AIScientist正逐步重塑科学研究范式，迈向自动化科学发现的新纪元。本文

AI Scientist正逐步重塑科学研究范式，迈向自动化科学发现的新纪元。本文系统梳理了AI Scientist的核心能力框架及其发展现状，揭示了当前瓶颈与未来方向：

• 能力分层：知识获取（自动检索、综述文献）、创意生成（提出创新科学假说）、验证与反驳（设计、执行实验验证假说）、演化（基于反馈自我提升）四大阶段构建闭环科研体系。

• 知识获取：预LLM时代依赖小规模预训练模型与规则方法；LLM时代结合大规模语料与检索增强，实现多文档语义整合与精准文献筛选。

• 创意生成：从传统图谱与向量连接，到LLM驱动的自然语言假说生成及多智能体协作，提升创新性与可行性。

• 验证与反驳：自动化实验设计与代码生成难度大，当前系统执行准确率不足50%，形成科研闭环的挑战显著。

• 评审系统：从简单筛选到多轮生成与多代理协作，AI审稿人提升评审效率，但尚难达成人类专家水平。

• 演化能力：动态规划与自主学习是实现AI Scientist自我进化的关键，当前研究多聚焦单一科研对象，长周期规划尚待突破。

• 现有限制：基础模型存在幻觉、知识更新成本高、遗忘问题；科研能力在假说创新、实验设计、协作鲁棒性等方面仍显不足。

• 伦理挑战：AI Scientist可能引发审稿系统压力、危险研究扩散、科研培训质量下降及偏见加剧，需建立严格管理和伦理规范。

• 未来方向：结合符号与深度学习混合架构，强化模型更新机制；开发科学家间标准通信协议，推动多代理协同；实现个性化辅助与社会级科研生态双轨发展。

AI Scientist将不仅是工具，更是推动跨学科创新、解决医学、能源、环境等重大挑战的自主科研主体。

详情🔗 arxiv.org/abs/2507.23276

开源代码库🔗 github.com/ResearAI/Awesome-AI-Scientist

人工智能自动科学发现大语言模型科研自动化多智能体系统