Nature：首個End-to-End的AI科學家

導語

從自動發現數學猜想的AM到輔助化學結構解析的DENDRAL，人類對"機器自主科研"的追求已跨越近半個世紀。然而，早期系統受限于知識表示的僵化與推理能力的不足，始終未能真正實現從問題提出、實驗設計到成果撰寫的端到端閉環。2024年，The AI Scientist[1]的問世標志著這一夢想的重大跨越——它不僅能自主提出研究假設、編寫執行實驗代碼，還能將發現整理為格式規范的學術論文，并通過模擬審稿流程評估論文質量，從而構成了首個覆蓋完整科研鏈條的自動化系統。本文將深入解讀這一里程碑式工作，剖析其以樹搜索為核心的實驗探索引擎，并探討其對科學研究范式的深遠影響。

關鍵詞：AI科學家、科研自動化、樹搜索（Tree Search）、大語言模型（LLMs）、自主科研、實驗探索、AI論文生成、科學發現、科研智能體、科研范式變革

賈梓杏丨作者

趙思怡丨審校

論文標題：Towards end-to-end automation of AI research 論文鏈接：https://www.nature.com/articles/s41586-026-10265-5 發表時間：2026年3月26日 發表期刊：Nature

一、為什么重要：從自動化發現到完整論文

科學自動化的構想幾乎與AI學科本身一樣古老。論文引言開宗明義地指出：

“The automation of science is a long-standing ambition in artificial intelligence (AI) research.”

回望這段歷史，我們可以看到一個清晰的能力演進脈絡。早期系統專注于高度專業化的單一任務：AM[3]自動發現數學定理，DENDRAL[4]從質譜數據中推斷化學結構——它們是特定領域的“專家”，卻缺乏通用的科研推理能力。中期發展見證了AI在更復雜科學問題上的突破：AlphaFold[5]以原子級精度預測蛋白質三維結構，材料發現AI自主設計具有目標性能的新材料。但這些系統本質上仍是高度特化的工具，人類研究者需要圍繞它們組織整個研究流程。

LLM時代帶來了新的可能性。大語言模型開始輔助假設生成、自動撰寫文獻綜述、甚至編寫實驗代碼。然而，正如論文所指出的：

“Although the community has made substantial progress in automating individual components of the scientific process, a system that autonomously navigates the entire research life cycle—from conception to publication—has remained out of reach.”

換言之，AI可以很好地完成科研鏈條上的某個環節，卻很少有系統能夠獨立走完從“靈光一現”到“見刊發表”的完整旅程。也正因為如此，The AI Scientist的出現才顯得格外特殊。

要理解這種特殊性，一個很好的參照對象是2025年NeurIPS發表的GeCCo[2]（Generating Computational Cognitive Models using Large Language Models）。GeCCo的pipeline設計精巧：給定任務描述、參與者行為數據和代碼模板，LLM生成候選認知模型，通過擬合數據獲得反饋，迭代優化模型結構。它展現了AI在特定科研場景下的強大能力——在四個認知領域中，LLM生成的模型與文獻中最優的領域專用模型不相上下。但GeCCo的輸出是什么？是模型代碼。研究者拿到這些代碼后，仍需自己解讀結果、撰寫論文、組織引用、回應評審。它是一個出色的科研工具，而非獨立的科研主體。

The AI Scientist則實現了質的飛躍。它的輸出是一篇完整的、符合學術規范的研究論文，包含引言、方法、實驗結果、相關工作討論和參考文獻列表。系統不僅“做實驗”，還要“講故事”——解釋為什么這個問題重要、方法的設計理念、結果的理論含義，以及這項工作如何嵌入更廣闊的學術版圖。這種從代碼輸出到論文輸出的跨越，本質上是從工具到自主科學家的范式轉換。

那么，這種范式轉換到底達到了什么水平？為了驗證系統的真實能力，研究團隊進行了一場大膽的“圖靈測試”——將AI生成的論文提交至ICLR 2025 ICBINB workshop（錄取率約70%），且事先獲得了會議組織者和機構倫理委員會的批準。評審人被告知部分投稿可能由AI生成，但不知道具體是哪幾篇。在三篇投稿中，一篇獲得了平均6.33分（具體評分為6、7、6），超過了錄取閾值。workshop組織者明確表示，如果不是因為研究團隊預先承諾會撤回AI生成論文，這篇稿件將被正式接收。有趣的是，這篇被接收的論文報告了一個負面結果（關于抑制快速學習特征以避免捷徑依賴），恰好契合ICBINB workshop關注“有趣失敗”的主題。

