DeepScientist：推动前沿科学发现的进步性方法
计算与语言
2025-10-01 v1 机器学习
摘要
虽然之前的 AI 科学家系统能够生成新颖发现，但往往缺乏针对性，难以产生具有实际价值、解决当前人类所面临挑战的科学贡献。我们引入 DeepScientist，一个旨在通过在月长时间尺度上进行以目标导向的完全自主科学发现来克服这一局限的系统。它将发现 formalized 为贝叶斯优化问题，通过分层评估过程 operationalized 为“假设、验证、分析”。借助累积的发现记忆，该循环智能地在新颖假设的探索与利用之间进行平衡， selectively 推选最具前景的发现进入更高保真度的验证层级。该系统消耗了超过 20,000 个 GPU 小时，生成约 5,000 个独特科学想法，并经验证约 1,100 个，最终在三个前沿 AI 任务上超越人类设计的 SOTA 方法，提升幅度分别为 183.7%、1.9% 与 7.9%。本工作提供了 AI 实现在科学任务上逐步超越人类 SOTA 的首个大规模证据，产生具有实际价值的发现，真正推动了科学发现的前沿。为促进进一步研究，我们将开源所有实验日志与系统代码（https://github.com/ResearAI/DeepScientist/）。
引用
@article{arxiv.2509.26603,
title = {DeepScientist: Advancing Frontier-Pushing Scientific Findings Progressively},
author = {Yixuan Weng and Minjun Zhu and Qiujie Xie and Qiyao Sun and Zhen Lin and Sifan Liu and Yue Zhang},
journal= {arXiv preprint arXiv:2509.26603},
year = {2025}
}