日本Sakana AI公司联合打造“AI科学家” 未来科研或将迈入自动化时代？

随着人工智能的快速发展，如何利用AI进行科学发现成为了一个重要的研究方向。传统科学发现的过程依赖于研究者的创造力、背景知识和有限的时间。然而，这一过程具有局限性，不仅因为人类研究者的时间有限，还因为复杂的科学问题常常超出个体研究者的能力范围。为了克服这些局限性，人们开始探讨如何自动化科学研究的各个环节，并希望通过AI来加速知识的发现。

一、概述

近日，一个名为 AI 科学家（The AI Scientist）的系统引起了广泛关注。日本 AI 初创公司 Sakana AI 与英国牛津大学和加拿大不列颠哥伦比亚大学的科学家们合作开发了一个名为 AI 科学家（The AI Scientist）的系统，利用大语言模型模仿科学研究的全过程，包括生成研究想法、设计和执行实验、分析结果，甚至对自己的论文进行同行评审。其核心优势在于，其能够自主完成从创意生成到论文撰写的整个研究过程。在无需人类帮助的情况下，它可以独立完成科学研究和后续论文的撰写，并且成本极低。该系统不仅能够帮助科学家加速科研过程，还能在低成本下生成大量具有学术价值的科研成果。例如，AI科学家可以生成一篇高质量的论文，所需成本仅为15美元，展示了其在民主化科研方面的巨大潜力，预示着科研工作或将迈入一个全新的自动化时代。

二、主要功能步骤

AI科学家系统旨在完全自动化科学发现过程，其功能涵盖了科学研究的所有主要环节。如图所示。人工智能科学家首先发明并评估一组想法的新颖性。然后，它确定如何测试假设，包括通过编辑由最近自动化代码生成技术驱动的代码库来编写必要的代码。之后，实验会自动执行以收集一组包括数值评分和视觉摘要（例如，图表或表格）的结果。结果会在LaTeX报告中进行说明、解释和总结。最后，人工智能科学家根据标准机器学习会议的当前惯例生成自动评论，该评论可用于改进项目或作为对未来一代开放式科学发现的反馈。以下是AI科学家的主要功能及其实现方式的详细分析：

AI 科学家的工作流程（来源：Sakana A）

1. 研究想法生成

AI科学家系统首先生成一系列新的研究想法，这是科学发现的起点。AI科学家依托大型语言模型（LLM）的生成能力，通过模仿进化计算中的变异机制，迭代生成一系列有潜力的研究方向。系统在此阶段会利用链式思维（Chain-of-thought）和自我反思（Self-reflection）技术，对每个想法进行不断优化和改进，直到生成满足条件的高质量研究想法。为了保证这些想法的创新性，AI科学家会连接Semantic Scholar API进行文献检索，剔除过于类似的已有研究。在生成研究想法时，AI科学家会为每个想法提供详细的实验计划，包含实验的可行性、兴趣性和新颖性等自我评分。此外，它还会评估该想法在特定领域中的学术价值，以确保研究方向的科学性与创新性。

2. 实验设计与执行

在研究想法生成后，AI科学家进入实验设计和执行阶段。系统利用自动化代码生成工具（如Aider），将生成的研究想法实现为可执行的实验代码，并通过反复实验，逐步验证这些想法。在实验过程中，AI科学家会记录每次实验的结果，并根据实验结果进行动态调整。实验失败时，系统会尝试修复代码或重新规划实验，直至成功完成实验。每个实验都与特定的模板相关，系统可以根据实验结果自动生成图表和数据分析报告。AI科学家不仅仅局限于一次性实验，它会根据实验结果生成进一步的实验计划，并在不同的实验迭代中不断优化原始研究想法，从而推动科学探索的深入。

