博主智算菩萨，专注于人工智能、Python编程、音视频处理及UI窗体程序设计等方向。致力于以通俗易懂的方式拆解前沿技术，从零基础入门到高阶实战，陪伴开发者共同成长。目前已开设五大技术专栏，累计发布多篇原创技术文章，深受读者好评。

📌 专栏导航

• 人工智能前沿知识（已更144篇）：深度剖析Transformer架构、生成式AI、强化学习、具身智能、神经符号系统、大模型及智能体（Agent）技术，系统性解析AI核心技术体系与前沿趋势。
• Python基础小白编程（已更232篇）：从零开始，以保姆式教程讲解变量、数据类型、流程控制、函数等核心语法，配有大量实战代码与避坑指南，真正做到学以致用。
• 机器学习与深度学习（125篇）：系统化拆解线性模型、决策树、随机森林、梯度提升树、神经网络等算法原理与工程实践，覆盖从公式推导到代码实现的全链路内容。
• 音频、图像与视频处理理论与实战（81篇）：涵盖FFmpeg多媒体处理、audio_shop开源工具、ComfyUI-WanVideoWrapper视频生成等实用技术，从基础操作到高级应用一应俱全。
• UI窗体程序设计实战（78篇）：深入讲解UI设计、动态窗体生成、游戏UI框架设计等实战技巧，提供从配置到编码的完整解决方案。
  智算菩萨，以代码为经，以算法为纬，在人工智能的星辰大海中，做你前行路上最可靠的导航者。

本人最常用的AI对话工具是AIGCBAR，极适合科研论文写作，代码编程等用途。

科学研究的核心循环——提出假设、设计实验、分析数据、撰写论文——长期以来被视为人类智慧的最高体现之一。2024年8月，由Transformer论文作者之一Llion Jones联合创办的日本Sakana AI公司，联合不列颠哥伦比亚大学（UBC）、Vector Institute和牛津大学的研究团队，发布了"The AI Scientist"系统，首次展示了大语言模型（LLM）自主完成机器学习研究全流程的可能性。2025年4月，该系统的升级版本The AI Scientist-v2在arXiv上发表，其生成的一篇论文成功通过了ICLR 2025研讨会的双盲同行评审，成为历史上首篇完全由AI生成并通过同行评审的学术论文。2026年3月，这一成果以"Towards end-to-end automation of AI research"为题正式发表于Nature杂志。这一系列突破标志着科学研究自动化从理论构想走向了现实可行，引发了学术界和工业界对AI驱动科学发现范式的深刻反思与广泛讨论。本文将从理论基础、系统架构、核心技术、实验评估和未来挑战等多个维度，全面深入地剖析The AI Scientist v2这一里程碑式系统的工作原理与学术意义。

1 引言：当AI学会做科研

1.1 科学发现的自动化之梦

科学发现是人类文明进步的核心驱动力。从伽利略的实验方法到现代大数据驱动的科研范式，科学研究的方法论经历了多次深刻变革。然而，无论范式如何演进，科学研究的核心循环始终围绕着一个基本模式：观察现象、提出假设、设计实验验证、分析结果并形成理论。这一循环的每一步都需要深厚的领域知识、创造性的思维和严谨的逻辑推理能力，因此长期以来被视为人类不可替代的智力活动。

然而，随着大语言模型（Large Language Models, LLMs）在近年来取得的突破性进展，尤其是GPT-4、Claude、Gemini等模型展现出的强大推理和生成能力，科学界开始认真思考一个问题：AI能否自主完成科学研究的全流程？这一问题并非空穴来风。早在2023年，多项研究就已经表明LLM在特定科研任务上展现出令人瞩目的能力，包括文献综述、假设生成、实验代码编写和论文草稿撰写等。但这些工作大多局限于科研流程的某个单一环节，缺乏端到端的系统集成。

从计算科学的角度来看，科学发现可以被建模为一个在巨大假设空间中的搜索问题。给定一个研究领域和一组已知事实，科学家的任务本质上是在所有可能的假设中寻找那些既新颖又可验证的候选者。这一视角为自动化科学发现提供了理论基础：如果我们能够形式化这一搜索过程，并利用LLM的强大生成和推理能力来高效遍历假设空间，那么端到端的自动化科研就不再是遥不可及的梦想。

1.2 从辅助工具到自主智能体

LLM在科学研究中的角色演变可以划分为三个层次。第一层次是"LLM作为工具"（LLM as Tool），此时LLM仅作为人类研究者的辅助工具，用于加速特定任务如文献检索、代码补全或文本润色。第二层次是"LLM作为协作伙伴"（LLM as Collaborator），此时LLM能够参与科研的多个环节，与人类形成协作关系，但最终的决策权仍掌握在人类手中。第三层次是"LLM作为自主智能体"（LLM as Autonomous Agent），此时LLM能够独立完成从假设提出到论文撰写的全流程，无需人类干预。

The AI Scientist系列系统正是第三层次的代表性工作。它不仅仅是一个工具或协作伙伴，而是一个完整的端到端智能体系统，能够自主地：阅读和理解相关文献、提出新颖的研究假设、设计和执行实验、分析实验结果、撰写完整的学术论文。这一系统的出现，标志着AI在科学研究中的角色从被动辅助转向了主动探索，从局部优化转向了全局自动化。

值得注意的是，这种转变并非一蹴而就。在The AI Scientist之前，已经有多项工作探索了科研流程中不同环节的自动化。例如，AutoML系统自动化了机器学习模型的选择和超参数调优；自动化定理证明器在数学领域展现了强大的推理能力；各种文献挖掘系统帮助研究者从海量论文中提取关键信息。然而，这些系统各自为战，缺乏统一的框架将它们整合为一个连贯的科研流程。The AI Scientist的核心贡献之一，正是提供了这样一个统一的端到端框架。

1.3 本文结构

本文将系统性地剖析The AI Scientist v2的技术原理与学术意义。第2章回顾从v1到v2的进化历程，对比两个版本的核心差异。第3章深入分析v2的端到端智能体系统架构。第4章聚焦想法生成机制的理论基础与实现细节。第5章详细阐述树搜索实验执行的核心算法。第6章讨论论文撰写与自动评审机制。第7章评估系统在ICLR研讨会上的里程碑表现。第8章展望全自动科研的未来挑战与伦理考量。

