Intern-Atlas：面向 AI 科学家的方法演化图研究基础设施

现有研究基础设施本质上以文档为中心，提供论文之间的 citation 链接，但缺乏对方法演化的显式表示。具体而言，它无法捕捉结构化关系，而这些关系能够解释研究方法如何以及为何出现、适应并相互承接。随着 AI-driven research agents（AI 驱动的研究 agent）作为科学知识的新型消费者兴起，这一限制变得愈发重要，因为这类 agent 无法可靠地从非结构化文本中重建方法演化拓扑。

我们介绍 Intern-Atlas，一个方法演化 graph，可自动识别方法级实体，推断方法之间的 lineage 关系，并捕捉推动连续创新之间转换的 bottlenecks。该图谱基于覆盖 AI 会议、期刊和 arXiv 预印本的 1,030,314 篇论文构建，包含 9,410,201 条语义类型化边，每条边都以原文证据为依据，形成一个可查询的方法发展因果网络。为使这一结构可操作化，我们进一步提出一种 self-guided temporal tree search algorithm，用于构建 evolution chains，以追踪方法随时间推进的过程。

我们将所得图谱与专家整理的 ground-truth evolution chains 进行对比评估，结果显示二者高度一致。此外，我们展示了 Intern-Atlas 可支持 idea evaluation 和 automated idea generation 等下游应用。我们认为，方法演化 graph 将成为新兴 automated scientific discovery 的基础数据层。