以知识为中心的科学智能中的大型语言模型：方法、挑战以及来自地球科学的经验教训

《ARTIFICIAL INTELLIGENCE REVIEW》：Large language models for knowledge-centric scientific intelligence: methods, challenges, and lessons from geoscience

　　

摘要

大型语言模型在地球科学领域得到了越来越多的应用，因为其中的科学知识需要通过专业术语、各类文档、地图、影像、地理空间结构以及按时间顺序排列的解读来表达。本综述对当前关于面向地球科学的大型语言模型（GeoLLMs）的相关研究进行了系统性分析，重点探讨了其与通用大型语言模型应用不同的任务类型、构建策略、评估需求以及尚未解决的挑战。首先，我们梳理了GeoLLMs的任务范畴，包括地质信息提取与语义标准化、关系建模与知识图谱构建、基于证据的问题解答、多模态地图-影像-文本推理，以及诸如灾害相关信息分析、矿产勘探证据整合、地层年代推断等高价值应用。接着，我们分析了模型的构建与适配策略，涉及地球科学领域的语料库构建、参数高效调优、领域自适应预训练、检索增强、本体与知识图谱关联，以及多模态表示学习等内容。这些研究都表明，评估GeoLLMs的输出时，不仅要看其语言表达的流畅性，还需考虑术语一致性、证据可追溯性、时空连贯性、多模态关联性、不确定性表达能力以及专家验证结果。此外，综述还指出了当前存在的主要挑战，包括数据与评测标准的不完善、不同地区及多种语言的术语差异、具备尺度感知能力的多模态推理、因果关系与时空一致性问题、幻觉现象、过度信任问题、数据隐私问题、对专用模型的依赖，以及模型部署管理方面的难题。通过将地球科学作为具有较高要求的应用领域而非通用测试环境，本综述明确了领域专用型大型语言模型能够在哪些方面发挥价值、哪些领域的现有研究还不够充分，以及为确保其在科学领域的可靠应用需要采取怎样的评估和治理措施。