AI百科全書SciencePedia：當馬斯克Grokipedia遭遇滑鐵盧，有個中國團隊默默把活兒干了

允中 發自 凹非寺
量子位 | 公眾號 QbitAI

互聯網讓知識觸手可及，卻也讓真知難以抵達。

每天，成千上萬的新內容在各個平臺涌現，人們要在信息洪流中分辨真假、篩選可靠來源已非易事；

而跨領域的知識壁壘與傳播失真，又讓科學的普及面臨重重挑戰。

在知識爆炸的時代，用戶獲取深度見解的需求，正遭遇傳統互聯網平臺的挑戰：

• 維基百科精于原理陳列，卻拙于交叉應用；強于英文覆蓋，卻弱于中文生態；廣納主流視野，卻忽視長尾需求；
• ArXiv詳于最終結論，卻疏于過程還原；
• 而AI助手則長于快速應答，卻止于淺層檢索，難以輔助用戶構建體系化的科學認知。

馬斯克搞的百科全書Grokipedia，意圖用AI重新定義百科全書，但實際發布后風評卻未達預期。

Grokipedia未解決的問題，是科學知識的傳播與積累。現實正在呼喚一種更智能的“操作系統”——

能夠理解知識之間的關系，追蹤科學的演化脈絡，并讓真知更高效地抵達每一個需要它的人。

深勢科技攜手北京科學智能研究院、中國科學院理論物理研究所、蘭州大學、北京大學、上海交通大學以及國際科學智能聯盟、DeepModeling開源社區等合作伙伴，帶來了答案“SciencePedia”——

一個具備「生命體征」的知識基座，致力于為知識安裝一個會思考、能進化、可連接的數字大腦。

SciencePedia：sciencepedia.bohrium.com

這不僅是一個開創性的產品，更是對未來學習認知方式的一次全新探索。

考一考SciencePedia

現在到處在講AI，你突然聽到了幾個陌生名詞的描述，例如“人工神經網絡”、“反向傳播”。

于是求知欲滿滿的你習慣性地去維基百科上了搜一下，你看到的是這樣：

又來了一堆新的陌生名詞，即便是機智聰慧的你也會完全摸不著頭腦。

當然，你肯定還會想到讓LLM來幫幫忙，可是你又擔心LLM給你的答案是它自己杜撰的。為了不給聰明的你增添驗證知識準確性的負擔，可以試一試SciencePedia：

很明顯，SciencePedia在準確回答問題的同時更加接地氣，用生動的生活化場景闡述了“反向傳播”這一高深科學概念的核心思想。

對于一些課程相關的主題，為了驗證你是否掌握了該知識，SciencePedia甚至給你設置了“課后練習題”！那么它是怎么做到的呢？

SciencePedia的工作思路

對比維基百科，SciencePedia不是在“做死板的通用百科”，而是在“搭建科學知識的動態進化圖譜”：

• 先按學科劃分（物理、化學、生物、工程、材料……），確保用戶知道自己處在哪一門學科的語境里；
• 再把這門學科下的關鍵知識點拆開；
• 最后，用邏輯/因果/應用關系把知識點串連成鏈路，告訴你：這個知識點為什么重要、它依賴哪些前提、它會影響哪些下游問題。

SciencePedia的工作思路可以概括成三個關鍵詞——長思維鏈、逆思維鏈搜索、人機協同進化。

長思維鏈，讓知識「活起來」

傳統知識平臺止步于結論陳述，如同只展示標本的生物學教室。

SciencePedia則是從約400萬條大語言模型的“思維鏈”知識庫的基礎上構建起來的，這些“思維鏈”試圖還原“這個結論是怎么被人類一步步做出來的”。

舉例來說，當用戶查看“量子糾纏”，系統不會只給出一句標準定義，而是沿著物理學的發展脈絡展開：從EPR佯謬的提出，到貝爾不等式的推導，再到實驗驗證的技術路徑，最后延伸到量子計算中的具體應用。

