个性化自动研究：迈向真正的AI科研伙伴

# 走向真正的AI合作科学家
来源：https://arxiv.org/html/2608.14881
## 个性化自动研究：迈向真正的AI合作科学家会议：ACM AI 领导力峰会；2026年；ACM AI 领导力峰会 2026分类：计算方法 人工智能分类：计算方法 机器学习分类：信息系统 数据挖掘

Bo Ni, Franck Dernoncourtemail:[dernonco@adobe\.com](mailto:[email protected])所属机构:Adobe Research, San Jose, California, USA, Hongjie Chenemail:[hojiechen@gmail\.com](mailto:[email protected])所属机构:Dolby Laboratories, San Francisco, California, USA, Yu Wangemail:[yu\.wang6@uga\.edu](mailto:[email protected])所属机构:University of Georgia, Athens, Georgia, USA, Nesreen K\. Ahmedemail:[n\.kamel@gmail\.com](mailto:[email protected])所属机构:Cisco AI Research, San Jose, California, USA, Zhengzhong Tuemail:[tzz@tamu\.edu](mailto:[email protected])所属机构:Texas A&M University, College Station, Texas, USA, Tyler Derremail:[tyler\.derr@vanderbilt\.edu](mailto:[email protected])所属机构:Vanderbilt University, Nashville, Tennessee, USA以及Ryan A\. Rossiemail:[ryarossi@gmail\.com](mailto:[email protected])所属机构:Adobe Research, San Jose, California, USA

2026© , 2026;

###### 摘要\.

能够生成假设、检索相关工作、设计实验、执行代码并撰写完整论文的AI合作科学家，正开始改变研究进行的方式。尽管取得了快速进展，最先进的系统仍然是*研究者无关*的：给定一个研究目标，它们会优化新颖性、有效性或审稿人评分，而忽略使用输出结果的个体科学家。这忽略了研究的一个基本事实，即什么算作新颖、有价值或可行取决于研究者，包括他们的先前工作、方法论储备，以及他们所处的合作者与社群。在这项工作中，我们引入了*个性化自动研究*的问题，该问题将研究过程的每个阶段都置于对个体研究者的表征之上。我们认为，个性化不仅仅是一个便利层，而是一个根本属性，它使AI系统能够作为真正的合作科学家，而非通用工具。为解决此问题，我们提出了一个通用且灵活的框架，该框架将基于图的科研人员上下文贯穿于检索、假设搜索、实验、写作和评审等环节。该框架包含三个基本组件：(i) 基于图的科研人员表征，(ii) 贯穿整个研究流程的个性化，以及(iii) 基于个体的评估。值得注意的是，我们指出了一种“一刀切”的失败模式，即不同研究者提出相同目标会得到本质相同的研究结果，从而抹杀了催生新想法的隐性知识。最后，我们讨论了基本的开放问题与挑战\。

###### 关键词:

自动研究, AI合作科学家, 个性化

goalgg研究者无关的co‑scientistfi\(g,o<i\)f\_\{i\}\(g,o\_\{<i\}\)Q\\mathcal\{Q\}对*每个*用户uu相同\(a\)研究者无关u1u\_\{1}fi\(g,o<i∣cu1\)f\_\{i\}\(g,o\_\{<i\}\\mid c\_\{u\_\{1\}\}\)Qu1\\mathcal\{Q\}\_\{u\_\{1\}\}zu1→cu1\\mathbf\{z\}\_\{u\_\{1\}\}\\\!\\rightarrow\\\!c\_\{u\_\{1\}\}\(b\)个性化u2u\_\{2}fi\(g,o<i∣cu2\)f\_\{i\}\(g,o\_\{<i\}\\mid c\_\{u\_\{2\}\}\)Qu2\\mathcal\{Q\}\_\{u\_\{2\}\}zu2→cu2\\mathbf\{z\}\_\{u\_\{2\}\}\\\!\\rightarrow\\\!c\_\{u\_\{2\}\}相同目标gg≠\\neq对*每个*用户uu不同图1\.\(a\) 研究者无关的co‑scientist将相同的目标gg映射到对所有研究者都相同的研究包Q\\mathcal\{Q\}。\(b\) 个性化自动研究将每个阶段都置于从图导出的上下文cu\(c\_\{u\}之上。例如，研究者u1\(u\_\{1}位于密集的网络簇中，而u2\(u\_\{2}则桥接了一个结构洞。因此，相同的目标自然产生不同的证据、搜索轨迹和输出包（Qu1≠Qu2\\mathcal\{Q\}\_\{u\_\{1\}\}\\neq\\mathcal\{Q\}\_\{u\_\{2\}\}）。每个包都针对个体研究者的领域进行了可行性、一致性和新颖性的优化。

