AI_Scientist的现在和未来_55页_5mb

AI-Driven Discovery of Novel Catalysts for Clean Energy Conversion

核心内容

本文讨论了AI在科学发现中的应用，特别是AI驱动的科研系统在催化剂发现和学术研究中的突破。研究团队提出了一种结合图神经网络和高通量模拟的AI框架，用于发现用于电化学水分解的新型催化剂。此外，文章还探讨了AI在科研中的发展现状，包括AI Scientist系统、AI Agent的能力评估、以及AI在科学文献处理中的作用。

主要观点

• AI能够自动进行科研流程，包括生成研究想法、编写和运行实验代码、撰写完整学术论文、在特定领域超越人类SOTA（最先进）。
• AI在科学发现中展现出“自主发现”能力，但仍然存在一些局限，如无法通过顶会主会议审稿、缺乏跨学科通用科研能力、无法进行“湿实验”自主操作，以及尚未真正理解科学概念。
• AI在处理科学问题时，依赖于预定义的“可评分任务”，对于需要从零推导理论框架或因果机制的“硬核发现”，AI主要扮演“执行者”和“优化者”的角色。
• AI在科学发现中面临的挑战包括处理长周期复杂科研任务、工具链逻辑缺失、长程迷失、以及对科学文献的深度理解。

关键信息

AI Scientist系统进展

• 2024.08: AI Scientist v1（Sakana AI / UBC / Oxford）：首个端到端自动科研系统。
• 2025.01: AI Scientist v2（Sakana AI）：首篇AI全自动论文通过同行评审。
• 2025.09: DeepScientist（西湖大学）：首次超越人类SOTA的自主发现。
• 2025-2026: ERA / CodeScientist（Google / AllenAI）：多智能体、长周期科研系统。
• 2026.05: Co-Scientist（Google (Gemini)）：多智能体协作，Nature发表。

AI在科研中的表现

• Co-Scientist：通过结构化思维引擎解决AI幻觉与缺乏严谨性、缺乏计算扩展性等问题。
• ERA：在多个科学领域展现出强大的能力，如基因组学、流行病学、时间序列预测等。
• AI在科学发现中的能力：能够进行“原创性推理”，但对某些数学问题（如Erdős-75）存在逻辑错误，暴露出“潜意识抄袭”问题。

AI Agent的能力评估

• 评测基准分类学依据：将任务分为数据覆盖面广、场景真实复杂、评测验证准确三个维度。
• 评测结果：所有模型在复杂上下文任务中的任务完成率均低于20%，但通过工具增强可以显著提升性能。
• 核心发现：
  • 长周期任务仍是关键瓶颈。
  • 工具使用能力比静态知识更易随数据扩展。
  • 小模型可超越大模型。
  • 科学领域间正向跨域迁移已得到验证。

工具使用与科研流程

• SciAgentGym：一个专为LLM Agent设计的科学实验室环境，包括四步流程：构建工具依赖图、ε-贪心阶段感知采样、前向执行验证、轨迹→问题生成。
• MM-Doc-R1：一种新的方法，结合视觉感知智能体工作流与多轮RL训练，以提高多跳问题的处理能力。
• MMLongBench-Doc：评估不同方法在不同证据模态和数量维度上的性能，结果显示SPO方法在多证据多跳问题上增益最显著。

未来展望

• AI Scientist的终极愿景是实现从“AI-Assisted”到“AI-Conducted”再到“AI-Discovered”。
• 未来的科学家将不再需要精通每一行代码，而是专注于定义高质量的评估指标和提供精准的领域构想。
• AI在科学发现中的发展将更加依赖于跨学科协作、工具链逻辑的完善以及对科学概念的深度理解。

小结

AI在科学发现中展现出了巨大的潜力，尤其是在催化剂发现和学术研究领域。尽管AI已经能够完成许多复杂的科研任务，但在某些方面仍存在局限，如无法通过顶会主会议审稿、缺乏跨学科通用科研能力、无法进行“湿实验”自主操作等。未来，AI将更进一步地融入科研流程，实现更高效的科学发现和创新。