AI Scientist的现在和未来

核心观点与关键数据

引言：AI作为科学发现的核心驱动力

• 历史上首次AI成果斩获两项诺贝尔奖（AlphaFold2），证明AI正在成为科学发现的核心驱动力。
• AI科学家面临“重复危机”，需要自动化研究流程以提升效率。

前沿进展：AI Scientist系统概览

• 关键系统：Co-Scientist、ERA、DeepMind Aletheia等。
• 技术基座：Agentic Tree Search、VLM视觉反馈、Automated Reviewer等。
• 已实现能力：自主生成研究想法、编写/运行实验代码、撰写学术论文、特定领域超越人类SOTA。
• 未实现能力：通过顶会主会议审、跨学科通用科研能力、湿实验自主操作、理解科学概念、处理长周期复杂科研项目、独立提出范式级突破理论。

学术论文介绍I：Nature发表的重要系统

• Co-Scientist（Nature 2026）：
  • 核心架构：多智能体“科学方法论”（Generation、Reflection、Evolution、Proximity Check、Meta-review、Ranking Agent）。
  • 湿实验验证：发现治疗AML的新药物重定位候选，验证AI提出的假说。
  • 关键启示：归纳偏置、人机协作。
• ERA（Nature 2026）：
  • 核心挑战：科学软件开发的“迭代困局”。
  • 核心思想：将科研探索建模为树搜索问题（代码变异、树搜索、思想重组）。
  • 成果：基因组学、流行病学、时间序列预测任务中超越人类SOTA。
  • 局限性：依赖预定义的“可评分任务”。
  • 启示：未来科学家核心价值转向定义评估指标和领域构想。

学术论文介绍II：Agent能力评价与基准测试

• Fudan NLP Group研究：
  • 复杂约束下的工具使用基准测试（CCTU）：
    • 核心发现：所有模型任务完成率低于20%，约束违反率超过50%。
    • 关键瓶颈：长周期任务、工具增强不可或缺、小模型可超越大模型、学科间差异显著。
  • SciAgentGym：
    • 核心挑战：长周期科学工具使用。
    • 语义抽象隐藏中间结果，确保非平凡性。
    • 消融实验结论：通用工具数据负迁移、错误恢复轨迹对鲁棒性至关重要。
  • SciForge四步流程：
    • 构建工具依赖图、ε-贪心阶段、前向执行验证、轨迹→问题生成。
    • 核心挑战：传统RAG系统无法处理长文档多跳查询。
    • SPO方案：
      • 核心发现：未训练即超越最佳RAG基线，多证据多跳问题增益最显著。

AIScientist-WisPaper平台

• 功能介绍：文献检索、实验设计、数据分析、论文写作。
• 未来展望：闭环实验室、跨学科通用化、科研平权化。
• 核心共识：“Graded Autonomy”——机器速度闭环运行，锚定人类优先事项。

总结

• AI科学家已从概念变为现实，具备自主生成想法、做实验、写论文、通过评审的能力。
• 未来5年是关键窗口期，需同步建立伦理框架和评估体系，降低AI科研门槛。