2 从v1到v2：AI Scientist的进化之路

2.1 The AI Scientist v1：开创性框架

2024年8月，Sakana AI在arXiv上发表了题为"The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery"的论文（arXiv: 2408.06292），首次提出了一个完整的端到端自动科研框架。The AI Scientist v1的设计理念是利用前沿大语言模型来执行机器学习研究的完整生命周期，包括想法生成、实验执行和论文撰写三个核心阶段。

在想法生成阶段，v1系统首先给定一个研究方向的模板（如扩散模型、语言建模等），然后让LLM基于该模板生成多个研究想法。每个想法包含研究标题、摘要、动机和预期实验计划。系统使用Semantic Scholar API进行文献检索，确保生成的想法具有新颖性。在实验执行阶段，v1系统将选定的想法转化为具体的实验代码，使用预定义的实验模板来运行实验并收集结果。在论文撰写阶段，系统根据实验结果自动生成LaTeX格式的完整论文，包括引言、方法、实验和结论等标准章节。

v1系统还引入了一个自动评审机制（Automated Reviewer），使用LLM模拟领域主席（Area Chair）的角色，对生成的论文进行评分和反馈。评审维度包括新颖性、技术正确性、实验充分性、清晰度等，评分范围为1-10分。实验结果表明，v1生成的论文平均得分约为3-4分（满分10分），虽然远未达到顶会接收标准，但已经展示了端到端自动科研的可行性。

然而，v1系统存在若干关键局限。首先，实验执行依赖于预定义的模板和脚本，系统只能在固定的实验框架内操作，缺乏灵活性。其次，想法生成过程是线性的，无法根据实验结果进行迭代优化。第三，论文撰写过程中缺乏视觉语言模型（VLM）的辅助，图表生成和排版质量有限。第四，自动评审与人类评审之间存在显著差距，评分校准性不足。这些局限直接推动了v2系统的设计与开发。

2.2 The AI Scientist v2：核心突破

The AI Scientist v2于2025年4月发表（arXiv: 2504.08066），副标题为"Workshop-Level Automated Scientific Discovery via Agentic Tree Search"。v2系统在v1的基础上进行了全面升级，其核心改进可以概括为以下四个方面：

第一，从线性流程到智能体树搜索（Agentic Tree Search）。v1的实验执行是线性的——生成想法、运行实验、撰写论文，三个阶段顺序执行，没有回溯和迭代。v2引入了基于树搜索的实验执行机制，系统可以在实验过程中动态调整策略，根据中间结果选择不同的实验路径，实现了实验探索的深度和广度平衡。

第二，从模板驱动到自主代码生成。v1依赖预定义的实验模板和脚本来执行实验，这严重限制了系统的研究范围和灵活性。v2移除了模板依赖，系统能够从零开始自主生成实验代码，包括数据处理、模型训练、评估指标计算等所有环节。这一改进使得v2能够探索更广泛的研究方向，不再受限于预定义的实验框架。

第三，视觉语言模型（VLM）的深度集成。v2在论文撰写阶段引入了视觉语言模型，用于理解和分析实验生成的图表。VLM能够"看到"实验结果的可视化输出，判断图表的正确性和美观性，并据此调整论文中的图表呈现。这一改进显著提升了论文的视觉质量和图表准确性。

第四，端到端无人工干预。v1在某些环节仍需要人工介入，例如实验模板的编写和部分参数的手动设置。v2实现了真正的端到端自动化，从想法生成到论文完成，全程无需任何人类干预。系统自主提出研究假设、设计实验、编写代码、运行实验、分析数据、创建可视化图表，并撰写完整的学术论文。

下表总结了v1和v2的核心差异：

特性	The AI Scientist v1	The AI Scientist v2
实验执行方式	线性流程，预定义模板	智能体树搜索，自主代码生成
代码生成	基于模板的脚本修改	从零开始的自主代码生成
视觉理解	无VLM支持	深度集成VLM进行图表分析
人工干预	部分环节需人工介入	全程无人工干预
想法生成	给定模板下的线性生成	迭代式假设精炼与探索
论文质量	平均评审分3-4/10	研讨会级别，通过同行评审
实验灵活性	受限于预定义模板	可探索任意研究方向
评审机制	LLM自动评审，校准性有限	改进的自动评审+人类双盲评审验证

2.3 进化的理论基础

从v1到v2的进化并非简单的工程改进，而是有着深刻的理论基础。v1的线性流程可以被视为一种贪心搜索策略——在每个阶段做出局部最优的选择，然后不可逆地进入下一阶段。这种策略的局限性在于，它无法处理实验过程中的不确定性和失败情况。当实验结果与预期不符时，v1系统缺乏回溯和调整的能力，只能继续沿着既定路径前进。

v2的树搜索机制则对应于一种更强大的搜索策略——深度优先搜索与最佳优先搜索的混合。在树搜索框架中，每个节点代表一个实验状态（包括当前的假设、已执行的实验和获得的结果），每条边代表一个实验操作（如修改超参数、更换数据集、调整模型架构等）。系统可以在搜索树中自由回溯，当某条实验路径失败时，可以回到父节点尝试其他路径。这种搜索策略的理论保证来自于经典的搜索算法理论：在有限搜索空间中，树搜索策略能够保证找到全局最优解（给定足够的计算资源）。

从强化学习的视角来看，v2的树搜索实验可以建模为一个序贯决策问题。在每个时间步，智能体需要根据当前状态选择一个实验操作，目标是最大化最终论文的质量评分。这一框架与蒙特卡洛树搜索（MCTS）的思想有异曲同工之妙，都是通过在搜索树中平衡探索与利用来优化长期回报。

3 核心架构：端到端智能体系统

3.1 系统总体架构

The AI Scientist v2的架构设计遵循了智能体系统（Agentic System）的设计哲学，将整个科研流程分解为多个相互协作的智能体模块。每个模块负责科研流程的一个特定阶段，模块之间通过结构化的信息传递进行协调。这种模块化设计不仅提高了系统的可维护性和可扩展性，还使得每个模块可以独立优化和替换。

