这不是一篇"我觉得"的趋势分析，而是一份可复现的年报。文中每一个数字都来自 OpenAlex 公开数据，CanguoAI 用于模型访问和结构化阅读，不负责生成论文数量、DOI 或研究结论。

目录

1. 一张地图看懂四大 AI 领域
2. 为什么"趋势文"大多不可信
3. 全景数据：5239 篇论文的四条增长曲线
4. 横向矩阵：谁最大、谁最"年轻"、谁在领跑
5. 增长节奏对比：爆发式 vs 渐进式
6. 地理格局：中国与美国的分野
7. 主题差异：四个领域各自的重心
8. 从年报到选题：数据怎么变成研究问题
9. 方法与复现
10. 总结与边界

---

1. 一张地图看懂四大 AI 领域

先把这份年报的骨架放在最前面。过去我用同一套可复现方法，分别为四个热门领域建立了文献地图：AI for Science、RAG（检索增强生成）、LLM Agent（大模型智能体）、具身智能（Embodied Intelligence）。这篇文章把它们汇总到同一张地图上。

• 4 个领域，同一套方法论，可复现文献地图；
• 累计 5239 篇 标题匹配论文（2019–2025 公开数据）；
• 最大单领域是 RAG，3464 篇，2025 一年就占 72%；
• 中国机构在 3 个领域领跑（RAG、LLM Agent、具身智能）。

这四个数字背后，是四条形态完全不同的增长曲线。下面逐一拆开。

2. 为什么"趋势文"大多不可信

打开任何一篇"AI 年度趋势盘点"，你几乎都会看到这样的句子："大模型智能体正在爆发""具身智能是下一个风口"。但很少有人回答：

• 这个判断基于多少篇论文？
• 检索式和时间范围是什么？
• "爆发"具体是多少倍的增长？
• 换个人重新统计，能不能得到同一批数字？

没有这些，趋势就只是感觉。这份年报的目标，就是把每一句判断都落到可复现的公开数据上。方法很简单：对每个领域，用 OpenAlex 的标题检索式抓取 2019–2025 的年度数量、主题、国家和高被引论文，全部归档原始响应，再用脚本统一重算。

需要先声明边界：这里搜索的是标题，不是全文。 所以测量的是"某术语在标题中的显式采用"，不等于领域全貌；不同术语（如 embodied AI vs embodied intelligence）会覆盖不同集合。

3. 全景数据：5239 篇论文的四条增长曲线

先看最核心的一张图——四个领域的年度增长放在同一对数刻度上：

四条曲线的形态差异非常明显：

领域	累计论文	曲线特征
AI for Science	302	最平缓，2019 年起稳定爬升
RAG	3464	最陡峭，2023 年后近乎垂直爆发
LLM Agent	1181	2023 年才出现，两年冲到近千
具身智能	292	有 2020 年起的长尾，2025 年跳升

一个有意思的观察：RAG 和 LLM Agent 是典型的"从零爆发"——2022 年之前几乎没有标题匹配，随后被大模型直接点燃；而 AI for Science 和具身智能有更长的历史尾巴，它们不是凭空出现，而是已有根基被二次放大。

这条区别对做综述很重要：爆发式领域的首要问题是"分类和评测标准来不及统一"，而渐进式领域的问题是"新旧范式如何衔接"。

4. 横向矩阵：谁最大、谁最"年轻"、谁在领跑

把四个领域的关键指标排成一张对照矩阵：

领域	累计论文	2025 占比	2024-25 占比	领头国家
AI for Science	302	54.0%	73.8%	美国
RAG	3464	71.7%	98.2%	中国
LLM Agent	1181	77.5%	98.7%	中国
具身智能	292	66.4%	83.2%	中国

从这张矩阵能读出三条结论：

1. RAG 是规模之王：3464 篇，远超其他三者之和的一半以上。
2. LLM Agent 最"年轻"：77.5% 的论文集中在 2025 一年，98.7% 集中在近两年——几乎没有历史积累。
3. AI for Science 最"成熟"：2024-25 占比仅 73.8%，是四者中历史沉淀最厚的，也是唯一由美国领跑的领域。

5. 增长节奏对比：爆发式 vs 渐进式

把"发表时间集中度"单独画出来，更能看清各领域有多"年轻"：

深色是 2025 年、中色是 2024 年、浅色是更早。可以直观看到：

• RAG 和 LLM Agent 几乎是纯深色 + 中色，历史积累（浅色）薄得可以忽略；
• AI for Science 的浅色最厚，说明它有大量 2024 年以前的工作；
• 具身智能介于两者之间，既有明显的 2025 跳升，也保留了可观的历史尾巴。