3. 论文撰写

在实验结果汇总后，AI科学家具备自动撰写完整科学论文的能力。这一过程遵循标准的学术论文格式，系统会根据实验记录和图表生成论文各部分内容，包含引言、背景、方法、实验设置、结果分析和结论等。每一部分内容的撰写都会基于真实实验数据，减少生成内容的虚构和偏差。此外，AI科学家还支持自动生成参考文献，利用网络搜索工具来补充相关的引用文献，确保论文引用的完整性和准确性。论文的撰写过程中，AI科学家会进行多轮自我反思和改进，删除冗余信息，确保论文内容的简洁和逻辑性。最终生成的论文可以直接提交至学术期刊或会议进行评审。

4. 自动评审与反馈

AI科学家不仅能够生成科学论文，还具备模拟学术评审的功能。系统使用基于LLM的评审代理人来模拟人类专家的评审流程，通过一系列评估指标（如论文的科学性、贡献度、清晰性和创新性）来对论文进行打分和评论。评审过程中，AI科学家会根据评审反馈，对论文进行进一步优化，确保论文达到可接受的学术水平。AI科学家的自动评审系统可以模拟当前国际顶尖机器学习会议的评审标准，评估其生成的论文是否满足录取要求。例如，在实验中，AI科学家生成的论文已超过部分国际顶会的论文接收标准，表明其所具备的学术写作与评审能力已经接近人类水平。

5. 开放式科学发现循环

AI科学家的一个重要功能是实现开放式科学发现循环。它不仅能够完成单个科学项目，还可以通过不断地迭代和自我优化，形成一个不断扩展的知识库。AI科学家可以基于自己之前的研究发现，生成新的研究想法，并进行进一步的实验和改进。这样的迭代过程使得AI科学家能够持续推动科学研究的发展，模拟人类科学社区的合作与知识积累。

6. 跨领域扩展能力

虽然目前AI科学家的主要应用集中在机器学习领域，但其框架具有高度的通用性，理论上可以扩展到其他学科。只要实验可以自动化执行（如在生物学或物理学中通过机器人自动执行实验），AI科学家就能够完成从研究想法生成到实验执行，再到论文撰写的全过程。随着未来技术的进步，AI科学家有望在更广泛的学科中发挥作用，帮助解决全球范围内的复杂科学问题。

7. 论文质量与贡献

AI科学家可以在短时间内生成大量有潜力的研究论文，每周甚至能够生成上百篇高质量的论文。这种高效性对于科学研究具有革命性意义，不仅能够加速科学发现的进程，还能够大幅降低科研成本。此外，系统生成的论文具有良好的数学描述、实验结果的精确汇报以及新颖的图表可视化。虽然某些情况下AI科学家生成的内容可能存在一定的冗余或错误，但其整体表现已接近人类科研人员的水平，尤其在理论生成和实验设计上表现突出。

三、实现方式及原理

AI科学家系统的核心目标是实现全自动化的科学发现过程。为此，它采用了几种关键技术和方法来完成从研究想法生成到实验执行、论文撰写和评审的完整科研流程。以下是AI科学家的实现方式和原理的详细分析：

1. 大规模语言模型（LLM）的应用

AI科学家的核心基础是利用大规模语言模型（LLM）进行文本生成和推理。LLM通过对大量文本数据的训练，学会生成连贯的文本片段，并具备一定的推理能力。其原理是通过自回归模型预测下一步可能出现的词语或短语。这使得LLM不仅能够生成自然语言描述，还可以编写代码、推导复杂的科学理论，甚至进行逻辑推理。具体来说，AI科学家通过对输入的初始代码模板进行推理和修改，生成一系列新的实验代码。这种模型不仅能够根据现有的数据和代码生成新的实验设计，还可以根据已知的科学知识提出新的研究假设。LLM还能够对生成的假设进行自我反思，并根据已有的学术成果对其进行优化。

2. 链式思维（Chain-of-Thought）与自我反思（Self-Reflection）技术

为了提高研究想法和实验设计的质量，AI科学家依赖于链式思维和自我反思技术。链式思维是一种引导模型一步步推导复杂问题的方法，允许AI科学家分阶段生成想法，并逐步优化这些想法。通过这种方式，系统可以在生成研究方向时，考虑到实验的可行性、科学意义和新颖性。自我反思技术则允许AI科学家在生成的过程中不断检查和改进自己的输出。每次生成的想法或实验设计都会经过一轮自我检查，系统根据其逻辑和科学合理性进行修改。通过多轮自我反思，AI科学家可以过滤掉不切实际的想法，并生成具有较高学术价值的研究方向。