系统的总体工作流程可以分为以下几个阶段：首先，想法生成模块（Idea Generation）基于给定的研究方向和文献知识，生成一组候选研究假设。然后，实验执行模块（Experiment Execution）采用树搜索策略，对每个候选假设进行实验验证，自主生成实验代码并执行。在实验过程中，视觉语言模型模块（VLM Integration）负责分析实验生成的图表和可视化结果。实验完成后，论文撰写模块（Manuscript Writing）根据实验结果和VLM的分析，生成完整的学术论文。最后，自动评审模块（Automated Reviewing）对生成的论文进行质量评估，提供改进建议。

这一架构的关键创新在于各模块之间的动态交互和迭代反馈。与v1的线性流程不同，v2允许信息在模块之间双向流动。例如，实验执行模块可以根据VLM的反馈调整实验参数；论文撰写模块可以根据自动评审的建议修改论文内容；甚至想法生成模块也可以根据实验结果重新精炼研究假设。这种动态交互机制使得系统能够在科研过程中不断自我修正和优化。

从信息论的角度来看，v2的架构可以被视为一个闭环控制系统。在这个系统中，科研流程的每个阶段都产生信息输出，这些输出作为反馈信号传递给上游阶段，驱动系统朝着更优的方向演化。闭环控制的理论保证告诉我们，当反馈信号足够准确且及时时，系统能够收敛到稳定的高质量输出。这一理论框架为理解v2系统的有效性提供了重要视角。

3.2 智能体模块设计

The AI Scientist v2中的每个智能体模块都采用了基于LLM的智能体设计模式。具体而言，每个模块包含以下核心组件：

感知器（Perceptor）：负责接收和处理输入信息。例如，想法生成模块的感知器接收研究方向描述和相关文献摘要；实验执行模块的感知器接收研究假设和实验约束条件。

推理器（Reasoner）：基于LLM进行推理和决策。这是每个模块的核心，负责将输入信息转化为输出决策。推理器使用精心设计的提示词（Prompt）来引导LLM的推理过程，确保输出符合科研规范。

执行器（Executor）：负责将推理器的决策转化为具体操作。例如，实验执行模块的执行器将实验设计转化为可运行的Python代码，并在沙箱环境中执行。

记忆器（Memory）：维护模块的内部状态和历史信息。记忆器使得模块能够在多轮交互中保持上下文一致性，避免重复劳动和信息丢失。

这种智能体设计模式的理论基础可以追溯到认知科学的SOAR架构和ACT-R理论。在这些理论框架中，智能体通过感知-推理-执行的循环来与环境交互，并通过记忆机制来积累经验和知识。The AI Scientist v2的智能体设计正是这一理论框架在科研自动化领域的具体实践。

下表展示了各智能体模块的功能与关键技术：

智能体模块	核心功能	关键技术	输入	输出
想法生成	提出研究假设	LLM推理+文献检索	研究方向+文献库	候选假设列表
实验执行	设计并运行实验	树搜索+自主代码生成	研究假设+约束	实验结果+代码
VLM集成	分析图表可视化	视觉语言模型	实验图表	图表描述+质量评估
论文撰写	生成完整论文	LLM生成+LaTeX排版	实验结果+VLM分析	完整论文PDF
自动评审	评估论文质量	LLM评审+评分校准	论文文本	评分+改进建议

3.3 信息流与控制流

The AI Scientist v2的信息流和控制流设计是系统架构的核心。信息流描述了数据在模块之间的传递路径，而控制流描述了系统在模块之间的调度逻辑。

在信息流层面，系统采用了"渐进精炼"（Progressive Refinement）的设计原则。初始的研究想法在经过实验验证后，会获得更丰富的信息（如实验结果、图表分析等），这些信息被传递给论文撰写模块，使得论文内容更加充实和准确。同时，自动评审模块的反馈也会被传递回论文撰写模块，驱动论文的迭代改进。

在控制流层面，系统采用了"事件驱动"（Event-Driven）的调度模式。每个模块的执行不是由固定的时序控制，而是由特定事件触发。例如，当实验执行模块完成一组实验时，会触发VLM集成模块对结果图表进行分析；当VLM分析完成后，会触发论文撰写模块更新相关章节。这种事件驱动的调度模式使得系统能够灵活地处理各种异常情况，如实验失败、代码错误等。

从软件工程的角度来看，v2的架构设计体现了"关注点分离"（Separation of Concerns）和"松耦合"（Loose Coupling）的设计原则。每个模块专注于科研流程的一个特定方面，模块之间通过明确定义的接口进行通信，而不是直接依赖彼此的内部实现。这种设计使得系统具有良好的可扩展性——例如，可以轻松替换VLM模块为更强大的视觉模型，而不影响其他模块的正常运行。

4 想法生成：从文献到假设

4.1 科研想法生成的理论框架

科研想法生成是科学发现过程中最具创造性的环节，也是最难自动化的部分。从哲学层面来看，科学想法的产生涉及两种截然不同的思维模式：归纳推理（Inductive Reasoning）和演绎推理（Deductive Reasoning）。归纳推理从具体观察中提炼一般规律，而演绎推理从已有理论中推导新的预测。在实际科研中，这两种推理模式往往交织在一起，形成所谓的"假说-演绎法"（Hypothetico-Deductive Method）。

The AI Scientist v2的想法生成模块基于一个核心理论假设：大语言模型在海量科学文献上的训练，使其内化了科学推理的基本模式，能够通过适当的提示和引导，生成既新颖又合理的研究假设。这一假设的理论基础来自于LLM的"涌现能力"（Emergent Abilities）——当模型规模超过某个阈值时，会自发地展现出训练目标之外的能力，包括逻辑推理、类比迁移和创造性组合等。

在认知科学中，创造性思维的一个经典模型是"组合创造性"（Combinatorial Creativity），即新的想法往往来自于已有知识的重新组合。这一模型与LLM的工作机制高度契合——LLM通过注意力机制（Attention Mechanism）在巨大的知识空间中寻找相关的概念组合，然后通过自回归生成将这些组合表达为连贯的文本。从这一视角来看，LLM的想法生成过程可以被视为一种高效的组合搜索，它在由训练数据定义的知识空间中寻找有价值的组合。

然而，纯粹的组合搜索并不足以产生高质量的科学想法。科学想法还需要满足两个关键约束：新颖性（Novelty）和可行性（Feasibility）。新颖性要求想法不能是已有工作的简单重复，而可行性要求想法能够通过实验验证。The AI Scientist v2通过两个机制来保证这两个约束：首先，系统使用Semantic Scholar API进行文献检索，检查生成的想法是否与已有工作过于相似；其次，系统在想法生成阶段就考虑实验的可行性，避免提出无法验证的纯理论假设。

