@ProfBuehlerMIT：我们在自进化人工智能科学家方面取得了突破，从'搜索'转向'原则性发现'：科学发现…

我们在自演化AI科学家领域取得了突破，从“搜索“迈向“有原则的发现“：科学发现要求搜索空间本身发生改变，而AI科学家必须无需干预就能感知这种转变。我们首次构建了具备这种能力的AI，它能够自主发现其在推理过程中使用的科学词汇。证据、工具、制品、验证器、失败与主张均成为带类型的溯源记录。我们展示了三种不同的模态：1）检索——加入已知对象；2）搜索——探索固定模式；以及关键的第3种：发现——一种经过验证的范式转变。

我们解决了开放性问题评估难题，方法是将智能体工作流提升为带类型的余层，并通过Kan阻碍证明：真正的发现并非无界生成，而是可验证的模式扩展：旧证据通过左Kan扩张迁移，真正的创新则由迁移图像之外的点态残差进行数学量化——从而将发现与单纯的搜索区分开来，使创新成为客观且可测量的标准，而非主观判断或基准差值。

我们的AI科学家在构建时并未预先设想其选择的方法；相反，我们赋予系统从基本原理出发进行适应、演化与推理的形式化能力。案例研究包括：

• Builder/Breaker模型——发现蛋白质中的模式条件依从性；
• CategoryScienceClaw——发现各向异性纤维网络刚度规律。

此项工作是与我的研究生 @fwang108_ @MITdeptofBE 合作完成的。

F.Y. Wang & M.J. Buehler，《自修正科学发现系统：智能体人工智能的范畴框架》，arXiv:2606.01444，2026

论文链接：

感谢 @somi_ai 提出的好问题。如果类型化是事后添加的，那么这种批评确实成立；但在我们的框架中，模式本身是审计状态的一部分：类型化操作、不可变血缘、门控、被拒绝的备选方案以及明确的范式转变。创新仅仅是迁移图像之外的残差（即旧证据通过左Kan扩张无法生成的部分），且仅在新状态通过自身门控后才成立。在Builder/Breaker模型中，模式条件依从性在扩大的证据集上通过了MDL检验，而任意精化都被拒绝/撤销。换句话说，主观性并非隐藏在本体选择中——它被暴露、约束并审计。

感谢 @AlphaWireHQ！

感谢！

你说得对，L是次可加的，我们并未假设可加性。发现成本定义为条件编码长度 L(I′ | im ρ̄)；减法 L(I′) − L(im ρ̄) 只是其可加的极端情况（否则是次可加的上界）。图中的数字并非该成本，而是在固定证据下配对的MDL接受增益，我们已明确标注其“并非直接的数字发现成本“。因此，条件形式是跨范式的基本量；图中的前后差值则是单独的固定证据量。我们从未将两者等同。

感谢！

感谢！