对研究者的启示：如果你进入 RAG / LLM Agent，面对的是"文献两年内暴涨、缺乏统一基准"的局面；如果进入 AI for Science / 具身智能，则更需要读懂它们各自的历史脉络。

6. 地理格局：中国与美国的分野

四个领域的领头机构国家，呈现出清晰的分野：

• AI for Science 由美国领跑（73 篇），这与它更早、更偏基础科学的属性一致；
• RAG（454 篇）、LLM Agent（127 篇）、具身智能（106 篇）均由中国领跑，这三个都是应用驱动、爆发更晚的方向。

需要提醒：国际合作论文会被同时计入多个国家，这些数字之间存在重叠，不能简单相加。但"越偏应用、越晚爆发的方向，中国机构参与度越高"这一趋势是清晰的。

7. 主题差异：四个领域各自的重心

四个领域的 OpenAlex 第一大主题，恰好勾勒出它们各自的性格：

领域	第一大主题	记录数
AI for Science	Artificial Intelligence in Healthcare and Education	46
RAG	Topic Modeling	946
LLM Agent	Multi-Agent Systems and Negotiation	143
具身智能	Multimodal Machine Learning Applications	14

有两点值得展开：

RAG 的主题高度集中——946 篇被归入 Topic Modeling，说明它的学术身份相对统一（尽管这个算法标签并不完全准确）。

具身智能的主题最分散——第一大主题也只有 14 篇，它横跨多模态、软体机器人、群体智能、强化学习和认知科学。所以"具身智能 = 大模型 + 机器人"这个流行说法，其实大大简化了它的真实构成。

8. 从年报到选题：数据怎么变成研究问题

这份年报最终要落到"怎么选题"。核心纪律只有一条：不能把"低频"直接写成"空白"。

以四个领域的对比为例，可以提出几个真正可检验的问题：

问题一（跨领域评测迁移）：RAG 已经积累了成熟的自动评测（如 RAGAs），这些评测思路能否迁移到 LLM Agent 和具身智能这两个更"年轻"、评测更不统一的领域？

问题二（术语分裂）：具身智能在标题层面高度分散，且与 embodied AI / VLA 等术语并存。不同术语社区的方法和评测是否已经割裂，需要一次跨术语的统一综述？

问题三（可复现性洼地）：四个领域里，越晚爆发的方向可复现性讨论越少。能否为爆发式领域建立统一的配置披露清单和跨平台基准？

这些问题的共同点是：它们都由年报里的真实数字直接支撑，而不是凭感觉编出来的方向。

9. 方法与复现

这份年报的可信度，建立在"每个数字都能重跑"之上。四个底层研究各自独立可复现，本年报再做一层汇总：

# report.py 的核心校验
totals = {d["label"]: d["total"] for d in domains}
assert totals["AI for Science"] == 302
assert totals["RAG"] == 3464
assert totals["LLM Agent"] == 1181
assert totals["具身智能"] == 292
assert grand_total == 302 + 3464 + 1181 + 292   # 5239

运行方式：

cd output/articles/ai-research-annual-report
python -m pip install -r requirements.txt
python report.py

脚本会读取四份 data.json、重算所有跨领域指标、渲染五张矢量图，任何一项对不上就直接报错。年报数字对不上，脚本先失败。 OpenAlex 持续更新，未来重跑数字可能变化，因此各领域都保留了本次 raw/ 快照。

10. 总结与边界

把四个领域画在同一张地图上，我们得到了一份有据可查的 AI 研究全景：

累计 5239 篇论文里，RAG 以 3464 篇领跑规模，LLM Agent 以 77.5% 的 2025 占比领跑"年轻度"，AI for Science 沉淀最厚且由美国主导，具身智能主题最分散、远非"大模型+机器人"一句话能概括——而这四条曲线，全部可由脚本重跑。

它的边界必须说清楚：

本文测量的是标题术语的采用情况，不代表领域全貌；不同术语覆盖不同集合；国家计数因国际合作而重叠；主题标签由算法生成，不等于人工分类。Open Science 管证据和复现，CanguoAI 管语言理解与模型访问，研究者对检索边界、实验设计和最终结论负责。本文不做任何模型效果对照跑分。

这正是 Open Science + CanguoAI 组合最适合科研的地方：它不替你下判断，但保证你的每一个判断都留下了可复现的证据。

CanguoAI：https://canguoai.com/

利益关系说明：本文作者与 CanguoAI 项目有关联。文中的论文数量、主题、国家和 DOI 来自 OpenAlex 公开数据，不是产品内部统计；本文也没有进行 CanguoAI 与其他模型服务的效果对照实验，未声称任何未经验证的自动化能力。