4.2 想法生成的实现流程

The AI Scientist v2的想法生成流程可以分为以下几个步骤：

步骤一：研究方向初始化。系统接收一个研究方向描述作为输入，例如"扩散模型中的高效采样方法"或"语言模型的知识编辑技术"。这一描述为想法生成提供了基本的搜索方向，类似于人类研究者在选择课题时确定的研究领域。

步骤二：文献检索与知识提取。系统使用Semantic Scholar API检索与研究方向相关的论文，提取每篇论文的核心贡献、方法和局限性。这一步骤的目标是构建一个关于当前研究领域的知识图谱，为后续的想法生成提供知识基础。

步骤三：想法生成与评分。基于检索到的文献知识，系统使用LLM生成多个候选研究想法。每个想法包含以下结构化信息：研究标题、问题陈述、提出的方法、预期贡献和实验计划。系统同时使用LLM对每个想法进行初步评分，评估维度包括新颖性、技术可行性和预期影响力。

步骤四：想法精炼与迭代。v2系统引入了想法精炼机制，允许系统根据评分反馈对候选想法进行迭代改进。具体而言，系统会分析低分想法的不足之处，然后尝试通过修改方法设计、调整实验计划或重新定位研究问题来提升想法质量。这一迭代过程可以重复多轮，直到想法质量达到预设阈值。

步骤五：想法选择。最终，系统从精炼后的候选想法中选择一个或多个进入实验执行阶段。选择策略综合考虑想法的评分、实验的预期成本和系统的计算资源限制。

从数学的角度来看，想法生成过程可以形式化为一个优化问题。设 $\mathcal{H}$ 为假设空间，$\mathcal{D}$ 为已有文献数据集，$s:\mathcal{H}\times \mathcal{D}\to \mathbb{R}$ 为评分函数，则想法生成的目标是：

$$h^{\ast }=\arg \underset{h\in \mathcal{H}}{\max }s(h,\mathcal{D})$$

其中 $h^{\ast }$ 是最优假设。由于假设空间 $\mathcal{H}$ 是极其巨大的（甚至可能是无限的），直接遍历搜索是不可行的。The AI Scientist v2采用LLM作为启发式搜索策略，利用其在训练数据中学到的知识来高效地导航假设空间，找到高质量的候选假设。

4.3 文献检索与新颖性保证

文献检索是想法生成模块的关键组件之一。The AI Scientist v2使用Semantic Scholar API进行文献检索，该API提供了对超过2亿篇学术论文的搜索能力。系统的文献检索策略包括以下几个层次：

关键词检索：根据研究方向描述提取关键词，在Semantic Scholar中进行全文检索。这是最基础的检索层次，能够快速获取大量相关论文。

语义检索：利用LLM对研究方向进行语义理解，生成更精确的查询语句。语义检索能够捕获关键词检索可能遗漏的相关工作，特别是那些使用了不同术语描述相似概念的工作。

引用网络分析：分析检索到的论文之间的引用关系，识别研究领域的核心论文和新兴趋势。引用网络分析有助于系统理解研究领域的发展脉络，避免生成与已有工作重复的想法。

新颖性保证是想法生成中的另一个关键问题。The AI Scientist v2通过以下机制来保证生成想法的新颖性：

首先，系统在生成想法后，会将每个想法与检索到的文献进行比对，计算想法与已有工作之间的相似度。相似度计算基于LLM的语义理解能力，而非简单的关键词匹配，这使得系统能够识别出那些虽然使用了不同表述但实质上相似的想法。

其次，系统在评分阶段特别强调新颖性维度。评分函数 $s(h,\mathcal{D})$ 中的新颖性分量可以表示为：

$$s_{\text{novelty}}(h,\mathcal{D})=1-\underset{d\in \mathcal{D}}{\max }\text{sim}(h,d)$$

其中 $\text{sim}(h,d)$ 是假设 $h$ 与文献 $d$ 之间的语义相似度。这一公式确保了与已有工作越相似的假设，其新颖性评分越低。

下表展示了想法生成过程中的关键参数与设计选择：

参数/设计选择	v1实现	v2实现	改进说明
文献检索方式	Semantic Scholar关键词检索	关键词+语义+引用网络	多层次检索提高覆盖度
想法生成策略	单次生成，无迭代	迭代精炼，多轮改进	提升想法质量
新颖性检查	基于关键词的简单比对	LLM语义相似度计算	更准确的新颖性评估
想法数量	固定数量	动态调整	根据研究方向灵活生成
实验可行性评估	无	内嵌可行性评估	避免不可验证的假设
评分维度	新颖性+技术正确性	新颖性+可行性+影响力	更全面的评估

5 树搜索实验：智能体驱动的实验执行

5.1 从线性执行到树搜索

实验执行是科研流程中最耗时也最具挑战性的环节。在The AI Scientist v1中，实验执行采用线性流程：给定一个研究想法，系统基于预定义的模板生成实验代码，然后执行代码并收集结果。这种线性流程的主要问题在于，它假设实验一定能够成功——如果代码出错、实验结果不理想或者方法设计存在缺陷，系统缺乏有效的应对机制。

The AI Scientist v2引入的树搜索实验机制从根本上改变了这一局面。在树搜索框架中，实验执行被建模为一棵搜索树：树的根节点代表初始的研究假设，每个子节点代表对父节点假设的一次实验探索，而叶子节点代表最终的实验结果。系统可以在搜索树中进行深度优先或广度优先的探索，当某条路径失败时可以回溯到父节点尝试其他路径。

这一设计的核心思想来自于人工智能中的搜索理论。在经典的搜索问题中，智能体需要在巨大的状态空间中找到一条从初始状态到目标状态的路径。树搜索算法（如深度优先搜索、广度优先搜索、A*搜索等）通过系统地探索状态空间，保证在有限步骤内找到解（如果解存在）。The AI Scientist v2将这一思想应用到实验执行中，将科研实验视为在实验状态空间中的搜索问题。