不過，作者團隊保持了誠實：他們明確指出，這只是workshop水平的成功。ICLR主會的錄取率僅32%，AI生成的論文距離真正的一流會議標準仍有差距。但他們同時提出了一個發人深省的觀點：在機器學習領域，一旦某種方法“開始工作”，即使存在明顯缺陷，往往只需幾年時間，隨著模型能力、計算規模和技術方法的提升，系統就可能超越人類表現。The AI Scientist或許正處于這個臨界點。

二、系統框架：四大階段串聯科研全鏈條

The AI Scientist的整體架構可以用Fig 1中的流程圖來概括：四個主要階段依次銜接，形成一個完整的科研自動化閉環。

Fig 1. The AI Scientist 系統整體流程圖（圖源論文Fig.1a）

系統的工作流依次為Ideation（想法生成）、Experimentation（實驗執行）、Write-up（論文撰寫）和Review（自動審稿）。在Ideation階段，LLM iteratively生成研究想法檔案，每個想法包含標題、核心假設和實驗計劃。隨后進入Experimentation階段，系統通過樹搜索執行實驗，包括代碼實現、超參數調優和消融研究。實驗完成后，Write-up模塊將結果填充到LaTeX模板中，逐節生成符合學術規范的論文。最后，Automated Reviewer對生成論文進行科學質量評估。這一設計涵蓋了人類科研活動的全部關鍵環節——從創意產生到成果發表再到質量把關——全部由AI自主完成。

在執行層面，系統支持兩種實驗模式。Template-based模式依賴預定義的實驗模板，適用于有成熟實驗框架的研究領域（如機器學習中的特定基準測試）。這種模式的優勢在于穩定性高，生成的實驗更具可復現性。Template-free模式則給予LLM更大的自由度，讓它自主設計實驗架構，適用于探索性更強的新興方向。兩種模式各有側重，前者適合快速驗證已知范式下的新想法，后者則為突破式創新保留了空間。

研究想法的質量直接決定了整個系統的上限。The AI Scientist在Ideation模塊中進行了精心的prompt工程設計：LLM被要求從“新穎性”“可行性”“潛在影響力”三個維度對每個想法進行自評估。系統還會自動調用Semantic Scholar[12]的API，檢索相關文獻以驗證想法的新穎性——如果LLM提出的想法與已發表論文過于接近，系統會將其過濾并提示重新生成。值得一提的是，Ideation模塊的設計受到了MAP-Elites算法[10]的啟發。與MAP-Elites在行為特征空間中維護多樣性檔案類似，Ideation模塊也會維護一個"想法檔案"，確保生成的研究假設在研究類型、方法論和現象解釋等維度上保持多樣性，避免系統過早陷入局部最優。

當想法確定后，論文撰寫模塊采用了Aider作為代碼編輯工具，負責從實驗日志中提取結果、生成圖表并填充到論文模板中。在引用管理方面，系統通過Semantic Scholar[12]檢索與論文內容相關的文獻，自動插入恰當的引用。Toolformer[11]的思想在此得到了延伸——LLM不僅學會了使用工具，更學會了在學術寫作中準確地引用前人工作。系統支持LaTeX和Markdown兩種輸出格式，并會自動處理圖表排版、公式編號等細節。

論文完成后，進入系統的“內部質控”環節。Automated Reviewer遵循NeurIPS的審稿指南，從“原創性”“方法論”“實驗設計”“寫作質量”等多個維度對論文進行評估。系統會生成5份獨立的審稿意見，然后由LLM模擬Area Chair的角色進行meta-review，綜合各方意見形成最終的審稿結論。為了校準審稿標準，研究團隊利用OpenReview平臺上公開的真實審稿數據[13]對模型進行了訓練，使其審稿風格盡可能貼近人類專家。

