标签
本文介绍了AIMC，一个用于人类监督自主科学发现的可视化分析框架，支持对AI生成的研究成果进行监控和理解。
这期播客节目探讨了人工智能科学家的概念，它们将大语言模型与自动化实验室结合起来，设计并进行实验。来自 ARIA 的 Ant Rowstron 讨论了该领域中新兴的架构和持续的研究。
Jeff Dean，前Google首席科学家，泪谈离开Google 27年后创办独立初创公司的决定，表达对Google时光的深厚感情。
这篇文章推荐关注AI Scientist，并讨论研究代理如何通过类比模糊测试来学习失败，从而绘制未知地图并指导后续实验。
OmniScientist 是一个端到端的全模态人工智能科学家，它利用自主代理和全生命周期感知，直接基于异构原始证据开展多学科研究。在36个真实数据案例上的评估显示，它提升了跨多种科学模态的基于证据的发现能力。
这篇arXiv论文提出了一个AI科学家循环，用于研究四足机器人导航中的泛化，添加了实验卡片、专门化子代理以及一个名为kkanbu的偏好预言机，以防止漂移并保持自主研究的可证伪性。
本文提出了一种使用自动化多模型LLM评审的基准测试协议来评估AI科学家系统，比较了Sakana AI、CycleResearcher和Data-to-Paper等框架，并发现FARS基准论文显著优于其他系统。
Sakana AI 发布了 AI Scientist-v2，一个端到端的自动化科研系统，能够从生成研究假设到撰写论文自动完成，并已通过同行评审被 ICLR2025 Workshop 接收。
本文介绍了Xcientist，这是一个研究工作台，它将AI驱动的科学研究综合与验证外化为可检查、受合同约束的过程，以确保可问责性和可追溯性。
MIT的研究人员发表了一篇关于自进化人工智能科学家的论文，这些科学家能够发现并调整自己的科学词汇，利用范畴论框架数学量化真正的创新，并将发现与单纯的搜索或检索区分开来。
哈佛大学的 AutoScientists 提出一种去中心化的多智能体团队方案，让多个 Agent 共享实验状态、自动组队并评审研究方案，在多个基准上显著优于现有方法。
来自Meta、斯坦福和谷歌的一篇新论文提出了AutoResearchClaw，该方法通过整合故障恢复、辩论和选择性人工输入来改进自动化研究。它在ARC-Bench上以54.7%的优势超越了AI Scientist v2，并揭示了当受到过程约束而非无限自由时，自主性会得到增强。
一项研究评估了前沿模型预测科学进展的能力，涵盖4760个事件，发现它们可以识别可能的方向，但无法可靠预测结果或时间线，且存在系统性过度自信。
A comprehensive open-source collection of 138 scientific agent skills that transform AI coding assistants like Claude Code and Codex into AI scientists, covering biology, chemistry, medicine, and more, with integration of over 100 scientific databases and specialized Python packages.
本文介绍了AI CFD Scientist，一个用于计算流体动力学的开源AI代理，它利用视觉语言验证和代码修改自主发现物理修正，在CFD任务上优于通用AI科学家。
EvoScientist 是一个用于端到端科学发现的自适应多智能体框架，通过持久化记忆模块持续改进，由三个专业智能体组成，分别负责创意生成、实验执行和知识提炼。它在科学创意生成方面超越了7个当前最先进的系统，并通过多智能体进化提升了代码执行成功率。