具体而言，搜索树中的每个节点包含以下信息：当前的研究假设、已执行的实验操作列表、已获得的实验结果、以及当前节点的评估分数。评估分数由LLM根据实验结果的质量和与研究假设的一致性来计算，用于指导搜索方向的选择。系统优先探索评估分数较高的节点，这类似于最佳优先搜索（Best-First Search）的策略。

树搜索实验的数学形式化可以表示如下。设搜索树为 $\mathcal{T}=(V,E)$，其中 $V$ 是节点集合，$E$ 是边集合。每个节点 $v\in V$ 对应一个实验状态 $s_v$，包含假设、实验和结果信息。搜索策略 $\pi$ 定义了在给定当前节点 $v$ 时选择下一个探索节点的规则：

$$\pi (v)=\arg \underset{u\in \text{children}(v)}{\max }Q(s_u)+c\cdot \sqrt{\frac{\ln N(v)}{N(u)}}$$

其中 $Q(s_u)$ 是节点 $u$ 的评估分数，$N(v)$ 和 $N(u)$ 分别是节点 $v$ 和 $u$ 的访问次数，$c$ 是探索-利用平衡参数。这一公式借鉴了上置信界（UCB）策略的思想，在利用已知高质量路径和探索未知路径之间取得平衡。

5.2 自主代码生成机制

The AI Scientist v2最显著的技术改进之一是从模板驱动的代码修改转向了完全自主的代码生成。在v1中，实验代码是基于预定义模板的——系统在模板的基础上进行修改和调整，以适应特定的研究想法。这种方式严重限制了系统的研究范围，因为模板只能覆盖有限的实验类型。

v2的自主代码生成机制允许系统从零开始编写实验代码。具体流程如下：

代码规划：系统首先根据研究假设制定实验计划，包括需要实现的功能模块、数据处理流程、模型架构和评估指标等。这一步骤由LLM通过链式推理（Chain-of-Thought Reasoning）完成。

代码生成：基于实验计划，系统使用LLM逐模块生成Python代码。代码生成过程采用了"分而治之"（Divide and Conquer）的策略——将复杂的实验代码分解为多个简单的子任务，分别生成后再组合。

代码验证：生成的代码在沙箱环境中执行，系统监控执行过程中的错误和异常。如果代码执行失败，系统会分析错误信息，然后修改代码并重新执行。这一"生成-执行-调试"的循环可以重复多次，直到代码成功运行。

结果验证：代码成功执行后，系统还会验证实验结果的合理性。例如，检查损失函数是否在下降、评估指标是否在合理范围内、图表是否正确显示等。如果结果不合理，系统会尝试调整实验参数或修改方法设计。

自主代码生成的关键挑战在于错误处理和调试。LLM生成的代码往往包含各种类型的错误，包括语法错误、逻辑错误和数值错误等。The AI Scientist v2通过以下机制来应对这些挑战：

首先，系统在代码生成阶段就采用了防御性编程策略，包括添加异常处理、输入验证和日志记录等。这些防御性措施使得代码在遇到异常情况时能够优雅地降级，而不是直接崩溃。

其次，系统实现了一个自动调试循环。当代码执行失败时，系统会将错误信息和相关代码片段传递给LLM，让LLM分析错误原因并生成修复代码。这一过程可以形式化为：

$${\text{code}}_{t+1}=\text{LLM}({\text{code}}_t,{\text{error}}_t,\text{context})$$

其中 ${\text{code}}_t$ 是第 $t$ 轮的代码，${\text{error}}_t$ 是执行错误信息，$\text{context}$ 是实验上下文信息。系统在每轮调试后重新执行代码，直到成功或达到最大调试轮数。

5.3 实验执行的搜索策略

The AI Scientist v2的树搜索实验执行采用了多层次的搜索策略，以平衡探索的深度和广度：

深度优先探索：当系统发现一条有前景的实验路径时（例如，初步实验结果优于基线方法），会优先沿着这条路径深入探索，尝试进一步优化实验参数和方法设计。深度优先探索有助于快速获得高质量的实验结果。

广度优先探索：当深度探索遇到瓶颈时（例如，连续多轮实验未能提升性能），系统会回溯到父节点，尝试其他实验路径。广度优先探索有助于避免陷入局部最优。

剪枝策略：系统在搜索过程中会实时评估每个节点的质量，对于评估分数远低于当前最优路径的节点，系统会执行剪枝操作，停止对该路径的进一步探索。剪枝策略有助于节省计算资源，将有限的资源集中在最有前景的方向上。

自适应搜索深度：系统根据实验的复杂度和计算资源限制，自适应地调整搜索深度。对于简单的实验（如超参数调优），搜索深度较浅；对于复杂的实验（如新方法设计），搜索深度较深。

下表对比了不同搜索策略的特点：

搜索策略	优势	劣势	适用场景
深度优先	快速获得深度结果	可能陷入局部最优	有前景的实验路径
广度优先	全面探索实验空间	计算成本高	不确定性高的实验
最佳优先	高效利用评估信息	依赖评估质量	评估函数可靠时
剪枝策略	节省计算资源	可能错过潜在好路径	计算资源有限时
自适应深度	灵活平衡深度与广度	策略设计复杂	通用场景

6 论文撰写与自动评审

6.1 自动论文撰写的挑战与方法

学术论文撰写是科研流程的最终输出环节，也是对系统综合能力的最高要求。一篇高质量的学术论文不仅需要准确呈现研究方法和实验结果，还需要在引言中清晰阐述研究动机，在相关工作部分展示对领域的深入理解，在结论中提炼核心贡献并讨论局限性。这些要求对LLM的生成能力提出了极高的挑战。

The AI Scientist v2的论文撰写模块采用了"分章节生成+全局一致性维护"的策略。具体而言，系统按照学术论文的标准结构（摘要、引言、相关工作、方法、实验、结论）逐章节生成内容，同时在生成过程中维护全局一致性——确保各章节之间的逻辑连贯、术语统一和引用一致。

