AMiner 是由清华大学计算机系研发的 AI 原生学术搜索引擎，定位为 “科研人员的智能助手”，旨在通过自然语言交互、知识图谱和大模型技术，重构学术研究的全流程。
- GLM-130B 大模型驱动：
- 基于清华大学自研的 GLM-130B 大语言模型，实现 语义级学术搜索（如搜索 “量子纠缠的最新实验进展” 时，直接返回相关论文的核心结论而非网页链接）。
- 支持 多轮对话，例如用户输入 “推荐适合新手的强化学习入门书籍”，系统会根据研究方向和知识储备生成个性化书单。
- 动态知识图谱构建：
- 整合 6 亿 + 科研数据（包括论文、学者、专利、项目等），构建 跨学科知识网络（如 “深度学习” 关联到 “Transformer 架构”“OpenAI”“GPT-4” 等实体）。
- 通过 实体消歧算法（如命名消歧系统）解决 “同名不同人” 问题，确保学者画像的准确性。
- 实时数据接入与过滤：
- 持续爬取 arXiv、IEEE Xplore 等权威学术平台，实现 分钟级数据更新（如最新论文发表后立即收录）。
- 内置 质量评估模型，优先展示高引用论文、顶会（如 NeurIPS、ICML）成果，过滤低质预印本。
- 学术全流程赋能：
- 文献检索：支持 关键词 + 自然语言混合搜索，例如 “2024 年生成式 AI 在医疗影像中的应用” 可直接返回相关论文列表，并标注引用量、领域热度。
- 论文精读：
- 智能总结：一键生成论文摘要、方法亮点、实验结论（如 “这篇论文提出了一种基于对比学习的医学影像分割模型，在胸部 X 光片数据集上准确率提升 12%”）。
- 深度问答：针对论文内容进行多轮对话（如 “作者在实验中为何选择 ResNet 作为基线模型？”），系统自动定位相关段落并生成回答。
- 写作辅助：
- 综述生成：基于 AMiner 库或私有文献库，自动生成结构化综述（如 “Transformer 在自然语言处理中的发展脉络”）。
- 润色纠错：支持中英文翻译、语法修正、学术术语优化（如将 “make better” 改为 “significantly improve”）。
- 科研生态构建：
- 学者画像：聚合学者的论文、专利、项目、合作网络，生成 影响力图谱（如 “某学者在计算机视觉领域的 H 指数为 35，近三年重点研究方向为 3D 目标检测”）。
- 趋势分析：通过 时序图谱 展示领域发展脉络（如 “大模型参数量从 2018 年的 1.17 亿到 2024 年的 17 万亿的增长趋势”）。
- 资源推荐：
- 会议推荐：根据研究方向匹配顶会（如 “推荐参加 CVPR 2025，该会议近年录用了多篇 3D 视觉相关论文”）。
- 合作预测：基于知识图谱推荐潜在合作者（如 “与某学者在强化学习领域的研究方向重叠度达 78%”）。
- 企业级应用：
- 技术情报分析：企业可通过 AMiner 监控竞争对手的技术动态（如 “特斯拉自动驾驶团队近期发表的论文中，BEVFormer 模型被多次引用”）。
- 人才招聘：基于学者画像精准匹配候选人（如 “寻找具有 Transformer 模型优化经验的博士，研究方向需与自动驾驶感知相关”）。
AMiner 是 AI 时代的 “科研操作系统”，通过 语义搜索、知识图谱、大模型交互 三大核心能力，重新定义了学术研究的效率边界。其价值不仅在于提升文献检索速度，更在于构建了连接研究者、知识、资源的智能生态。随着 AI 与科研的深度融合，AMiner 有望成为全球科研人员的 “数字大脑”，推动学术研究从 “人力密集型” 向 “AI 增强型” 跃迁。
