迈向社会化人工智能科学发现的新范式

# 迈向社会化人工智能驱动的科学发现新范式 来源：https://arxiv.org/html/2608.02775 ![[无标题图片]](https://arxiv.org/html/2608.02775v1/logo/logo_baize_5.png)![[无标题图片]](https://arxiv.org/html/2608.02775v1/logo/logo_kunming.png)![[无标题图片]](https://arxiv.org/html/2608.02775v1/logo/logo_YNKL.png)![[无标题图片]](https://arxiv.org/html/2608.02775v1/logo/logo_southeast.png)![[无标题图片]](https://arxiv.org/html/2608.02775v1/logo/logo_Tianjin.png)![[无标题图片]](https://arxiv.org/html/2608.02775v1/logo/logo_Beijing.png)![[无标题图片]](https://arxiv.org/html/2608.02775v1/logo/logo_AutoDL_blue.png)![[无标题图片]](https://arxiv.org/html/2608.02775v1/logo/logo_GPUHub.png) Xinjie Yao1, 2, 3, \*, Xingxin Xu5, \*, Xiyuan Gao5, \*, Zhoupeng Guo4, \*, Kunlong Yang6, Dengyu Zhao5, Siqi Zhao5, Zhihe Fan5, Yichen Dong5, Xin Li4, Jiekang Feng5, Jiahe Wu5, Sen Wang4, Beiming Yu5, Kejia Zhao4, Ruipu Zhao5, Jiaqi Zhou5, Heyang Li5, Jianjun Chen5, Anbo Dai7, Xin Liu1, 7, 8,†\\dagger, Zhengtao Yu2, 3,†\\dagger, Qinghua Hu5,†\\dagger, Pengfei Zhu4, 5,†\\dagger 1Baize Research 2昆明理工大学信息工程与自动化学院 3昆明理工大学云南省人工智能重点实验室 4东南大学自动化学院 5天津大学人工智能学院 6北京理工大学计算机科学与技术学院 7SeetaCloud Technology 8GPUhub Pte\. Ltd\. \* 同等贡献 †\\dagger通讯作者 https://www.oplclaw.com/ ###### 摘要 科学发现经历了知识组织方式的多次变革而不断前进。观察和实验奠定了科学的经验基础；理论使得从特定现象中推导出一般原理成为可能；计算将探究扩展到无法直接观察的系统；数据密集型方法则开启了模式与预测的新空间。如今，科学正面临一个不同的前沿。核心挑战不再仅仅是产生更多信息，而是将不断扩展的知识、推理和证据组织成一个连贯的发现过程。在此，我们提出“连接文献、智能体与零间隙实验”（Bridging Literature, Agents, and Zero-gap Experimentation, BLAZE）——一种社会化科学智能范式。BLAZE将人工智能视为不仅仅是孤立研究任务的助手，而是科学发现的组织基础设施。它在持续的研究生命周期中连接持久知识、集体推理、实证验证和人类判断，将碎片化活动转变为累积性的探究、批评与修正过程。BLAZE的核心前提是：科学智能并非仅从计算中产生，而是在知识、假设、实验和集体验证之间的持续交互中涌现。通过将人类和机器组织在共同的科学过程中，BLAZE使发现更加可追溯、可复现和可累积，同时保留人类的创造力、判断力和责任感。社会化科学智能可能为下一个时代的科学提供基础。其目的不是取代人类的发现，而是扩展集体科学探究的规模、深度和连续性。 *关*键词AI for Research⋅\\cdot社会化科学智能⋅\\cdot多智能体科学推理⋅\\cdot基于证据的发现⋅\\cdot人类-AI治理 ## 1 引言 ### 1.1人工智能时代的科学发现 科学史不仅是由日益强大的工具的出现所塑造，更是由知识记录、组织、验证和共享方式的反复变革所塑造[44 (https://arxiv.org/html/2608.02775#bib.bib2)]。