Intern-Atlas: Um Gráfico de Evolução Metodológica como Infraestrutura de Pesquisa para Cientistas 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
Resumo
A infraestrutura de pesquisa existente é fundamentalmente centrada em documentos, fornecendo ligações de citação entre artigos, mas carecendo de representações explícitas da evolução metodológica. Em particular, não captura as relações estruturadas que explicam como e por que os métodos de pesquisa emergem, adaptam-se e constroem uns sobre os outros. Com a ascensão de agentes de pesquisa baseados em IA como uma nova classe de consumidores do conhecimento científico, esta limitação torna-se cada vez mais consequente, uma vez que tais agentes não podem reconstruir com fiabilidade as topologias da evolução metodológica a partir de texto não estruturado. Apresentamos o Intern-Atlas, um grafo de evolução metodológica que identifica automaticamente entidades ao nível do método, infere relações de linhagem entre metodologias e captura os estrangulamentos que impulsionam as transições entre inovações sucessivas. Construído a partir de 1.030.314 artigos abrangendo conferências de IA, revistas científicas e preprints do arXiv, o grafo resultante compreende 9.410.201 arestas com tipo semântico, cada uma fundamentada em evidências textuais diretas da fonte, formando uma rede causal consultável do desenvolvimento metodológico. Para operacionalizar esta estrutura, propomos ainda um algoritmo de busca em árvore temporal autoguiada para construir cadeias de evolução que traçam a progressão dos métodos ao longo do tempo. Avaliamos a qualidade do grafo resultante comparando-o com cadeias de evolução validadas por especialistas e observamos uma forte correspondência. Além disso, demonstramos que o Intern-Atlas possibilita aplicações subsequentes na avaliação de ideias e na geração automatizada de ideias. Posicionamos os grafos de evolução metodológica como uma camada de dados fundamental para a emergente descoberta científica automatizada.
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.