三、核心創新：樹搜索驅動的實驗探索

科學研究本質上是一個在巨大組合空間中的探索過程。與圍棋或象棋這類具有明確規則和目標的問題不同，開放式科研面臨的挑戰更加嚴峻：實驗空間沒有預設邊界，“正確答案”事先未知，且每一次實驗運行都可能消耗大量計算資源。如果讓AI漫無目的地嘗試所有可能的實驗組合，成本將高到不可承受。

樹搜索的核心洞見在于，它天然契合人類研究者“先驗證、后深入”的科研直覺。人類研究者面對一個新想法時，通常不會立即投入全部資源做大規模實驗，而是先用最小成本構建一個原型，快速驗證核心假設的可行性；如果方向可行，再逐步擴大實驗規模，深入優化。樹搜索的計算結構——從根節點出發，分層展開候選分支，根據反饋動態剪枝——正是這一方法論的精確計算化實現。在The AI Scientist中，LLM負責在每個節點上生成具體的實驗方案（代碼、參數、數據集配置），而樹搜索負責在宏觀上分配計算資源、剪除無效分支、保留最有前景的路徑。兩者的結合，使得系統能夠在無邊界的實驗空間中有序推進，而不是在黑暗中盲目摸索。

樹搜索的漸進邏輯在實踐中如何展開？讓我們跟隨一個具體的研究主題，看看系統是如何從最初的原型構想到完整的消融分析，一步步在搜索樹中推進的。這個研究主題是“抑制快速學習特征以避免對捷徑的依賴”（suppressing fast-learning features to avoid shortcut reliance），一個關于模型魯棒性的經典問題。

Fig.3 "抑制快速學習特征"主題的四階段樹搜索實例。展示了系統如何從最初的原型構建逐步發展到完整的消融分析，每個階段的Best節點（深藍色）被選中作為下一階段的起點。（圖源論文 Fig.3b ）

第一階段（初步調查）：系統首先構建了一個帶有顏色偏置的MNIST數據集，測試"減緩特定權重的學習速度是否能提升對捷徑的魯棒性"。根節點成功后，LLM生成了多個子節點探索不同的實驗方向。經過評估，一個節點被標記為最優，進入下一階段。這一階段的目標極其明確：用最小成本排除明顯不可行的路徑。

第二階段（超參數調優）：系統基于上一階段的最優節點展開搜索。一個關鍵改進是"在訓練和測試劃分中平衡所有顏色-數字組合以避免空組"；同時修復了訓練崩潰問題，添加了CelebA數據集，并增強了可視化。另一個分支則調整了抑制強度并使用早停策略。最終選出的最優節點在進入第三階段前進行了進一步細化。這一階段的核心是在已驗證可行的方向上，系統性地尋找最佳參數配置。

第三階段（研究議程執行）：系統引入Waterbirds數據集擴展評估范圍，將偏斜劃分替換為分層抽樣，并使用預訓練的ResNet替代從頭訓練，還修復了數組錯誤。這一階段產生了多個成功執行的節點，最優節點匯總了多數據集上的穩定結果。此時，方法的普適性已得到充分驗證。

第四階段（消融實驗）：最后階段系統對三個關鍵因素進行了消融分析：預熱期時長、動態懲罰因子自適應、懲罰應用強度等。這些消融實驗為論文的方法論部分提供了堅實的因果證據。

這個案例清晰展示了樹搜索的"漸進式深化"策略：從最簡單的MNIST原型出發，逐步擴展到CelebA、Waterbirds等多個數據集，實驗設計也越來越精細化。但更重要的是，這不是一條預先規劃好的線性路徑，而是一條從眾多分支中被篩選出來的成功路徑——每一階段都有其他分支被嘗試、被判定為不如當前節點，因此被系統剪除。樹搜索的價值，正在于它能夠在探索過程中動態地集中資源到高價值區域。

上述實例中的四個階段，并非獨立的項目管理流程，而是樹搜索在宏觀上的“深度控制策略”。它們定義了搜索樹如何分層生長，以及系統何時應該“剪枝”并“深入”。

第一階段的目標是快速驗證研究想法的基本可行性，系統會構建最簡化的實驗原型，在小型數據集上運行核心算法。結束條件是"一個基本可用的原型已成功執行"——代碼沒有致命錯誤，能夠產生有意義的輸出。這類似于人類研究者在確定研究方向前進行的"可行性摸底"：用最少的時間和資源排除明顯不可行的路徑。每個節點的最大實驗運行時間為1小時，防止因代碼問題導致資源浪費。