论文撰写的关键技术包括：

结构化生成：系统使用预定义的论文结构模板，确保生成的论文符合学术规范。每个章节都有明确的写作指引，包括应包含的内容要素、段落结构和写作风格等。

引用管理：系统在撰写相关工作部分时，会自动引用想法生成阶段检索到的文献，并确保引用格式的一致性。引用管理还包括在正文中正确引用自己的方法和实验结果。

LaTeX排版：系统直接生成LaTeX格式的论文源码，包括数学公式、表格、图表和参考文献等。LaTeX排版的质量直接影响论文的可读性和专业性。

VLM辅助的图表生成：这是v2系统的一个重要创新。在v1中，图表的生成和排版完全依赖预定义的脚本，经常出现图表与正文描述不一致、坐标轴标签错误等问题。v2引入了视觉语言模型来辅助图表生成——VLM能够"看到"实验生成的图表，判断其正确性和美观性，并据此调整图表的呈现方式。

VLM在论文撰写中的具体作用包括：验证图表标题与图表内容的一致性、检查坐标轴标签和图例的正确性、评估图表的视觉清晰度和美观度、建议图表的改进方案（如调整颜色方案、修改坐标范围等）。这一机制显著提升了论文中图表的质量和准确性。

6.2 自动评审机制

The AI Scientist v2的自动评审模块是系统自我评估和改进的关键组件。该模块使用LLM模拟人类审稿人的评审过程，对生成的论文进行多维度评估。

自动评审的评分维度包括：

新颖性（Novelty）：论文提出的方法或观点是否具有新颖性，是否与已有工作有显著区别。新颖性评分范围为1-10分，其中1分表示完全缺乏新颖性，10分表示突破性创新。

技术正确性（Technical Correctness）：论文的技术描述是否正确，数学公式是否准确，实验设计是否合理。技术正确性是论文质量的基本保证。

实验充分性（Experimental Adequacy）：实验是否充分验证了论文的核心主张，基线方法是否合理，评估指标是否全面。实验充分性评估了论文实证基础的坚实程度。

清晰度（Clarity）：论文的写作是否清晰、结构是否合理、图表是否易于理解。清晰度直接影响论文的可读性和影响力。

影响力（Impact）：论文的研究成果是否对该领域有重要贡献，是否可能激发后续研究。影响力评估了论文的长期学术价值。

自动评审模块不仅提供评分，还生成详细的评审意见，包括论文的优点、不足和改进建议。这些评审意见被反馈给论文撰写模块，驱动论文的迭代改进。

从方法论的角度来看，自动评审的核心挑战在于评分校准（Score Calibration）——确保LLM的评分与人类审稿人的评分具有一致性。The AI Scientist v2通过以下机制来改善评分校准：

首先，系统在评审提示词中明确界定了每个评分维度的评分标准，并提供了具体的评分示例。这些评分标准和示例来自于对大量人类审稿意见的分析和总结。

其次，系统采用了多评审者集成策略——使用不同的LLM实例（或不同的提示词变体）对同一论文进行多次评审，然后取评分的中位数作为最终评分。这一策略借鉴了学术会议中多审稿人评审的实践，有助于减少单一评审者的主观偏差。

设 $n$ 个评审者对论文 $p$ 在维度 $d$ 上的评分分别为 $s_1,s_2,\dots ,s_n$，则最终评分为：

$$S_d(p)=\text{median}(s_1,s_2,\dots ,s_n)$$

使用中位数而非均值的好处在于，中位数对极端值（如异常高或异常低的评分）具有更好的鲁棒性。

6.3 论文水印与伦理标识

The AI Scientist v2在论文撰写中引入了水印机制，用于标识论文是由AI生成的。这一机制的设计初衷是确保学术透明性——读者和审稿人能够清楚地知道论文的生成方式，避免AI生成的论文被误认为人类作品。

水印机制包括两个层次：显式水印和隐式水印。显式水印是在论文中明确标注"本文由AI Scientist系统自动生成"的声明，以及论文中包含的AI生成标识符。隐式水印则嵌入在论文的文本特征中，例如特定的措辞模式或格式特征，这些特征对人类读者不可见，但可以通过算法检测。

Sakana AI团队在ICLR 2025研讨会实验中，主动撤回了被接收的AI生成论文，并在公开声明中强调了AI生成论文的透明标识原则。这一做法体现了研究团队对学术伦理的高度重视，也为学术界建立AI生成内容的规范提供了重要参考。

下表展示了自动评审的评分维度与校准策略：

评分维度	评分范围	评估重点	校准方法
新颖性	1-10	与已有工作的区别	文献比对+语义相似度
技术正确性	1-10	公式/代码/方法正确性	代码执行验证+公式检查
实验充分性	1-10	基线/指标/消融实验	实验覆盖率分析
清晰度	1-10	写作/结构/图表	VLM图表质量评估
影响力	1-10	领域贡献/后续研究潜力	引用预测+领域重要性评估

7 里程碑与评估：ICLR研讨会论文通过同行评审

7.1 ICLR 2025研讨会实验设计

The AI Scientist v2最具里程碑意义的评估实验，是其生成的论文成功通过了ICLR 2025研讨会的双盲同行评审。这一实验的设计和执行过程具有重要的方法论价值，为评估AI生成科研产出的质量提供了宝贵的参考。

实验设计遵循了严格的科学规范。Sakana AI团队与ICLR 2025的"I Can’t Believe It’s Not Better"（ICBINB）研讨会组织者合作，设计了一个双盲评审实验。具体流程如下：

首先，The AI Scientist v2系统在无任何人工干预的情况下，自主生成了三篇完整的学术论文。每篇论文都经历了完整的端到端流程——从想法生成到论文撰写，全部由系统自动完成。

然后，这三篇论文被提交到ICBINB研讨会进行双盲评审。审稿人在评审过程中被告知部分提交论文可能由AI生成，但不知道具体哪些论文是AI生成的。这一设计确保了评审的公正性——审稿人不会因为知道论文是AI生成的而给予歧视性低分，也不会因为好奇而给予不合理的关注。

评审结果令人瞩目：三篇AI生成的论文中，有一篇获得了平均6.25分的评审分数（满分10分），达到了研讨会接收标准。这是历史上首篇完全由AI生成并通过同行评审的学术论文，标志着AI在科研自动化领域取得了突破性进展。

被接收的论文题为"Scaling Extrapolation: A New Paradigm for Efficient and Robust Language Model Training"，该论文探索了语言模型训练中的缩放外推问题，提出了新的方法和实验验证。论文的评审意见指出，该论文在问题选择和实验设计方面展现了合理的科研能力，虽然在写作深度和方法创新性方面仍有提升空间，但整体质量达到了研讨会级别论文的标准。

