论文页面 - AutoResearch AI: 迈向基于AI的科研自动化，助力科学发现

来源: https://huggingface.co/papers/2605.23204
发布于 5月22日

·

由 https://huggingface.co/tgy2024 提交

2024 (https://huggingface.co/tgy2024) 于 5月26日

#3 每日论文 (https://huggingface.co/papers/date/2026-05-26)

作者:

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

AI系统正从面向特定任务的助手演进为工作流级别的科研自动化工具，在自主性、可复现性和可问责性等方面面临跨学科挑战。

科学研究正被AI系统重塑，这些系统超越了孤立的辅助工具，转向涵盖文献基础构建、假设生成、实验验证、报告撰写和修订等环节的更长期工作流。这一转变标志着从面向科学的任务级AI到工作流级科研自动化的演进。然而，当前系统仍然碎片化，在自主性、领域范围、执行环境、验证机制和人工监督方面存在差异，同时在证据保存、可复现性、弱方向拒绝、溯源追踪、跨领域鲁棒性和可问责的科学闭环等方面仍面临困难。本综述通过 AutoResearch（定义为AI驱动的科学工作流自动化的发展谱系）来审视这些进展。其中，Vibe Research 指代由人类引导的提示式辅助与人工验证执行区域，而新兴的AI主导系统则协调发现循环中更大比例的工作，但尚未实现稳健的自主性。我们分析了研究系统如何在工作流中重新分配控制、证据、执行、验证和问责，并围绕五个工作流条件组织该领域：文献与研究基础构建；假设形成与规划；实验与工具使用；反馈、验证与评审；报告与知识传播。我们进一步综合了AI科学家系统、混合主动协同研究框架、基准测试、领域部署和开源基础设施。最后，我们提出了五个评估维度——新颖性、有效性、影响力、可靠性和溯源——并表明 AutoResearch 的自主性受领域条件制约，在结构性强、可执行且可快速验证的场景中更可信，但在具身化、延迟反馈、异质性、伦理或机构问责性强的环境中则受限。

查看 arXiv 页面 (https://arxiv.org/abs/2605.23204)
查看 PDF (https://arxiv.org/pdf/2605.23204)
项目页面 (https://mr-tieguigui.github.io/Autoresearch/)
GitHub 0 (https://github.com/Mr-Tieguigui/Autoresearch)
添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.23204)

在你的 agent 中获取该论文：

hf papers read 2605\.23204

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用该论文的模型 0

没有模型链接此论文

请在模型 README.md 中引用 arxiv.org/abs/2605.23204 以链接到此页面。

引用该论文的数据集 0

没有数据集链接此论文

请在数据集 README.md 中引用 arxiv.org/abs/2605.23204 以链接到此页面。

引用该论文的 Spaces 0

没有 Space 链接此论文

请在 Space README.md 中引用 arxiv.org/abs/2605.23204 以链接到此页面。

包含该论文的收藏 1