當初步原型驗證通過后，系統進入超參數優化階段。LLM會提出不同的超參數配置方案（如學習率、批量大小、正則化強度等），并通過樹搜索系統性地探索這些配置的組合。結束條件是“實驗結果趨于穩定”——具體表現為訓練曲線收斂，且至少在兩個不同的數據集上成功執行。這一階段對應人類研究中"調試代碼、調優參數"的過程，是確保實驗結果可靠的關鍵環節。

在前兩個階段確認了核心方法的有效性和超參數的合理性之后，系統進入主要研究議程的全面執行階段。這一階段會在更大規模的數據集和更完整的實驗設置下系統地驗證研究假設，可能涉及多數據集對比、基線方法比較等。結束條件是"分配的計算預算耗盡"——因為在方法已經驗證可行的情況下，擴大實驗覆蓋面和深度本身就是核心價值所在。

最后一個階段專注于消融分析，目的是理解方法中各個組件對最終性能的貢獻。系統會系統地移除或修改方法中的特定部分（如某個正則化項、某個網絡模塊），觀察性能變化。消融實驗是學術論文中"方法論"部分的核心內容，它為研究結論提供了因果層面的證據支持。同樣，這一階段的結束條件是計算預算耗盡。

階段間的銜接機制是樹搜索策略的關鍵所在：在每個階段結束時，一個基于LLM的評估器會審查所有葉子節點，并選擇最有前景的一個作為下一階段探索的根節點，從而有效地剪除不太有前景的研究方向。這種設計確保了系統能夠集中精力深入最有希望的實驗路徑，避免資源浪費在效果不佳的方向上。

下圖Fig 2展示了這一四階段樹搜索的完整結構。每個階段都構建一棵獨立的搜索樹，節點之間通過特定的語義關系連接，虛線箭頭表示階段間的銜接——選擇最優節點作為下一階段的根節點。

Fig 2. 四階段樹搜索示意圖。每個階段構建獨立的搜索樹，虛線箭頭表示階段間的銜接（選擇最優節點作為下一階段的根節點）。右側圖例展示了系統中定義的完整節點類型體系。（圖源論文 Fig.3a ）

四階段策略定義了搜索的宏觀結構，但搜索樹的具體生長還依賴更微觀的機制：系統如何標記一個實驗節點的狀態？如何確保代碼執行和結果的質量？Fig 2右側的圖例還展示了節點間的轉換關系：Refine（細化，灰色箭頭）表示在已有結果基礎上改進實驗設計；Debug（調試，紅色箭頭）表示對出錯代碼進行修復。這些轉換操作由LLM根據當前節點的狀態和實驗反饋自主決定。每個節點在樹中都有明確的類型標記，這些類型是對搜索過程中實驗狀態的結構化記錄：

每個節點在樹中經歷一個完整的生命周期。當一個新節點被創建時，系統首先生成或修改實驗代碼，然后在一個隔離的計算環境中執行實驗。實驗運行受到嚴格的時間約束——每個節點的最大運行時間為1小時，這防止了因代碼問題（如無限循環）導致的資源浪費。

實驗完成后，系統會對結果進行多層次的驗證。首先進行基礎的代碼執行檢查：代碼是否成功運行？是否產生了預期的輸出文件？其次，VLM（視覺語言模型）會對訓練曲線圖等可視化結果進行審核，判斷實驗是否真正收斂、結果是否合理。只有通過所有檢查的節點才會被標記為Non-buggy，進入候選集；未通過的節點則被標記為Buggy，留待后續調試或剪枝。