系统化的观察和持久的经验记录为科学探究奠定了坚实基础，而理论建模引入了将多样现象抽象为数学原理、并将解释扩展到直接观察之外的手段[29 (https://arxiv.org/html/2608.02775#bib.bib3)]。实验实践通过受控干预、测量和可复现性进一步加强了这一不断演进的知识体系，使科学主张能够被独立检验和集体审视[69 (https://arxiv.org/html/2608.02775#bib.bib4)]。观察、建模和实验持续共存、相互作用并相互强化，成为科学推理的互补机制[22 (https://arxiv.org/html/2608.02775#bib.bib117)]。从这个视角看，科学革命不仅源于新工具，还源于知识记录、验证和协作生产方式中的根本性变化。随着科学问题的规模和复杂性不断增长，计算扩展了可探索的系统和假设范围。数值模拟使得研究难以通过直接实验触及的现象成为可能[3 (https://arxiv.org/html/2608.02775#bib.bib6)]，而大规模数据和机器学习则使发现那些难以用现有理论表达的规律成为可能[34 (https://arxiv.org/html/2608.02775#bib.bib7)]。因此，计算已从评估人类设计的假设，演变为支持在日益增大的科学空间中进行表示学习、模式发现和搜索[45 (https://arxiv.org/html/2608.02775#bib.bib8)]。然而，更大的搜索空间本身并不能决定哪些问题值得追求、如何组织和验证证据，以及知识如何在研究的不同阶段保持连贯一致。如图1 (https://arxiv.org/html/2608.02775#S1.F1)所示，科学发现已从观察、实验和理论抽象逐步扩展到计算模拟和数据驱动探究。基础模型和智能体系统的最新进展正在催生一个新兴的“AI for Research（AI4R）”组织层。这一层关注知识、假设、实验、证据、批评和权威如何跨越时间被连接和维持。AI系统越来越能够参与文献综合、假设生成、实验规划、代码执行、结果解释和学术交流[30 (https://arxiv.org/html/2608.02775#bib.bib9),53 (https://arxiv.org/html/2608.02775#bib.bib10)]，而端到端研究自动化的进展表明这些活动可以被集成到计算工作流中[50 (https://arxiv.org/html/2608.02775#bib.bib11),46 (https://arxiv.org/html/2608.02775#bib.bib12)]。然而，核心问题不再是AI能否执行单个研究步骤，而是人类和机器的贡献能否被组织成一个持续、可追溯、可问责的科学过程。我们将这种组织所涌现的能力称为*社会化科学智能*：当人类判断、机器推理、实验证据和机构记忆在持续且受治理的科学过程中被协调时，所产生的集体能力。实现这种能力不仅需要连接孤立的工具，还需要持久科学记忆、结构化协调、基于证据的验证和明确的人类责任[47 (https://arxiv.org/html/2608.02775#bib.bib13),51 (https://arxiv.org/html/2608.02775#bib.bib14)]。 参考图注图1：科学发现的组织形式演变。科学探究已从观察和实验逐步扩展到理论抽象、计算模拟和数据驱动发现。在既有模式的基础上而非取代它们，AI4R正在引入一个新兴组织层，通过该层可以在科学生命周期中协调知识、假设和验证。 ### 1.2瓶颈与自动化研究的兴起 现代科学日益受到约束，不仅来自工具、数据或专业知识的可用性，还来自组织快速扩张的科学活动的困难。出版物数量的加速增长给个体研究者带来了越来越大的认知负担，使其难以保持对相关知识的全面和最新理解[10 (https://arxiv.org/html/2608.02775#bib.bib15)]。与此同时，自动化方法正在提高假设、分析和科学主张的产生速度，往往快于它们被独立检查和验证的速度。由于文献综述、构思、实验、写作和修订仍然分布在相互脱节的工具和记录中，这些日益增长的产出难以被保留为连贯、可追溯、可验证的科学知识。自动化研究系统正是为应对这些压力而出现的。近年来的方法开始将文献分析、思想生成、代码执行、实验评估、手稿准备和同行评审集成到统一流程中[84 (https://arxiv.org/html/2608.02775#bib.bib24),48 (https://arxiv.org/html/2608.02775#bib.bib25),72 (https://arxiv.org/html/2608.02775#bib.bib26)]。