨立研究驗證嘅生產力結果。較穩妥嘅理解係：平台有機會減少用戶喺低質素搜尋結果上浪費嘅時間，亦幫佢哋更快整理一批附有引用、可再核對嘅起步資料。

換句話講，最可能出現嘅效益集中喺研究前段：更快界定題目、更早掌握跨學科關聯，同埋為之後嘅資料搜尋建立較好嘅詞彙基礎。至於閱讀原文、判斷來源可信性同組織論點，仍然係研究者自己要做嘅功課。