2026年，AI自主科研系统迎来了集中爆发——Google Co-Scientist在Nature发表多智能体假说生成系统并完成湿实验验证，ERA在基因组学任务中超越所有人类开发的SOTA，DeepMind Aletheia对700个数学猜想发起冲锋。这份报告系统介绍了当前最具代表性的AI Scientist系统：Sakana AI的首个端到端自动科研系统、Co-Scientier的七智能体协作架构、ERA的树搜索式科学软件自动开发，以及Aletheia在数学推理中的成就与局限。AI正在从“科研工具”向“科研合作者”快速演进。
Co-Scientist——多智能体假说生成系统
七智能体协作架构
2026年5月，Google Research、Google DeepMind联合Insilico Medicine和Stanford在Nature发表Co-Scientist系统。科学进步的内核在于提出假设，而现有LLM存在两个核心痛点：幻觉与缺乏严谨性（容易生成看似科学实则无法实现的方案）；缺乏计算扩展性（简单地增加模型参数不等于深度思考）。
Co-Scientist通过结构化思维引擎解决这些问题。核心架构包含Generation Agent（跨学科搜索生成假设）、Reflection Agent（同行评审式批判）、Evolution Agent（基于辩论反馈迭代优化）、Proximity Check Agent（假设聚类去重）、Meta-review Agent（综合评估优化）、Ranking Agent（Elo锦标赛式优胜劣汰）。
湿实验验证——从硅片到培养皿
Co-Scientist在急性髓系白血病（AML）研究中取得了突破性成果。系统发现了治疗AML的新药物重定位候选，发现了新的协同组合疗法方案，并通过体外实验验证了AI提出的假说。
在多药联合治疗上，寻找2-3种药物的协同效应是一个指数级增长的搜索空间，而Co-Scientist成功预测了JNJ-64619178与Selinexor等组合的强协同作用，这通过传统的人工筛选几乎是不可能的。
关键启示：Inductive Bias（归纳偏置）——将“科学辩论”逻辑嵌入智能体交互比单纯提升模型参数更高效；人机协作——系统允许科学家在关键节点修改“研究计划配置”，实现真正的“人在回路”指导。
ERA——树搜索驱动的科学软件自动开发
代码变异+树搜索+思想重组
ERA（Evolutionary Research Assistant）将科研探索建模为树搜索问题。核心思想包括三个层面：代码变异——利用LLM作为“变异引擎”，在语义层面理解代码逻辑，根据外部输入的“研究建议”直接重写算法逻辑；树搜索——采用类似AlphaZero的策略，利用PUCT公式平衡“开发”与“探索”；思想重组——分析多个成功的父代节点，提取核心逻辑，自动融合成前所未有的混合模型。
基因组学与流行病学的实证突破
在单细胞RNA测序任务中，ERA基于9种基础方法（如BBKNN、ComBat等）不仅复现了专家代码，还通过“重组”创造了40种新方法。结果：ERA的方案在OpenProblems权威榜单上超越了所有人类开发的SOTA。特别是BBKNN(TS)版本，通过将ComBat的校准逻辑与BBKNN结合，实现了14%的性能飞跃。
在对美国COVID-19住院数据的预测中，ERA产生的14个预测策略优于CDC的官方Ensemble模型。AI自动选出的最优解通常是“混搭”——将稳定的传统统计模型与灵活的流行病学模型结合。
ERA证明了在具有明确评估标准的任务中，AI可以极大地降低复杂科学软件的准入门槛。局限性：仍依赖于预定义的“可评分任务”，对于需要从零推导理论框架的“硬核发现”能力有限。
Aletheia——AI数学推理的成就与警示
700个数学猜想的冲锋
Google DeepMind团队利用定制Gemini Deep Think智能体（代号Aletheia）对数学家Paul Erdős留下的700个开放问题发起冲锋。自然语言验证器在Gemini生成初稿后通过逻辑推演排除明显错误，让专家面对的候选方案从700个锐减至212个；领域专家垂直评审进一步剔除“理解错题意”的方案。
在众多成果中，Erdős-1051最具代表性。Aletheia给出了一个漂亮的证明，随后由人类数学家使用Lean 4进行了形式化验证，并衍生出了一篇全新的学术论文。
“潜意识抄袭”与伪命题暴露的AI硬伤
更值得警惕的是“潜意识抄袭”现象。在解决Erdős-1089等问题时，AI生成的证明与1981年的一篇东欧冷门数学期刊上的论文高度重合。由于该文献在AI的预训练数据集中，即使AI在推理日志中没有表现出搜索该行为，它也可能在生成过程中“无意识”地复现了训练数据。
启示：数学论文的署名权应始终属于人类，人类需要承担起“核实文献出处”的法律与学术责任。数学发现的未来不在于AI的全自动化，而在于如何利用AI的超强联想力来识别那些被历史尘封的连接点。