7.2 评审结果分析

对ICLR 2025研讨会评审结果的深入分析，能够帮助我们更全面地理解The AI Scientist v2的能力边界和改进方向。

从评分分布来看，AI生成论文的评审分数呈现出较大的方差。即使是最终被接收的那篇论文，不同审稿人之间的评分也存在显著差异——最高分和最低分之间的差距超过了3分。这一现象在人类撰写的论文评审中也很常见，反映了学术评审固有的主观性。

从评审意见的内容分析来看，审稿人对AI生成论文的评价呈现出一些共性模式。在积极方面，审稿人普遍认为论文的问题选择合理、实验设计规范、结果呈现清晰。在消极方面，审稿人指出论文在以下方面存在不足：方法创新的深度有限、对实验结果的讨论不够深入、相关工作部分的覆盖面不够全面、论文写作缺乏人类作者的"叙事感"。

这些不足反映了当前LLM在科研写作中的固有局限。LLM擅长生成结构规范、逻辑清晰的文本，但在深层次的分析和创造性论述方面仍有欠缺。这一发现与LLM能力研究的整体趋势一致——LLM在"格式正确性"方面表现优异，但在"内容深度"方面仍有显著提升空间。

值得注意的是，Nature论文中也明确指出："Although The AI Scientist generated a workshop paper that passed peer review, there is room for improvement if it is to match the best human-produced science."这一坦诚的评估态度体现了研究团队对AI科研能力边界的清醒认识。

7.3 与其他AI科研系统的对比

The AI Scientist v2并非唯一探索自动化科研的系统。近年来，多个研究团队和公司都推出了类似的AI科研系统，形成了一个快速发展的研究领域。下表对比了几个代表性的系统：

系统	开发者	核心特点	端到端程度	同行评审结果
The AI Scientist v2	Sakana AI/UBC/Oxford	树搜索+自主代码生成+VLM	完全端到端	ICLR研讨会论文通过评审
AI-Researcher	独立研究团队	多阶段自动化科研框架	部分端到端	未报告同行评审结果
Agent Laboratory	独立研究团队	多智能体协作科研	部分端到端	未报告同行评审结果
Co-Scientist	Google DeepMind	多智能体假设生成与精炼	假设生成阶段	Nature论文发表
Zochi	Intology	全自动科研系统	完全端到端	未公开详细评审结果

其中，Google DeepMind的Co-Scientist系统特别值得关注。Co-Scientist专注于假设生成阶段，采用多智能体辩论机制来精炼研究假设。2026年5月，Co-Scientist的研究成果也发表在Nature上，展示了AI在生命科学假设生成方面的强大能力。与The AI Scientist v2不同，Co-Scientist目前仅覆盖科研流程的假设生成环节，尚未实现实验执行和论文撰写的自动化。

从系统设计的角度来看，The AI Scientist v2的独特之处在于其端到端的完整性——它是目前公开报道中唯一一个能够从想法生成到论文撰写全流程自动化的系统，且生成的论文通过了人类同行评审。这一成就的取得，得益于v2在树搜索实验、自主代码生成和VLM集成等方面的技术创新。

7.4 Nature论文的发表

2026年3月，The AI Scientist的工作以"Towards end-to-end automation of AI research"为题正式发表于Nature杂志。这篇论文由Sakana AI、不列颠哥伦比亚大学（UBC）、Vector Institute和牛津大学的研究团队联合撰写，全面介绍了The AI Scientist系统的架构设计、技术实现和评估结果。

Nature论文在v1和v2的arXiv预印本基础上，增加了多项新的研究成果，包括：

扩展性实验：论文报告了系统在不同计算预算下的性能表现，展示了系统性能随计算资源增加而提升的扩展性规律。这一发现具有重要的实践意义——它表明通过投入更多计算资源，可以进一步提升AI生成论文的质量。

跨领域泛化：论文探索了系统在不同机器学习子领域（如扩散模型、语言建模、学习率调度等）的泛化能力，结果表明系统能够在多个研究方向上生成合理的论文。

自动评审的深入分析：论文对自动评审模块的评分校准性进行了详细分析，比较了LLM评审与人类评审在评分分布、评分一致性和评审意见质量等方面的差异。

伦理讨论：论文深入讨论了AI生成科研的伦理问题，包括学术诚信、知识产权、科研生态影响等，并提出了AI生成论文的水印标识和透明性原则。

Nature论文的发表标志着The AI Scientist从技术预印本走向了经过严格同行评审的正式学术发表，也标志着学术界对AI驱动科研自动化这一研究方向的重要认可。

8 展望与挑战：全自动科研的未来

8.1 技术挑战与改进方向

尽管The AI Scientist v2取得了令人瞩目的成就，但距离真正实现高质量的全自动科研仍有显著差距。当前系统面临的技术挑战可以从以下几个维度进行分析：

假设空间的探索效率。当前的树搜索策略在假设空间中的探索效率仍然有限。对于复杂的科研问题，假设空间的规模可能是指数级的，而系统的计算资源是有限的。如何设计更高效的搜索策略，在有限的计算预算内找到高质量的假设，是一个核心挑战。可能的改进方向包括引入元学习（Meta-Learning）来加速搜索、利用领域知识来约束搜索空间、以及采用层次化搜索策略来分解复杂问题。

实验代码的可靠性。虽然v2的自主代码生成机制相比v1有了显著改进，但代码生成的可靠性仍然是一个重要问题。LLM生成的代码可能包含微妙的逻辑错误，这些错误在简单的测试中不会暴露，但在复杂的实验场景中可能导致错误的结果。提高代码可靠性的可能方向包括引入形式化验证（Formal Verification）来检查代码的正确性、使用差分测试（Differential Testing）来验证实验结果的一致性、以及开发专门的代码审查智能体来检查生成的代码。

评估函数的准确性。树搜索实验的有效性高度依赖于评估函数的准确性。当前的评估函数由LLM实现，其评分可能受到LLM自身偏见的影响。例如，LLM可能倾向于给结构复杂但实质贡献有限的方法更高的评分。改进评估函数的方向包括引入基于实验结果的客观评估指标（如性能提升幅度、统计显著性等）、使用多个独立评估器的集成来减少偏差、以及开发基于人类评审数据的评分校准模型。