系統中融入了視覺語言模型（VLM）作為額外的質量審核層。VLM能夠“查看”訓練曲線圖、注意力可視化等實驗輸出圖像，判斷實驗是否正常收斂、結果是否合理。這一設計彌補了純文本LLM在視覺模式識別方面的不足，使得系統能夠發現那些“代碼運行成功但結果無意義”的隱蔽問題。為了提升效率，系統采用了并行化執行策略：同一層的多個節點可以同時運行，充分利用多GPU環境的計算能力。樹搜索的異步特性意味著系統不需要等待一個分支完全探索完畢才啟動另一個分支——這在實踐中顯著縮短了整體實驗周期。節點類型的豐富設計、VLM的質量審核層以及并行化執行，共同構成了樹搜索策略的底層支撐。它們確保系統不僅能夠高效地探索實驗空間，還能以結構化的方式記錄整個探索歷程，保證最終產出結果的可靠性與可復現性。

四、實驗評估

AI Scientist究竟是真的具備科研能力，還是只是一個復雜的自動化流水線？研究團隊從兩個角度展開了系統性驗證。他們首先追問一個根本性問題：科研能力（以論文得分來反應）本身是否遵循Scaling Law？如果答案是肯定的，那么隨著底層模型能力的提升，AI Scientist的產出質量應該呈現可預測的提升——這意味著科研自動化不是一個靜態的能力，而是一個會隨著模型進步不斷進化的動態系統，其性能天花板可以被持續推高。論文測試了從GPT-3.5到Claude Sonnet 4等15款主流模型，時間跨度從2023年7月到2025年7月。圖1b展示了模型能力與論文質量之間的強關聯：

Fig.4 從GPT-4到Sonnet-4的模型Scaling趨勢。橫軸為時間線，縱軸為AI審稿人給出的論文評分。綠色實線為線性擬合（R2 = 0.517, P < 0.00001），陰影區域為95%置信區間。藍色圓點代表基于模板的論文生成，紅色圓點代表無模板論文生成。（圖源論文 Fig.1b ）

數據顯示，隨著底層模型能力的提升，AI Scientist的論文評分呈現顯著上升趨勢（R2 = 0.517, P < 0.00001）。早期模型如GPT-4的評分集中在1分左右，而最新的Sonnet-4和Gemini-2.5已能穩定產出3.5分以上的論文，部分無模板生成的論文甚至接近4.5分。這意味著模型能力的進步可以直接“翻譯”為科研產出的質量提升——更強的代碼理解、更優的實驗設計、更嚴謹的論文寫作，共同推動了這一Scaling效應。如果科研能力確實存在Scaling Law，那么隨著模型能力的持續提升，AI Scientist的產出質量還有巨大的上升空間。

模型能力的提升確實帶來了顯著改善，但這引出了另一個同樣關鍵的問題：在固定模型能力的前提下，我們能否通過增加計算投入來“榨取”出更高質量的科研成果？這直接關系到系統究竟只是一個被模型能力決定的“自動化流水線”，還是一個可以通過系統性探索來放大現有模型潛力的“科研放大器”。四階段樹搜索的Stage 3和Stage 4以計算預算耗盡為終止條件，因此可以通過調節node數量來觀察test-time compute scaling的規律。此處需要補充澄清一個關鍵概念：這里提到的“node”（節點），指的是一次獨立的實驗運行，而不是說Tree Search的node。每個node包含一個完整的實驗周期：代碼生成、執行、可視化、VLM審核。論文設定每個node的最大運行時間為1小時。四階段樹搜索中，Stage 1和Stage 2有明確的結束條件（工作原型成功執行、實驗在兩個數據集上穩定運行），而Stage 3和Stage 4以計算預算耗盡為結束條件。因此，"計算node數"本質上就是系統投入的實驗運行次數——投入越多，探索越充分，論文質量越高。

Fig.5 實驗節點數與論文得分的關系（圖源論文 Fig.3c ）

實驗結果清晰地展示了這一趨勢：當實驗節點數從5個增加到30個時，論文質量持續提升。每個實驗節點代表一次完整的實驗嘗試（代碼生成、執行、可視化、審核），這意味著系統可以進行更廣泛的超參數搜索、更充分的實驗驗證、更細致的論文打磨。從5到30個節點的擴展中，論文評分呈現近似線性的增長關系。這一發現與test-time compute scaling的研究[15]形成呼應——增加推理時的計算投入，能夠顯著改善復雜任務的表現。更重要的是，它表明AI Scientist并非只是簡單地將模型能力"搬運"到論文中，而是通過系統性的探索和迭代，能夠從相同的底層模型中"榨取"出更高質量的科研成果。這些量化指標固然鼓舞人心，但真正能說明問題的，還是把論文拿到真實學術場景中去檢驗。研究團隊將AI Scientist生成的論文匿名提交至ICLR 2025 ICBINB workshop（錄取率約70%），且事先獲得了會議組織者和機構倫理委員會的批準。評審人被告知部分投稿可能由AI生成，但不知道具體是哪幾篇。

