【论文专利】

【工作经验】

【奖项头衔】

“以上五步，收集科研工作者的几乎全部信息，是开启投资项目的必备条件！”宋河说。

“除此之外，还有一些其他信息，譬如师徒关系，研发搭档，家庭状况等等隐私更强的信息，可以选择填，也可以不填，可以公开，也可以不公开，当然最好是填上去。”

大屏幕上飞速罗列各种需要填写的信息，多的令人眼花缭乱，比查户口还详细。

“这些信息有两个作用。”宋河说。

“第一，让投资人看，投资人点开一位学者的账号，就能从账号信息里看到这位学者的超详细履历，作为是否要投资的参考信息。”

“第二，输入星际科研大模型，由大模型进行大数据计算！”

大屏幕上浮现巨大字幕【星际科研大模型】

观众们惊讶，大概没料到会有专门的大模型出现。

“星际科研大模型，主要功能是收集海量数据进行分析计算，算出每个学者的科研潜力，呈现出来给投资人做参考！”宋河道。

“这个模型我们做了很久，用了多家合作单位的数万学者授权的数据，进行反复调整！”

“具体的计算细节我不能公布，属于商业机密，但可以明确保证，绝对不是简单粗暴的加分，而是有一套非常复杂的计算逻辑，极度贴近现实！”

“举例，学历部分。”

“大模型会分析一所学校的各种科研产出数据，比如论文影响因子、商业落地新闻、师资力量，通盘分析后得出一个估计值，确定这所学校的学生大概是什么水平。”

“但同时，这种分析会不断调整。”

“比如一所野鸡学校，前几年几乎毫无科研产出，大模型对这所学校的评价会很低，赋予这所学校的学生一个较低分数。”

“但如果这所野鸡学校，突然间聘请了名教授名专家，实验室里开始产出高质量论文，或毕业的许多学生突然考进北大前科大里去了，大模型会敏锐注意到这种变化，并不断上调对这所学校的评价！”

“对这所学校的评价上调之后，相关学生的评分也会微调，包括在校学生和毕业生，学生们分数上涨后能拿到更多科研投资，产出更多科研成果，于是个人和学校的分数再次上调，形成良性循环，不断进步！”

“这种大模型计算，不仅仅针对学校，包括荣誉头衔等各种因素都会考虑进去，反复调整验证！”

“举例，诺奖，我们在调试大模型的时候，发现诺奖并不是一个好因素，反而在逐渐走低，甚至会成为负面影响，为什么？”

“因为诺奖往往是颁发给几十年前的成果，领奖者大多是老人，早已脱离科研一线，丧失研发能力，去做管理工作或四处走穴捞金。”

“大模型分析了诺奖得主的论文后得出结论，多数诺奖得主在获奖后，学术生涯也接近结束了，自然分数会持续降低。”

“但这也不绝对，譬如我和相晓桐，我们年龄比诺奖得主的平均年龄低几十岁之多，因此输入诺奖数据后，大模型并未过多下调我们的分数，只下调了一点点，因为从年龄判断我们还有搞科研的精力。”

礼堂所有人都看向前排，一群诺奖老头老太笑容无奈。

“说了这么多，只讲了大模型运行机制的冰山一角。”

“常言道举头三尺有神明，星际科研大模型类似于一个全能全知的神明，它会贪婪地不断吸收整个科学界的数据，用大量计算去观察每一个人，继而得出一个评分，让投资人熟悉科学家的实力。”

“评分之后是什么样式？请看示例！”宋河说，“这里用我的一位学生来当例子。”

【卢庚】

【综合评分：512分】

【利好：高考省状元，大学考试分数位居专业前1%，就读于一流名校“前沿科技大学药学院”，论文影响因子高于同情况学者270%，研究方向为成果井喷方向，实验室打卡工作时间长，试剂仪器使用量大，科研激励环境强】

【利空：年龄较小，尚未进入科研成果密集井喷的黄金年龄，论文样本数较小，难以具体分析研究能力，就读于新成立高校专业，相关高校培养能力待观察，无成熟团队工作经验和长周期科研履历】

【综合评价：潜力巨大的年轻人，在特定科研方向上可能出现高成功率，请谨慎投资】

“这份大模型的评估，基本和我对卢庚同学的判断是一样的。”宋河说，“当然，我对卢庚的了解更深，毕竟他在实验室工作的专注程度，他和我谈科研时的思路敏锐度，很多东西不是数据能衡量的。”

“这就引入另一个非正式功能的机制，伯乐评分！”