3. Aider：自动化代码生成与实验执行

AI科学家通过Aider系统来实现实验代码的自动生成和执行。Aider是一个基于LLM的代码助手，它能够对输入的初始代码模板进行修改，生成符合实验要求的代码。Aider可以根据研究设定的实验参数，自动修改代码并执行实验。其背后的实现原理是将实验的各个步骤细化为一系列代码操作，由AI根据实验设计自动生成和执行。Aider系统不仅能够生成代码，还能够进行多轮实验。实验出现错误时，Aider会通过日志分析和错误捕捉机制，自动修复代码并重新运行实验。通过这种自动化的实验执行机制，AI科学家能够快速完成多个实验，并根据实验结果调整后续实验的设计。

4. 自动化论文撰写与LaTeX编译

AI科学家生成实验结果后，会根据实验日志和图表，自动撰写完整的学术论文。系统采用LaTeX格式来撰写科学论文，确保论文的格式符合主流学术会议的要求。论文撰写的过程中，AI科学家会根据实验数据生成各个章节内容，包括引言、背景、实验设计、实验结果和结论等。生成论文时，系统会通过Aider系统自动生成实验图表，并将这些图表插入到论文中。AI科学家还会对每个部分的内容进行自我反思，确保论文内容的连贯性和准确性。系统还具备自动引用的能力，能够通过访问Semantic Scholar API查找相关文献，并将其整合到论文中。

5. 自动评审系统

AI科学家不仅能够生成科学论文，还具备模拟学术评审的能力。其实现原理依赖于一个基于LLM的自动评审代理人，该代理人能够根据机器学习会议的标准评审论文质量。评审过程包括对论文的科学性、贡献度、清晰性和创新性进行打分，并生成具体的评审意见。为了确保评审结果的可靠性，AI科学家设计了一套自动化评审流程，包括论文的初步评审、打分和反馈生成等步骤。系统能够根据评审反馈对论文进行调整，优化后再次评审，直到论文达到较高的学术标准。

6. 开放式科学发现循环

AI科学家的另一个关键原理是实现开放式的科学发现循环，即系统可以通过不断的实验迭代，不断改进之前的研究成果。其实现方式是将每一轮生成的研究想法、实验结果和论文反馈存储在一个知识库中，系统能够根据已有的知识生成新的研究方向，并逐步丰富该知识库。这种开放式循环机制允许AI科学家逐步累积知识，类似于人类科学社区中的知识积累过程。每一个实验和研究成果都成为进一步研究的基础，系统可以根据已有成果提出新的假设和实验设计，从而实现科学发现的无尽循环。

7. 多领域扩展性

AI科学家虽然目前集中应用于机器学习领域，但其实现原理具有跨领域的扩展性。理论上，只要能够通过自动化系统执行实验，AI科学家就可以在其他科学领域（如生物学、化学、物理学等）展开研究。随着实验自动化技术的发展，AI科学家有望在更多的科学领域内发挥作用。

8. 成本效益与计算资源优化

AI科学家的一个显著特点是其高效的成本效益。传统的科学研究通常需要大量的时间和人力，而AI科学家通过自动化实现了低成本、高效率的科研过程。系统生成一篇完整的科研论文，成本可以低至15美元，这为科研的民主化提供了可能性。此外，AI科学家能够通过计算资源的优化和并行处理，实现大规模的科研工作。

四、展望

目前，相关论文以《人工智能科学家：迈向全自动开放式科学发现》（The AI Scientist：Towards Fully Automated Open-Ended Scientific Discovery）为题，发表在预印本网站 arXiv。相关代码已在 GitHub 上完全开源。研究人员还在论文中展示了由该模型生成的 10 篇论文，有的论文甚至达到了机器学习会议 Weak Accept 的水平。