Towards Automated Scoping of AI for Social Good Projects

📄 arXiv: 2504.20010v1 📥 PDF

作者: Jacob Emmerson, Rayid Ghani, Zheyuan Ryan Shi

分类: cs.AI, cs.CY

发布日期: 2025-04-28

💡 一句话要点

提出问题范围界定代理（PSA），利用LLM自动生成AI社会公益项目提案。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: AI社会公益 问题范围界定 大型语言模型 项目提案生成 自动化

📋 核心要点

  1. AI4SG项目面临问题范围界定困难，需要同时具备技术和领域知识的专家，而这类人才非常稀缺。
  2. 论文提出问题范围界定代理（PSA），利用大型语言模型（LLM）自动生成项目提案，降低对专家的依赖。
  3. 实验表明，PSA生成的提案质量可与专家编写的提案相媲美，为AI4SG项目启动提供有力支持。

📝 摘要（中文）

人工智能社会公益（AI4SG）是一项新兴工作，旨在利用人工智能系统的强大能力来应对复杂的社会挑战。这些挑战范围从本地交通网络问题到全球野生动物保护。然而，无论规模如何，许多AI4SG计划的关键瓶颈在于问题范围界定的繁琐过程——这是一项复杂且资源密集型的任务——原因是同时具备技术和领域专业知识的专业人员稀缺。鉴于大型语言模型（LLM）的卓越应用，我们提出了一个问题范围界定代理（PSA），该代理使用LLM生成基于科学文献和现实世界知识的综合项目提案。我们通过盲审和AI评估证明，我们的PSA框架生成的提案可与专家编写的提案相媲美。最后，我们记录了现实世界问题范围界定的挑战，并指出了未来工作的几个领域。

🔬 方法详解

问题定义：AI4SG项目启动阶段的问题范围界定是一个耗时且需要专业知识的过程。现有方法依赖于人工，效率低且成本高，阻碍了AI技术在解决社会问题中的应用。缺乏能够自动生成高质量项目提案的工具。

核心思路：利用大型语言模型（LLM）的强大能力，模拟专家进行问题分析、文献调研和方案设计。通过提示工程，引导LLM生成结构化的项目提案，从而降低对人工的依赖，加速项目启动。

技术框架：论文提出了一个问题范围界定代理（PSA），其核心是LLM。PSA接收问题描述作为输入，通过与科学文献和现实世界知识库交互，生成包含问题定义、解决方案、预期影响等内容的完整项目提案。整个流程可以自动化执行，大大缩短了项目启动时间。

关键创新：将LLM应用于AI4SG项目的问题范围界定，实现项目提案的自动生成。通过提示工程和知识库集成，提升LLM生成提案的质量和可靠性。

关键设计：论文未详细描述LLM的具体选择和训练细节，以及提示工程的具体策略。知识库的构建和维护方式也未明确说明。这些是未来研究可以深入探索的方向。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

通过盲审和AI评估，证明PSA生成的提案质量可与专家编写的提案相媲美。这表明LLM在问题范围界定方面具有巨大潜力，可以有效降低对人工的依赖，加速AI4SG项目启动。具体的性能数据和提升幅度未在摘要中给出，需要查阅论文全文。

🎯 应用场景

该研究成果可广泛应用于各种AI4SG项目，例如环境保护、公共卫生、教育公平等领域。通过自动生成高质量的项目提案，可以降低项目启动门槛，吸引更多研究人员和资源投入，加速AI技术在解决社会问题中的应用。未来，该技术还可以扩展到其他需要问题范围界定的领域，例如科学研究、政策制定等。

📄 摘要（原文）

Artificial Intelligence for Social Good (AI4SG) is an emerging effort that aims to address complex societal challenges with the powerful capabilities of AI systems. These challenges range from local issues with transit networks to global wildlife preservation. However, regardless of scale, a critical bottleneck for many AI4SG initiatives is the laborious process of problem scoping -- a complex and resource-intensive task -- due to a scarcity of professionals with both technical and domain expertise. Given the remarkable applications of large language models (LLM), we propose a Problem Scoping Agent (PSA) that uses an LLM to generate comprehensive project proposals grounded in scientific literature and real-world knowledge. We demonstrate that our PSA framework generates proposals comparable to those written by experts through a blind review and AI evaluations. Finally, we document the challenges of real-world problem scoping and note several areas for future work.