## 1\.引言

科学出版物几十年来呈指数级增长（27 (https://arxiv.org/html/2608.14881#bib.bib13)），没有哪个研究者能完全掌握其所在领域的文献，更不用说整合相邻学科的见解。这个根本问题激发了近年来关于AI合作科学家和自动研究系统的工作，即那些能够生成假设、检索与综合相关工作、设计与执行实验以及撰写稿件的语言模型智能体（12 (https://arxiv.org/html/2608.14881#bib.bib3);4 (https://arxiv.org/html/2608.14881#bib.bib1);33 (https://arxiv.org/html/2608.14881#bib.bib16);23 (https://arxiv.org/html/2608.14881#bib.bib4);25 (https://arxiv.org/html/2608.14881#bib.bib19)）。自2024年AI科学家原型以来，该领域迅速发展，涉及渐进式智能体树搜索、实验管理器控制、共享预印本式存档、跨次运行记忆、人在回路中的合作研究，以及显式的溯源与安全机制（22 (https://arxiv.org/html/2608.14881#bib.bib20);36 (https://arxiv.org/html/2608.14881#bib.bib21);26 (https://arxiv.org/html/2608.14881#bib.bib22);11 (https://arxiv.org/html/2608.14881#bib.bib23);28 (https://arxiv.org/html/2608.14881#bib.bib24);6 (https://arxiv.org/html/2608.14881#bib.bib25)）。

尽管它们很重要且进展迅速，但这些系统共享一个根本性的结构局限：它们是*研究者无关*的。给定相同的目标，无论请求者是博士一年级学生还是资深教授，是图挖掘研究者还是计算生物学家，它们都会产生相同的输出分布（图1 (https://arxiv.org/html/2608.14881#S0.F1)）。输出可能称职，但也是可互换的，而这种可互换性与科学发现通常的方式相矛盾。直觉上，新的方向通常源于科学家独特的失败经历组合、方法论品味以及艰难获得的实验直觉，而一个同质化的系统恰恰抹杀了研究得以创造的异质性。风险涉及每个层面：(i) *认识层面*，因为大多数科学能力是隐性的，不存于文献中，因此任何以文献为条件的系统都无法触及；(ii) *系统层面*，因为许多研究者查询同一个通用引擎会导致该领域趋向科学单一文化，竞相追逐相同的想法，而反事实上有价值的方向却未被探索；以及(iii) *实践层面*，因为研究者只能验证，并且只会采用与其专长和资源相匹配的方向。

在这项工作中，我们引入*个性化自动研究*，即将研究过程的每个阶段都置于对个体研究者的表征之上这一问题。值得注意的是，这个问题与现有的AI合作科学家系统以及先前关于个性化语言模型的研究（21 (https://arxiv.org/html/2608.14881#bib.bib12);18 (https://arxiv.org/html/2608.14881#bib.bib10)）有着根本的不同：现有的合作科学家自动化研究但很大程度上忽略研究者，而现有的个性化工作建模用户特定输出，而非构成研究的科学决策序列。在个性化自动研究中，被个性化的对象是端到端的研究轨迹，而不仅仅是一个响应。

贡献概述。本工作的主要贡献如下：(1) 我们形式化了个性化自动研究的问题（§3 (https://arxiv.org/html/2608.14881#S3)）。\(2) 我们为此问题提出了一个通用且灵活的框架（算法1 (https://arxiv.org/html/2608.14881#alg1)），个性化每个步骤，如检索、假设搜索、实验、写作、引用和评审等（§4 (https://arxiv.org/html/2608.14881#S4)）。\(3) 我们围绕三个基本组件阐述了个性化自动研究的愿景：科研人员表征、贯穿整个研究流程的个性化，以及基于个体的评估（§5 (https://arxiv.org/html/2608.14881#S5)）。\(4) 最后，我们讨论了开放问题和挑战。（§6 (https://arxiv.org/html/2608.14881#S6)）。