這種「思維重演」讓學習者親歷了一遍科學發現的全過程。

也就是說，它展示的不是“答案是什么”，而是“答案是如何被建立并被驗證的”。

這一點，本質上是在把科學發現過程本身當成知識的一部分，而不是只保留終點結論。

逆思維鏈搜索，讓知識「連起來」

SciencePedia所基于的“思維鏈”構建了一個深層邏輯網絡，實現了「概念級」的知識智能關聯，因此SciencePedia擅長闡述“用戶的問題能通向什么”。

當有人檢索“拓撲絕緣體”，系統不僅會呈現凝聚態物理中的拓撲理論基礎，還會自動指向材料科學里的制備工藝、數學拓撲學中的關鍵概念，乃至量子計算中潛在的器件應用路徑。

這相當于把“跨學科偶然靈感”轉成“系統化導航”——用戶可以看到一條知識線在不同學科間如何延展，而不是靠自己在文獻海洋里碰運氣。

人機協同進化，讓知識「長起來」

SciencePedia的知識更新并不是“AI說了算”，它采用了獨特的雙引擎機制——

AI負責抽取知識、重寫和初步自檢；專家社區負責擴展知識邊界、仲裁、校正深度理解、標注爭議點，確保輸出的知識嚴謹可靠。

這種機制使得SciencePedia把“可擴展性”和“科學嚴謹性”綁定在一起，也使它成為首個能夠「自主進化」的知識系統。

新論文發表后，系統自動識別其與已有知識的關聯、矛盾或推進，并通過社區驗證實現知識態的實時更新。

為何SciencePedia有如此強大的工作能力？

不禁要問，是什么造就了SciencePedia如此強大的工作能力。這里不得不提到人類互聯網語料的一個本質缺陷。

我們人類的知識資料里所記錄的往往是一個事件的結果或者結論，人們在交流與討論的時候，經常會忽略了某些知識具體的發現和推理過程，而這些所忽略的部分卻隱含著大量信息。

SciencePedia正是填補了這些缺陷，將原有的知識掰開了揉碎了，基于第一性原理從零開始推演，并通過科學事實對推演進行驗證，挖掘出整個知識的關聯脈絡以及各種延伸，構建一個思維過程全部可追溯、知識可進化的底層數據庫。

