2026年AI_Scientist的现在和未来研究报告_55页_5mb

报告摘要

AI-Driven Discovery of Novel Catalysts for Clean Energy Conversion

核心内容

本文探讨了人工智能（AI）在科学发现中的应用，特别是在开发新型催化剂以促进清洁能源转换方面。研究提出了一种结合图神经网络和高通量模拟的AI驱动框架，用于自动发现和预测催化剂活性。该研究还介绍了AI科学家系统的发展历程、核心技术、当前成就以及面临的挑战。

主要观点

AI Scientist 框架：通过整合图神经网络和高通量模拟，AI能够高效预测催化剂活性，并发现具有优越性能的新材料。
AI Scientist 的发展：从早期的 AI-Assisted 研究到现在的 AI-Discovered 研究，AI 在科学探索中逐渐扮演更核心的角色。
AI 在科研中的能力：
- 自主生成研究想法：AI可以独立提出研究假设并编写/运行实验代码。
- 撰写完整学术论文：AI能够生成完整的LaTeX格式论文。
- 通过同行评审：AI生成的论文已通过 Workshop 级别评审，展示其在科学发现中的潜力。
- 多智能体协作：AI系统能够进行多智能体协作，实现复杂任务的解决。
AI 在科学发现中的挑战：
- 无法通过顶会主会议审稿：AI生成的论文尚未达到顶会主会议的审稿标准。
- 跨学科通用性不足：AI在特定领域表现优异，但在跨学科任务中仍有局限。
- 缺乏对科学概念的真正理解：AI目前仍依赖模式匹配，而非真正理解科学概念。
- “湿实验”操作限制：AI尚无法完全自主进行实验操作。
- 处理复杂科研任务的瓶颈：长周期、复杂任务仍对AI构成挑战。
- AI的局限性：AI在某些情况下可能生成错误的科学结论，例如Erdős-75问题，表明其仍需人类的监督与验证。

关键信息

AI Scientist 系统发展：
- 2024.08：AI Scientist v1（Sakana AI / UBC / Oxford）发布，首个端到端自动科研系统。
- 2025.01：AI Scientist v2（Sakana AI）发布，AI全自动论文通过同评审。
- 2025.09：DeepScientist（西湖大学）发布，首次超越人类SOTA的自主发现。
- 2025-26：ERA / CodeScientist（Google / AllenAI）发布，支持多智能体、长周期科研系统。
- 2026.05：Co-Scientist（Google）发布，实现多智能体协作，Nature发表。
Co-Scientist 核心架构：
- 多智能体系统：包括生成者、反思者、进化者、拓扑邻近者、评价者、排序者。
- 科学辩论机制：使用 Elo 锦标赛机制，进行假设的排序与优化。
- 结构化思维引擎：通过树搜索策略进行跨学科探索，避免陷入局部最优解。
AI 在生物医学领域的应用：
- 药物重定位：AI成功发现治疗急性髓系白血病（AML）的新药物组合。
- 协同治疗方案：AI预测了 JNJ-64619178 与 Selinexor 的强协同作用。
AI 在科学软件开发中的挑战：
- 经验软件开发：AI在经验软件开发中表现出色，但在理论发现方面仍有局限。
- 科学软件的迭代困局：传统方法依赖手动试错，AI通过自动化的全局搜索提高效率。
AI 在数学领域的表现：
- Erdős-1051：AI成功证明了一个数学猜想，但需要人类的验证。
- Erdős-75：AI生成了一个错误的证明，暴露了其在识别伪命题方面的不足。
AI 在复杂任务中的表现：
- 任务解决率：在复杂任务中，AI模型的解决率普遍低于20%。
- 工具使用能力：工具使用能力比静态知识更易随数据扩展。
- 跨学科迁移：科学领域间的正向跨域迁移已被验证。
AI 在多跳查询中的表现：
- 传统方法：如BM25、BGE-M3、ColQwen、Mdoc agent 等，缺乏迭代能力。
- MM-Doc-R1：设计了视觉感知智能体工作流和多轮强化学习训练，显著提升多跳查询性能。
AI Scientist 的未来：
- 从AI-Assisted到AI-Discovered：AI科学家的终极愿景是实现自主发现。
- 人机协作：科学家可以在关键节点修改研究计划配置，实现“人在回路”指导。
- 评估指标：AI在任务解决率、路径效率等方面表现优异，但仍需进一步优化。