Analisi delle Capacità di Generalizzazione Scientifica dei LLM tramite Workflow Allineati agli Scienziati
Probing Scientific General Intelligence of LLMs with Scientist-Aligned Workflows
December 18, 2025
Autori: Wanghan Xu, Yuhao Zhou, Yifan Zhou, Qinglong Cao, Shuo Li, Jia Bu, Bo Liu, Yixin Chen, Xuming He, Xiangyu Zhao, Xiang Zhuang, Fengxiang Wang, Zhiwang Zhou, Qiantai Feng, Wenxuan Huang, Jiaqi Wei, Hao Wu, Yuejin Yang, Guangshuai Wang, Sheng Xu, Ziyan Huang, Xinyao Liu, Jiyao Liu, Cheng Tang, Wei Li, Ying Chen, Junzhi Ning, Pengfei Jiang, Chenglong Ma, Ye Du, Changkai Ji, Huihui Xu, Ming Hu, Jiangbin Zheng, Xin Chen, Yucheng Wu, Feifei Jiang, Xi Chen, Xiangru Tang, Yuchen Fu, Yingzhou Lu, Yuanyuan Zhang, Lihao Sun, Chengbo Li, Jinzhe Ma, Wanhao Liu, Yating Liu, Kuo-Cheng Wu, Shengdu Chai, Yizhou Wang, Ouwen Zhangjin, Chen Tang, Shufei Zhang, Wenbo Cao, Junjie Ren, Taoyong Cui, Zhouheng Yao, Juntao Deng, Yijie Sun, Feng Liu, Wangxu Wei, Jingyi Xu, Zhangrui Li, Junchao Gong, Zijie Guo, Zhiyu Yao, Zaoyu Chen, Tianhao Peng, Fangchen Yu, Bo Zhang, Dongzhan Zhou, Shixiang Tang, Jiaheng Liu, Fenghua Ling, Yan Lu, Yuchen Ren, Ben Fei, Zhen Zhao, Xinyu Gu, Rui Su, Xiao-Ming Wu, Weikang Si, Yang Liu, Hao Chen, Xiangchao Yan, Xue Yang, Junchi Yan, Jiamin Wu, Qihao Zheng, Chenhui Li, Zhiqiang Gao, Hao Kong, Junjun He, Mao Su, Tianfan Fu, Peng Ye, Chunfeng Song, Nanqing Dong, Yuqiang Li, Huazhu Fu, Siqi Sun, Lijing Cheng, Jintai Lin, Wanli Ouyang, Bowen Zhou, Wenlong Zhang, Lei Bai
cs.AI
Abstract
Nonostante i progressi nell'IA scientifica, manca ancora un quadro coerente per l'Intelligenza Generale Scientifica (SGI) – la capacità di concepire, investigare e ragionare autonomamente attraverso diversi domini scientifici. Presentiamo una definizione operativa di SGI basata sul Modello di Indagine Pratica (PIM: Deliberazione, Concezione, Azione, Percezione) e la rendiamo operativa attraverso quattro compiti allineati con il lavoro dello scienziato: ricerca approfondita, generazione di idee, esperimenti a secco/bagnato e ragionamento sperimentale. SGI-Bench comprende oltre 1.000 campi interdisciplinari curati da esperti, ispirati ai 125 Grandi Interrogativi della Scienza, consentendo la valutazione sistematica degli LLM più avanzati. I risultati rivelano lacune: una bassa corrispondenza esatta (10-20%) nella ricerca approfondita nonostante l'allineamento a livello di passaggi; idee carenti in fattibilità e dettaglio; alta eseguibilità del codice ma bassa accuratezza dei risultati nell'esecuzione di esperimenti a secco; bassa fedeltà sequenziale nei protocolli di esperimenti a bagnato; e persistenti sfide nel ragionamento comparativo multimodale. Introduciamo inoltre il Reinforcement Learning al Tempo di Test (TTRL), che ottimizza le ricompense di novità aumentate dal retrieval durante l'inferenza, migliorando la novità delle ipotesi senza necessitare di risposte di riferimento. Insieme, la nostra definizione basata sul PIM, il benchmark incentrato sul flusso di lavoro e le intuizioni empiriche pongono le basi per sistemi di IA che partecipino genuinamente alla scoperta scientifica.
English
Despite advances in scientific AI, a coherent framework for Scientific General Intelligence (SGI)-the ability to autonomously conceive, investigate, and reason across scientific domains-remains lacking. We present an operational SGI definition grounded in the Practical Inquiry Model (PIM: Deliberation, Conception, Action, Perception) and operationalize it via four scientist-aligned tasks: deep research, idea generation, dry/wet experiments, and experimental reasoning. SGI-Bench comprises over 1,000 expert-curated, cross-disciplinary samples inspired by Science's 125 Big Questions, enabling systematic evaluation of state-of-the-art LLMs. Results reveal gaps: low exact match (10--20%) in deep research despite step-level alignment; ideas lacking feasibility and detail; high code executability but low execution result accuracy in dry experiments; low sequence fidelity in wet protocols; and persistent multimodal comparative-reasoning challenges. We further introduce Test-Time Reinforcement Learning (TTRL), which optimizes retrieval-augmented novelty rewards at inference, enhancing hypothesis novelty without reference answer. Together, our PIM-grounded definition, workflow-centric benchmark, and empirical insights establish a foundation for AI systems that genuinely participate in scientific discovery.