在三篇投稿中，一篇獲得了平均6.33分（具體評分為6、7、6），超過了錄取閾值。workshop組織者明確表示，如果不是因為研究團隊預先承諾會撤回AI生成論文，這篇稿件將被正式接收。有趣的是，這篇被接收的論文報告了一個負面結果（關于抑制快速學習特征以避免捷徑依賴），恰好契合ICBINB workshop關注"有趣失敗"的主題。

作者保持了令人尊敬的誠實：他們明確指出這只是workshop水平的成功。ICLR主會的錄取率僅32%，AI生成的論文距離真正的一流會議標準仍有差距。但他們同時提出了一個發人深省的觀點：在機器學習領域，一旦某種方法"開始工作"，即使存在明顯缺陷，往往只需幾年時間，隨著模型能力、計算規模和技術方法的提升，系統就可能超越人類表現。

五、批判與反思

作者對系統的局限性保持了難得的坦誠。首先，AI科學家目前仍局限于機器學習領域——它需要可執行代碼、可量化的指標、以及論文模板的支撐，難以擴展到需要濕實驗（wet lab）的生物學或化學領域。即使在這些領域有類似嘗試[16]，也遠未達到端到端的自動化。其次，樹搜索雖然在超參數優化和模型架構搜索上表現良好，但尚不具備提出全新理論框架的能力。它更像是一個高效的"實驗執行者"，而非"理論開創者"。當前系統產出的論文多聚焦于empirical findings（實證發現），而非conceptual breakthroughs（概念突破）。此外，系統對計算資源的消耗不容小覷。30個實驗節點意味著30小時的GPU計算，加上樹搜索本身的推理開銷，單次完整運行的成本相當可觀。這也引出了一個現實問題：當所有研究者都使用類似的AI科學家系統時，是否會陷入"同質性研究"的陷阱——大家都在相似的搜索空間內探索相似的方向？

論文專門設置了倫理討論章節，這在技術論文中并不多見。作者指出，AI科學家可能被濫用于生產大量低質量或虛假研究，加劇科學文獻的"污染"問題。為此，論文提出了一套倫理紅線：所有AI生成的論文必須明確標注其自動化性質，且不得投稿至需要人類作者身份認證的正式期刊。更深層的憂慮在于科研不端行為的檢測難度。如果AI科學家被惡意使用來捏造實驗數據、篡改p值或虛構引用，其高度逼真的論文格式可能讓審稿人難以察覺。為此，作者開源了自動化審稿人的代碼，希望學術界能共同開發更robust的AI論文檢測工具。這與METR團隊關于AI能力評估的研究[15]形成對照——我們需要在加速科研與維護學術誠信之間找到平衡點。

盡管存在上述局限，AI科學家所展示的趨勢不容忽視。底層模型的進步速度驚人：從GPT-4到Sonnet-4，短短兩年內論文質量提升超過300%。METR的研究表明，AI可靠完成任務的長度大約每7個月翻一番[15]——這意味著AI能夠獨立處理的研究復雜度正在指數級增長。如果這一趨勢持續，AI科學家有望在5年內達到成熟研究者的水平，能夠獨立提出研究問題、設計實驗方案、完成數據分析并撰寫高質量論文。一個更遠的展望是"AI科研生態"的涌現：AI科學家負責實驗設計和執行，AI審稿人負責質量評估，AI元科學家（meta-scientist）負責識別研究空白并提出新的研究方向。在這種生態中，人類的角色將從"做研究"轉向"定義研究應該解決什么問題"——這或許是科學研究范式的又一次根本性變革。

結語及筆者觀點

AI科學家不僅僅是一個技術demo，它代表了一種全新的科研范式——用AI來研究AI。當AI系統能夠自主生成、執行和評估研究時，科學發現的速度可能會迎來質的飛躍。AlphaFold解決了蛋白質折疊這一單一難題，而AI科學家試圖解決的，是"如何做研究"這一元問題。