这些系统表明，研究流程的很大一部分可以被自动化。然而，将研究任务连接成流水线本身并不能解决科学发现的组织挑战。现有系统仍然表现出四个基本局限：（1）*临时性科学记忆*——知识和中间结果无法在研究周期中被持续保留；（2）*假设-证据-主张链条断裂*——假设、实验、证据和结论之间的联系薄弱；（3）*未分化或问责性弱的智能体交互*——角色专业化、持续批评和归责有限；（4）*人类权威边界不清*——尤其是在验证、修订和发表等重大决策方面。AI4R的下一阶段不仅取决于更广的任务覆盖或更大的自主性，而是取决于将研究组织为一种连接且可检查的过程[36 (https://arxiv.org/html/2608.02775#bib.bib17)]。科学知识、假设、实验、证据和评价必须保持链接，并可在后续研究周期中复用[43 (https://arxiv.org/html/2608.02775#bib.bib18),76 (https://arxiv.org/html/2608.02775#bib.bib19)]。我们将这一挑战表述为四个研究问题： - •Q1：连续性。AI4R系统如何跨连续研究周期保留不断演化的科学知识，包括先前的假设、实验历史、失败尝试和决策依据？ - •Q2：可追溯性。假设、研究计划、实验、证据和主张如何被链接为可复现、可检查的科学过程，而不是保留为脱节的输出？ - •Q3：生产性分歧。角色分化的智能体如何进行结构化批评、基于证据的协商和修订，而非仅仅交换信息或强化共同偏见？ - •Q4：问责性。AI系统如何在提供可扩展研究帮助的同时，保持人类对科学目标、伦理考量、实验风险和最终结论的明确权威？ ### 1.3BLAZE：面向科学发现的社会化基础设施 参考图注图2：从碎片化研究工作流到社会化AI4R基础设施。现有工作流要么碎片化，要么线性自动化，限制了科学研究的连续性、问责性和累积发展。BLAZE在循环式研究生命周期中连接持久知识、社会化推理、基于证据的实验、手稿构建和人机评审。我们提出“连接文献、智能体与零间隙实验”（BLAZE），一种社会化AI4R基础设施，旨在将科学发现组织为持续、基于证据且由人类治理的过程，如图2 (https://arxiv.org/html/2608.02775#S1.F2)所示。BLAZE始于人类指定的研究问题，以及其科学范围、先前文献、项目材料、资源约束和治理要求。这些输入实例化一个持久的研究对象，贯穿整个项目连接假设、研究计划、实验图、证据、主张、评审和人类决策。BLAZE不是将文献分析、假设生成、实验、手稿构建和评审作为独立任务处理，而是通过知识构建、审议、执行和验证之间的受保护转换来推进这一对象。每次转换都必须保留出处、更新证据状态，并满足相应的质量或人工审批门；未解决的异议和证据不足会将项目返回到更早阶段进行修订或补充实验。因此，最终输出不仅限于手稿，还包括可审计的文献记录、假设和决策历史、可执行计划、代码和配置、实验日志和结果、主张-证据链接、评审和修订记录，以及可跨连续研究周期复用的审批轨迹。在架构上，BLAZE建立在四个相互连接的层之上，反映了科学发现的基本动态。知识与记忆层通过跨时间保留科学背景来实现累积智能。智能体社会层通过结构化交互再现科学角色的多样性，使思想得以涌现、竞争和演化。工具与执行层通过可复现实验闭合假设与证据之间的循环。评价与治理层确保科学结论始终以证据为基础，并由人类责任引导。这些层共同建立了一个新范式：AI不仅作为研究助手，而是作为一个持久的科学组织。这一架构的核心是一个可追溯的*研究对象*模型，它捕捉科学探究从假设和研究计划到实验、证据、主张和手稿修订的演化过程，以及连接它们的依赖关系。该模型不仅记录最终结果，还保留了发现的智力轨迹，包括假设、反对意见、替代解释、失败尝试、支持或矛盾的证据，以及人类决策。实验过程不仅产生结果，还产生配置、日志和中间产物，这些都与它们所检验的假设和所支撑的主张明确关联。人类和AI评审者提出的关切被转化为结构化的修订或补充实验任务[8 (https://arxiv.org/html/2608.02775#bib.bib20),33 (https://arxiv.org/html/2608.02775#bib.bib21)]，使得未解决的问题和证据缺口能够作为研究状态的一部分持续存在。在这种视角下，手稿不是科学发现的终点，而是不断演化的证据图景的可解释投影。本文的经验性主张有意保持有限。我们报告了三项已完成的分析：一个开放式的AutoPaper案例，涵盖基线复现、候选筛选、正面和负面结果、内部评审和手稿生成；一个固定叶