牛津大学AI Scientist登Nature：实现科学研究全流程端到端自动化！

如今，大模型能够辅助生成研究假设、撰写综述和编写实验代码，在自动化各个独立环节方面已取得这些进展，但是，一个能够自主走完整个研究生命周期—的系统仍未实现。

昨日，牛津大学联合Sakana AI等机构本论文介绍了“AI Scientist”，一个实现了科学研究全流程端到端自动化愿景的流水线系统。该系统利用现有的基础模型，能够执行构思、文献调研、实验规划与实施、结果分析、论文撰写乃至同行评审等一系列任务，最终产出完整的新论文。

但是，该研究聚焦于机器学习科学领域，因为该领域的实验通常可完全在计算机上完成。

AI Scientist工作的workflow

AI Scientist工作的workflow由几个明确分工的阶段组成，覆盖了想法自动生成、树状结构实验、论文撰写和评审全过程。其中的实验环节运用一种智能体树搜索机制，来生成和优化代码实现。

这个流程具体分为四个阶段：

• 初步探索：形成基础方案
• 参数调优：优化模型细节
• 执行研究计划：按设定路径完成实验
• 消融实验：验证各环节的必要性

在阶段之间，系统会自动选取表现最优的中间结果，作为下一阶段树搜索的新起点，让整个研究进程能持续演进和优化。

AI Scientist产出进行双盲同行评审

将AI Scientist产出交由评估人类科研成果所采用的、严格的双盲同行评审系统进行审阅。

研究团队向一个顶级机器学习会议研讨会的正式同行评审流程提交了三篇AI Scientist论文。在由该系统生成的三篇投稿论文中，其中一篇获得了审稿人平均6.33分的评分（三位审稿人分别给出6、7、6分），其得分超过了该研讨会的平均录用分数线。

AI Scientist优劣性

• 积极方面

展示了AI在科学贡献方面日益增长的能力，可能预示着研究范式的转变，有望极大地加速科学发现。

随着AI处理任务复杂度的指数级提升，未来自动化科研系统可快速迁移至计算化学、生物信息等可程序化实验的领域，形成“基础模型+领域工作流”的复制模式。

• 潜在风险

可能给本已繁重的审稿系统带来额外压力，并向科学文献中增加“噪音”。

例如，能力边界的不确定性（如持续存在的“幻觉”问题、创造力上限未知），可能导致科学文献中混入大量逻辑自洽但实证薄弱的“伪严谨研究”，这种结构性噪音会从根本上侵蚀学术交流的信任基础。