當然，我們離真正的全自動科學發現還有距離。當前系統在理論創新、跨學科整合和直覺洞察方面仍遠不及人類研究者。并且，“為什么AI科學家沿著這樣的Pipeline做研究是高效可行的”（一個具體的問題是“為什么選擇Tree Search而不是貝葉斯的優化方法？”），文中并沒有給出詳細解釋或者數學定量分析；以及，The AI Scientist作為一個End-to-End的新研究范式，如果人類希望在其研究的過程中介入，又應該如何實現。但無論如何，它已經證明了核心概念的可行性：LLM + 樹搜索 + 自動化實驗 = 可產出人類可接受論文的AI科學家。

下一步的關鍵問題或許是：怎么找到讓AI科學家做研究最高效可行的Pipeline？以及我們人類應該如何利用它？

參考文獻

[1] Lu, C., et al. "Towards end-to-end automation of AI research." Nature, Vol 651, pp. 914–919, 2026. https://doi.org/10.1038/s41586-026-10265-5

[2] Rmus, M., et al. "Generating Computational Cognitive Models using Large Language Models." NeurIPS, 2025.

[3] Lenat, D.B. "Automated theory formation in mathematics." IJCAI, pp. 833–842, 1977.

[4] Buchanan, B.G. & Feigenbaum, E.A. "Dendral and meta-dendral: their applications dimension." Artificial Intelligence, Vol. 11, pp. 5–24, 1978.

[5] Jumper, J., et al. "Highly accurate protein structure prediction with AlphaFold." Nature, Vol. 596, pp. 583–589, 2021.

[6] Hayes, T., et al. "Simulating 500 million years of evolution with a language model." Science, Vol. 387, pp. 850–858, 2025.

[7] Boiko, D.A., et al. "Autonomous chemical research with large language models." Nature, Vol. 624, pp. 570–578, 2023.

[8] Lu, C., Hu, S. & Clune, J. "Automated capability discovery via model self-exploration." arXiv:2502.07577, 2025.

[9] Hu, S., Lu, C. & Clune, J. "Automated design of agentic systems." ICLR, 2025.

[10] Mouret, J.B. & Clune, J. "Illuminating search spaces by mapping elites." arXiv:1504.04909, 2015.

[11] Schick, T., et al. "Toolformer: language models can teach themselves to use tools." NeurIPS, Vol. 36, pp. 68539–68551, 2023.[12] Fricke, S. "Semantic Scholar." Journal of the Medical Library Association, Vol. 106, pp. 145, 2018.

[13] Gonzalez-Marquez, R. & Kobak, D. "Learning representations of learning representations." ICLR DMLR Workshop, 2024.

[14] Beygelzimer, A., et al. "The NeurIPS 2021 consistency experiment." NeurIPS Blog, 2021.

[15] Kwa, T., et al. "Measuring AI ability to complete long tasks." METR Blog, 2025.

[16] Baek, J., et al. "ResearchAgent: Iterative research idea generation over scientific literature with large language models." ACL, pp. 6709–6738, 2025.

[17] Lu, C., et al. "AIDE: AI-driven exploration in the space of code." ICLR, 2025.

[18] Ma, Y.J., et al. "Eureka: Human-level reward design via coding large language models." ICLR, 2024.

參考文獻可上下滑動查看

報名讀書會：「Vibe Modeling」

集智俱樂部聯合同濟大學長聘副教授陳小楊和北京林業大學副教授李周園共同發起，將在集體實踐中探索 vibe modeling 在不同領域的通用模式與特殊需求，沉淀可復用的提示策略、評估方法與工作流，為這一范式搭建早期社區基礎，助力 AI 賦能的跨學科研究與人才培養落地。

讀書會自2026年5月17日起，每周日下午14:00-16:00線上開展，持續10周，包含主講分享與討論交流，并提供會后視頻回放，誠邀相關領域研究者及跨學科興趣者參與。

掃描海報中二維碼報名參加讀書會

詳情請見：

1.

2.

3.

4.

5.

6.

7.

#解讀