## 2\.背景

AI合作科学家与自动研究。长期推理和工具使用（29 (https://arxiv.org/html/2608.14881#bib.bib7);35 (https://arxiv.org/html/2608.14881#bib.bib8)）使得能够端到端执行研究的智能体成为可能。AI科学家建立了提出、实施、撰写和评审实验的自主循环（12 (https://arxiv.org/html/2608.14881#bib.bib3);13 (https://arxiv.org/html/2608.14881#bib.bib17)），而AI科学家-v2用渐进式智能体树搜索、实验管理器、并行执行以及视觉语言图表反馈取代了其依赖模板的循环（33 (https://arxiv.org/html/2608.14881#bib.bib16)）。越来越多的系统将这一范围扩展到多智能体假设生成、分阶段人类反馈工作流、自动化数据科学和长期发现（4 (https://arxiv.org/html/2608.14881#bib.bib1);5 (https://arxiv.org/html/2608.14881#bib.bib18);23 (https://arxiv.org/html/2608.14881#bib.bib4);25 (https://arxiv.org/html/2608.14881#bib.bib19);34 (https://arxiv.org/html/2608.14881#bib.bib5);31 (https://arxiv.org/html/2608.14881#bib.bib26);17 (https://arxiv.org/html/2608.14881#bib.bib27);19 (https://arxiv.org/html/2608.14881#bib.bib28)）。另一条并行路线构建了周边基础设施，即共享存档、跨次运行记忆以及对代码状态的种群级搜索（22 (https://arxiv.org/html/2608.14881#bib.bib20);36 (https://arxiv.org/html/2608.14881#bib.bib21);28 (https://arxiv.org/html/2608.14881#bib.bib24);11 (https://arxiv.org/html/2608.14881#bib.bib23);6 (https://arxiv.org/html/2608.14881#bib.bib25);26 (https://arxiv.org/html/2608.14881#bib.bib22)），第三条路线则研究通过发现基准、稿件验证、安全性、实施与评估瓶颈批判来进行的评估与风险（2 (https://arxiv.org/html/2608.14881#bib.bib29);14 (https://arxiv.org/html/2608.14881#bib.bib30);24 (https://arxiv.org/html/2608.14881#bib.bib31);39 (https://arxiv.org/html/2608.14881#bib.bib32);40 (https://arxiv.org/html/2608.14881#bib.bib33);15 (https://arxiv.org/html/2608.14881#bib.bib34)）；最近的综述按研究阶段和自主级别对该领域进行了梳理（16 (https://arxiv.org/html/2608.14881#bib.bib35);3 (https://arxiv.org/html/2608.14881#bib.bib36);37 (https://arxiv.org/html/2608.14881#bib.bib37);20 (https://arxiv.org/html/2608.14881#bib.bib38);30 (https://arxiv.org/html/2608.14881#bib.bib39);38 (https://arxiv.org/html/2608.14881#bib.bib40)）。

因此，自动研究不再是推测性的，它涵盖了智能体搜索、自动化实施、完整论文生成以及安全控制，AlphaFold等领域的系统展示了AI如何在高风险科学中辅助专家判断（7 (https://arxiv.org/html/2608.14881#bib.bib6)）。然而，主导目标是任务导向、基准导向或领域导向的：质量是针对目标、文献、证据或审稿人模型进行优化，而非针对将采用输出的个体研究者。即使是科学家在回路中的系统（4 (https://arxiv.org/html/2608.14881#bib.bib1);23 (https://arxiv.org/html/2608.14881#bib.bib4)）也仅以手动、会话级的指导为条件，因此交互不等于个性化，个性化需要一种学习的、持久的表征，反映科学家无法在提示中表达的内容。因此，自动研究和合作科学家并非同义词：前者指一种能力（研究的自动化），而后者指与特定研究者的关系。表1（https://arxiv.org/html/2608.14881#S2.T1）明确了这一点：个性化与该领域已取得进展的自主轴正交，而右下角象限——其中交互更新了个性化本身——正是我们所提出的真正的AI合作科学家，也是本工作所要填补的空白。

