ARTICLE · 1121324
AI Scientist:Nature认证的全自动科研系统
AI 到底能不能做科研？不是「辅助人类做科研」，而是从想选题、写代码、跑实验、写论文，到组织同行评审——全程不需要人介入？
Sakana AI 在 2024 年底给出了第一个完整的系统答案，2026 年 3 月这项工作发表在了 Nature。
GitHub: https://github.com/SakanaAI/AI-Scientist | ⭐ 14,649 | 自定义许可证
它做什么
The AI Scientist 是一个端到端的自动化科学发现框架。给定一个研究领域模板，它会：
- **选题**：LLM 根据已有文献和实验模板，生成新的研究方向假设
- **写代码**：调用 Aider（AI 代码编辑工具）实现实验代码
- **跑实验**：自动执行实验，记录指标
- **写论文**：生成完整的 LaTeX 学术论文，包含摘要、方法、结果、讨论
- **同行评审**：另一个 LLM 扮演审稿人，对论文打分并给出评审意见
整个流水线输出的是真实的、可以直接提交给会议的 PDF 论文。
三个研究模板
项目提供三个由作者维护的模板，分别覆盖：
- **NanoGPT**：字符级语言模型实验（训练、架构变体、泛化）
- **2D Diffusion**：低维扩散模型（生成模型、降噪策略）
- **Grokking**：Transformer 泛化现象（Grokking 加速、权重初始化）
这些模板定义了「合法的实验范围」——AI Scientist 在模板边界内自由探索，而不是在整个 AI 领域里乱试。社区可以贡献新模板，但作者不负责维护社区模板。
实际产出的论文
README 列出了系统生成的代表性论文，标题包括：
- *DualScale Diffusion: Adaptive Feature Balancing for Low-Dimensional Generative Models*
- *Adaptive Learning Rates for Transformers via Q-Learning*
- *Grokking Through Compression: Unveiling Sudden Generalization via Minimal Description Length*
这些不是摘要或段落——是有方法、有实验、有图表的完整 PDF。Drive 文件夹里存着所有运行结果，包括用 Claude 生成的一批完整论文。
提示词在 Nature 论文附录全文公开
这件事值得单独说。
2026 年 3 月整项工作发表在 Nature 之后，论文附录包含了系统使用的全部核心提示词——选题提示、实验规划提示、论文生成提示、同行评审提示。
这意味着任何人都可以：
- 看懂系统的完整工作机制
- 直接复现或改进具体模块
- 把提示词移植到自己的研究领域
Sakana AI 不只是发表了结果，而是公开了「如何做到」。
运行要求
这套系统不轻。
硬件：Linux + NVIDIA GPU（CUDA），CPU 几乎不可用。当前三个模板在 CPU 上跑「可能需要不切实际的时长」。
API 费用：每篇论文需要多轮 LLM 调用（选题、代码、实验分析、论文写作、评审），推荐使用 GPT-4o 或 Claude Sonnet 3.5 等边界模型，单次完整运行成本不低。
安装：
| conda create -n ai_scientist python=3.11 |
| conda activate ai_scientist |
| sudo apt-get install texlive-full # LaTeX 环境，安装时间较长 |
| pip install -r requirements.txt |
支持 OpenAI、Anthropic、AWS Bedrock、Vertex AI 等多种 API 后端，也支持开源权重模型，但效果推荐「能力不低于 GPT-4」的边界模型。
安全警告
README 明确标注：
Caution! 这个代码库会执行 LLM 生成的代码。存在使用危险包、访问网络、spawn 进程等风险。请务必容器化并限制网络访问。
系统会让 LLM 写代码然后直接运行。这不是问题，而是设计——实验必须在真实环境里跑。但在生产环境或者不受控制的机器上跑之前，Docker 隔离是必须的。
已知局限
幻觉引用：论文生成阶段会出现不存在的参考文献。这是当前 LLM 科研能力的核心短板之一。
领域局限：三个模板覆盖的都是可以快速实验的小规模 ML 任务。化学、生物、物理等需要真实实验的领域暂不适用。
论文质量：生成的论文通过了 LLM 评审，但人工审稿的质量评估更复杂。Sakana AI 在 blog 和论文里对此都有比较诚实的讨论。
许可证说明
项目使用「The AI Scientist Source Code License Version 1.0」，基于 Responsible AI Source Code License (RAIL) v1.1，不是标准开源许可证。具体使用限制需要阅读完整许可文本，商业用途尤其需要核实条款。
意义
Nature 接受这篇论文，本身是一个信号：AI 辅助科研从「能做到」到「机构认可」的边界在移动。
提示词公开在附录是另一个信号：作者不只是展示结果，而是把整个方法论透明化——任何研究组都可以拿这套框架研究「自动化科研本身的局限在哪」。
对多数开发者来说，最实际的价值可能不是直接用它跑科研，而是把它拆开，看一个「让 LLM 完成复杂长程任务」的完整系统是怎么做提示词工程和流程设计的。附录已经把这部分彻底开放了。
本文涉及软件使用自定义许可证（基于 RAIL v1.1），商业使用前请阅读完整许可文本。仅供技术学习参考。