> **来源：[研报客](https://pc.yanbaoke.cn)** # 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。 ## 未来展望与总结 - **AI Scientist 的潜力**：AI在科学发现中的潜力巨大，尤其是在复杂领域如生物医学、材料科学等。 - **AI的局限性**：AI目前仍无法完全替代人类科学家，特别是在跨学科、理论发现和实际实验操作方面。 - **科学发现的未来**：未来的科学家将更专注于定义高质量评估指标和提供精准领域构想，而AI将承担繁琐的实现与调优任务。 - **AI的伦理与学术责任**：AI生成的成果需由人类科学家进行核实，确保学术诚信。 ## 关键技术与工具 - **Graph Neural Networks (GNN)**：用于建模和预测催化剂活性。 - **High-Throughput Simulations**：用于快速筛选和验证新催化剂。 - **Multi-Agent Systems**：实现多智能体协作，提升科研效率。 - **Visual Language Models (VLM)**：用于图表解读和优化。 - **Automated Reviewer**：用于论文评审和反馈。 - **SciAgentGym**：一个科学实验室环境，用于评估AI在复杂任务中的表现。 ## 结论 AI在科学发现中的应用正在快速发展，展现了在催化剂开发、药物重定位、数学证明等领域的潜力。然而，AI仍需在跨学科通用性、理论发现和实际实验操作等方面进一步提升。未来，AI将更多地作为科学家的工具，而非完全替代者，实现人机协作，推动科学发现进入新阶段。