Intern-Atlas: Un Grafo de Evolución Metodológica como Infraestructura de Investigación para Científicos de IA
Intern-Atlas: A Methodological Evolution Graph as Research Infrastructure for AI Scientists
April 30, 2026
Autores: Yujun Wu, Dongxu Zhang, Xinchen Li, Jinhang Xu, Yiling Duan, Yumou Liu, Jiabao Pan, Xuanhe Zhou, Jingxuan Wei, Siyuan Li, Jintao Chen, Conghui He, Cheng Tan
cs.AI
Resumen
La infraestructura de investigación existente es fundamentalmente centrada en documentos, proporcionando enlaces de citación entre artículos pero careciendo de representaciones explícitas de la evolución metodológica. En particular, no captura las relaciones estructuradas que explican cómo y por qué los métodos de investigación emergen, se adaptan y se construyen unos sobre otros. Con el auge de los agentes de investigación impulsados por IA como una nueva clase de consumidores del conocimiento científico, esta limitación se vuelve cada vez más significativa, ya que dichos agentes no pueden reconstruir de manera confiable las topologías de evolución metodológica a partir de texto no estructurado. Presentamos Intern-Atlas, un grafo de evolución metodológica que identifica automáticamente entidades a nivel de método, infiere relaciones de linaje entre metodologías y captura los cuellos de botella que impulsan las transiciones entre innovaciones sucesivas. Construido a partir de 1.030.314 artículos que abarcan conferencias de IA, revistas y preprints de arXiv, el grafo resultante comprende 9.410.201 aristas con tipos semánticos, cada una fundamentada en evidencia textual fuente, formando una red causal consultable del desarrollo metodológico. Para operacionalizar esta estructura, proponemos además un algoritmo de búsqueda de árbol temporal autoguiado para construir cadenas de evolución que trazan la progresión de los métodos a lo largo del tiempo. Evaluamos la calidad del grafo resultante comparándolo con cadenas de evolución de referencia curadas por expertos y observamos una fuerte alineación. Además, demostramos que Intern-Atlas permite aplicaciones posteriores en evaluación de ideas y generación automática de ideas. Posicionamos los grafos de evolución metodológica como una capa de datos fundamental para la emergente descubrimiento científico automatizado.
English
Existing research infrastructure is fundamentally document-centric, providing citation links between papers but lacking explicit representations of methodological evolution. In particular, it does not capture the structured relationships that explain how and why research methods emerge, adapt, and build upon one another. With the rise of AI-driven research agents as a new class of consumers of scientific knowledge, this limitation becomes increasingly consequential, as such agents cannot reliably reconstruct method evolution topologies from unstructured text. We introduce Intern-Atlas, a methodological evolution graph that automatically identifies method-level entities, infers lineage relationships among methodologies, and captures the bottlenecks that drive transitions between successive innovations. Built from 1,030,314 papers spanning AI conferences, journals, and arXiv preprints, the resulting graph comprises 9,410,201 semantically typed edges, each grounded in verbatim source evidence, forming a queryable causal network of methodological development. To operationalize this structure, we further propose a self-guided temporal tree search algorithm for constructing evolution chains that trace the progression of methods over time. We evaluate the quality of the resulting graph against expert-curated ground-truth evolution chains and observe strong alignment. In addition, we demonstrate that Intern-Atlas enables downstream applications in idea evaluation and automated idea generation. We position methodological evolution graphs as a foundational data layer for the emerging automated scientific discovery.