當我們提出問題時，SciencePedia再次通過逆思維鏈搜索，將數據庫中與問題上下游相關聯的知識脈絡，準確地展現在我們面前。

SciencePedia會給我們帶來哪些價值？

目前，SciencePedia包含400萬條思維鏈構建的科學推理網絡，200個學科的深度覆蓋，24萬知識點的精細解構10萬+練習題的實踐閉環。

傳統的知識科普，人們往往更強調結論，而忽視了知識過程。

借助SciencePedia，人們能夠生成知識地圖，補完缺失的交叉關聯信息，快速呈現領域知識全景，清晰識別研究前沿與討論焦點；

通過逆知識搜索，SciencePedia會自動發現不同研究領域之間的學科交叉，揭示潛在的探索方向與創新機會；

同時，跨學科導航功能能夠系統化構建創新路徑，讓交叉研究不再依賴偶然，而成為可預測、可設計的必然過程。

此外，SciencePedia正在重塑教育的基本邏輯。

通過個性化學習路徑，系統根據知識點的先修關系，為每位學習者量身定制專屬課程；

借助思維鏈可視化，將抽象的科學概念轉化為直觀的認知路徑，讓學習過程更易理解；

通過實踐閉環設計，依托超過10萬道練習題，實現從“理解”到“掌握”的跨越。目前，SciencePedia正在與多所頂尖高校展開合作，打造未來知識獲取的新方式。

從知識平臺到認知基礎設施

隨著科學素養的不斷提升，人們不再滿足于“知道結果”，而更渴望理解“結果是如何得出的”。

同時，AI領域的長遠發展亦需要一個穩健、標準化、可溯源、可進化的知識庫。

SciencePedia正是在這種需求下應運而生的——它不僅能夠從根源梳理事實，進行正向推理或逆向追溯，還能整合跨學科信息，最終提供可信、可靠、可追溯的解答。

這不僅讓人們輕松獲取知識，更讓他們真正理解知識背后的邏輯。

在此，研發團隊為SciencePedia的發展描繪了一條由工具到生態的未來演進路徑——

• 現階段，將完善核心知識網絡，建立基礎應用生態；
• 接下來，實現自動化知識更新，并構建全球貢獻者社區；
• 未來，成為知識獲取、科學研究必備的基礎設施。

這一演進路線，體現了SciencePedia正推動一種全新的知識呈現形態，并影響未來的學習方式。

立即體驗SciencePedia：開啟全新的知識之旅

SciencePedia現已全面開放訪問。

不妨從研發團隊精心準備的諾貝爾獎專題內容開始，感受基于「思維鏈」的SciencePedia如何清晰解構復雜知識，超導量子比特、MOF（金屬有機框架）、調節性T細胞。

研發團隊相信，一個「思維可追溯、知識可進化」的知識系統，將是推動未來科學進步的基石。研發團隊誠摯邀請您一同見證并共建這一未來。

使用指南

訪問入口：直接訪問
sciencepedia.bohrium.com

或者從玻爾首頁（www.bohrium.com）進入

作為學習者你該如何使用？

日常學習：“千人千面”的動態規劃與講解

傳統的“書架”模式（如搜索、按領域、學術水平篩選查找）依然可用，但更推薦你開啟全新的智能學習體驗。

你可以獲得專屬“學習規劃”，點擊“AI推薦”喚起“學習伴讀”助手，告訴它你的學習目標（例如：“幫我規劃一下量子力學的基礎學習”或“我想學習MOF”）。它會為你量身定制一條動態學習規劃，為你智能推薦最合適的學習素材；

或者體驗“動態講解”，學習過程中遇到不懂的隨時劃線提問AI。AI提供的不再是千篇一律的標準答案，而是可交互的“動態講解”。你可以隨時打斷它，要求它“講得再深入一點”、“用個例子說明白”，或者“換一種方式解釋”。讓學習變得不再枯燥，而是成為一種可互動、可交流、可拓展的全新體驗。

還可以隨時劃線“提問或反饋”，只需劃線選中不理解的內容，便可喚起助教，提供即時解釋與延伸說明，幫助用戶快速理解與深入思考。若在閱讀中發現錯誤或表述不當的地方，也可直接進行編輯或反饋，使知識內容在不斷修訂與共建中持續完善。

學習鞏固：AI帶你拆解多種思路

每個知識點，都有配套的“動手實踐”，幫助你檢驗是否完全掌握該知識。點開“動手實踐”模塊，可查看經典習題和解題過程；

還能啟發多種思路，面對難題毫無頭緒時，“AI伴讀”不會直接給答案，而是為你提供多種解題思路（如“試試能量守恒”或“從動量分析”），拓寬你的視野。

以及展開思維鏈，選擇一種思路，AI伴讀會為你展開完整的“思維鏈”——清晰展示“為什么”這么做、“第一步”和“后續推導”。讓你真正學會“如何思考”，而不只是“如何解題”。

開放生態，為科學百科貢獻或捉蟲

研究團隊誠摯邀請全球的科研工作者、教師與學生，加入玻爾科學百科！共同構建人類的開放科學知識體系。讓科學不再是少數人的工具，而是全人類的共同語言。

方式1：直接提交github pull request，參與共建，在頁面上發現錯誤或想要增加信息，可直接選中錯誤內容點擊“編輯”或點擊右上角“編輯”，跳轉至我們的開源倉庫進行編輯并提交pull request。

方式2：提交需求反饋，在頁面上直接點擊“反饋”，填寫需求，幫助研究團隊迭代知識內容或產品體驗。

論文鏈接：https://github.com/deepmodeling/sciencepedia/blob/main/Inverse_Knowledge_Search_over_Verifiable_Long_Chain_of_Thoughts.pdf