表1\. 个性化与自主正交。现有系统沿自主轴前进，同时保持研究者无关性，而我们的个性化自动研究愿景（算法1 (https://arxiv.org/html/2608.14881#alg1)）以及我们真正的个性化AI合作科学家（算法1 (https://arxiv.org/html/2608.14881#alg1) 结合人在回路）。\n个性化\。推荐系统从交互中学习潜在的用户表征（8 (https://arxiv.org/html/2608.14881#bib.bib9)），而偏好对齐（18 (https://arxiv.org/html/2608.14881#bib.bib10)）、检索增强生成（10 (https://arxiv.org/html/2608.14881#bib.bib11)）以及LongLaMP基准（9 (https://arxiv.org/html/2608.14881#bib.bib2)）证实了用户条件语言建模是可行且有益的。然而，个性化一个推荐或单个输出远比个性化科学狭窄得多。在个性化自动研究中，对象是一系列决策：检索什么、假设什么、运行哪些实验、如何构建写作框架、如何修改生成的作品等。

## 3\.问题形式化

更形式化地，令U\\mathcal\{U\}表示研究者的总体，令G=\(V,EG,τV,τE\)\\mathcal\{G\}=\(\\mathcal\{V\},\\mathcal\{E\}\_\{\\mathcal\{G\}\},\\tau\_\{V},\\tau\_\{E\}\)表示研究景观上的异构图，其中V\\mathcal\{V\}包含研究者、论文、会议、机构、方法、数据集和主题节点；EG\\mathcal\{E\}\_\{\\mathcal\{G\}\}包含共同作者、引用、发表、从属、使用和主题分配边；并且τV,τE\\tau\_\{V},\\tau\_\{E\}指定节点和边类型（EG\\mathcal\{E\}\_\{\\mathcal\{G\}\}不同于下文使用的文献索引I\\mathcal\{I\}）。对于研究者u∈Uu\\in\\mathcal\{U\}，令Su\\mathcal\{S\}\_\{u\}表示观测到的信号（论文、引用、代码、审稿历史、会议偏好、显式约束），令zu∈Rd\\mathbf\{z\}\_\{u\\}∈\\mathbb\{R\}\^\{d\}为u的图导出表示，并令cu\(c\_\{u\}为提供给自动研究系统的操作上下文：

\(1\)zu=EncG\(u,G\),cu=Φ⁡\(Su,zu\)\.\n\\mathbf\{z\}\_\{u\}=\\mathrm\{Enc\}\_\{\\mathcal\{G\}\}\(u;\\mathcal\{G\}\),\\qquad c\_\{u\}=\\Phi\(\\mathcal\{S\}\_\{u},\\mathbf\{z\}\_\{u\}\)\.
###### 定义 3\.1 \(个性化自动研究\)\.

令gg为一个研究目标，P=\(p1,...,pK\)\\mathcal\{P\}=\(p\_\{1\},\\ldots,p\_\{K\}\)为研究过程的阶段（文献检索、假设生成、实验设计、代码执行、写作、引用、润色、评审）。而研究者无关的co‑scientist将每个阶段仅参数化为目标：oi=fi\(g,o<i\)o\_\{i\}=f\_\{i\}\(g,o\_\{<i\}\)，个性化自动研究则学习以研究者为条件的阶段模型，

\(2\)oi=fi\(g,o<i∣cu\),o\_\{i\}=f\_\{i\}\(g,o\_\{<i\}\\mid c\_\{u\}\)，其中o<io\_\{<i}表示早期阶段的输出。

要求有三点：输出应为 (i) *可行*，尊重研究者的能力、资源和约束；(ii) *一致*，与研究者的科学身份、社群和风格兼容；以及 (iii) *新颖*，对该领域是新的，且区别于研究者先前的工作。可行性和一致性是个性化属性，而新颖性部分属于领域层面，部分属于用户相对层面。这种区分至关重要，因为没有它，个性化就会退化为预测更多同类内容的推荐器。

## 4\.个性化自动研究

算法1 (https://arxiv.org/html/