跨领域泛化能力。目前The AI Scientist v2主要在机器学习领域进行了验证，其在其他科学领域（如物理学、化学、生物学等）的泛化能力尚未得到充分验证。跨领域泛化的挑战在于，不同领域的科研范式、实验方法和论文写作规范存在显著差异。实现跨领域泛化可能需要为每个领域定制专门的模块，或者开发更通用的科研流程抽象。

长期研究规划能力。当前的系统专注于生成单篇论文，缺乏进行长期研究规划的能力。人类科学家通常会围绕一个核心问题进行多年的持续研究，逐步深入并扩展研究范围。实现长期研究规划需要系统能够在多篇论文之间建立连贯的研究脉络，这涉及更高层次的科研策略和学术品味。

8.2 伦理考量与社会影响

AI驱动的全自动科研引发了一系列深刻的伦理问题和社会影响，这些问题需要学术界、政策制定者和公众的广泛关注和审慎讨论。

学术诚信与论文真实性。当AI能够自主生成通过同行评审的论文时，传统的学术诚信体系面临严峻挑战。如何区分AI生成和人类撰写的论文？是否应该要求所有AI生成的论文进行特殊标识？如何防止恶意行为者利用AI大量生成低质量论文来污染学术文献库？这些问题不仅涉及技术层面的水印和检测方法，还涉及学术规范的重新定义。

知识产权与学术归属。AI生成的论文的知识产权归属是一个复杂的法律问题。如果一篇论文完全由AI生成，那么谁应该被列为作者？是AI系统的开发者、运行系统的用户，还是AI系统本身？当前的学术出版规范要求作者对论文内容承担学术责任，但AI系统无法承担这种责任。这一问题需要法律界和学术界共同探索新的解决方案。

科研生态的影响。如果AI科研系统变得足够强大和普及，可能对科研生态产生深远影响。一方面，AI可以大幅加速科研进程，帮助人类研究者更快地探索假设空间和验证想法。另一方面，如果AI生成的论文大量涌入学术出版系统，可能加剧审稿负担、稀释学术质量标准，甚至导致"论文通货膨胀"——论文数量急剧增加但平均质量下降。

科研民主化与不平等。AI科研系统可能同时促进和阻碍科研民主化。一方面，这些系统可以降低科研门槛，使资源有限的研究机构和个人也能进行高质量的研究。另一方面，如果只有少数拥有强大AI系统的机构能够高效产出论文，可能加剧科研资源的不平等分配。

科学发现的本质。从哲学层面来看，AI驱动的科研引发了一个根本性问题：科学发现的本质是什么？如果AI能够自主完成从假设到论文的全流程，那么科学发现是否还需要人类的直觉和创造力？这一问题触及了科学哲学的核心——科学发现究竟是一种可以通过算法自动化的计算过程，还是本质上依赖于人类的创造性思维？

Sakana AI团队在Nature论文中提出了几项重要的伦理建议：第一，所有AI生成的论文都应该进行水印标识，确保读者和审稿人能够识别其来源。第二，学术社区应该建立关于AI生成研究的明确规范。第三，AI科研系统的开发者应该负责任地使用这项技术，包括主动公开AI生成论文的存在。这些建议为学术界应对AI科研的伦理挑战提供了重要的参考框架。

8.3 未来发展方向

展望未来，AI驱动的全自动科研可能沿着以下几个方向发展：

人机协作科研。最可能的中期发展路径不是AI完全取代人类科学家，而是形成高效的人机协作模式。在这种模式下，AI负责大规模的假设搜索、实验执行和论文初稿撰写，而人类科学家负责高层次的科研策略制定、关键假设的筛选和论文的最终审定。这种协作模式能够同时发挥AI的计算优势和人类的判断力，实现"1+1>2"的效果。

多智能体科研团队。未来的AI科研系统可能由多个专业化智能体组成，每个智能体负责科研流程的不同环节，并通过多智能体协作来提升整体效率。例如，一个智能体负责文献综述，另一个负责实验设计，第三个负责论文撰写，它们之间通过结构化的通信协议进行协调。这种多智能体架构与Google Co-Scientist的设计理念有相似之处，但将扩展到科研流程的所有环节。

跨学科科研自动化。当前的AI科研系统主要在机器学习领域进行了验证，未来的发展方向是扩展到更多学科。跨学科科研自动化的关键挑战在于，不同学科的科研范式差异巨大——物理学依赖数学推导和实验验证，生物学依赖湿实验和统计分析，社会科学依赖调查研究和因果推断。实现跨学科泛化需要开发更通用的科研流程抽象和更灵活的智能体架构。

自我改进的科研系统。一个更远期的愿景是开发能够自我改进的AI科研系统——系统不仅能够自动进行科研，还能够根据科研经验改进自身的科研策略和方法。这种自我改进能力可以通过元学习、强化学习或进化算法来实现。自我改进的科研系统理论上能够不断提升科研产出的质量和效率，形成正向的飞轮效应。

科研流程的形式化。从长远来看，AI科研的发展可能推动科研流程本身的形式化——将科学研究的步骤、规范和评价标准转化为可计算的形式化系统。这种形式化不仅有助于AI系统的设计和优化，还可能带来对科学方法论本身的深层理解。正如自动定理证明推动了对数学推理的形式化理解一样，自动科研可能推动对科学发现过程的形式化理解。

参考文献

1. C. Lu, S. Lange, J. Foerster, J. Clune, et al. “The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery.” arXiv preprint arXiv:2408.06292, 2024. 链接

2. C. Lu, S. Lange, J. Foerster, J. Clune, et al. “The AI Scientist-v2: Workshop-Level Automated Scientific Discovery via Agentic Tree Search.” arXiv preprint arXiv:2504.08066, 2025. 链接

3. C. Lu, S. Lange, J. Foerster, J. Clune, et al. “Towards end-to-end automation of AI research.” Nature, vol. 651, 2026. 链接

4. A. Gajbhiye, et al. “A Survey of AI Scientists.” arXiv preprint arXiv:2510.23045, 2025. 链接

5. Q. Wang, et al. “A Survey on Large Language Models in Scientific Discovery.” Proceedings of EMNLP 2025. 链接

6. Google DeepMind. “Towards an AI co-scientist.” arXiv preprint arXiv:2502.18864, 2025. 链接