夜雨聆风
图片由AI生成
【AI世界】
◎本报记者 吴叶凡
前不久，清华大学和北京中关村学院联合产出的一组实验数据在AI业界“刷屏”。在为期一周的实验中，AI科研智能体——AutoSOTA，发现了105个超越最新人类研究成果的SOTA（当前最佳水平）模型，打破了人们对AI性能迭代效率的认知。传统印象里反复打磨、彻夜调参的工作模式被彻底颠覆。
什么是AutoSOTA？以它为代表的Agent for Science（科研智能体）有何特点？AI智能体给科研带来哪些变革？科技日报记者就此采访了多位专家。
让AI给AI“动手术”
AI for Science（人工智能驱动的科学研究）被视为科学发现的“第五范式”，已走过10余年发展道路，近年来在生命科学、材料科学、数学、物理学等许多领域取得了突出进展。比如，预测生物分子结构的AI模型AlphaFold，其开发者荣获2024年诺贝尔化学奖。
“与其他AI for Science模型不同的是，AutoSOTA是让AI给AI‘动手术’，用AI来革新AI模型开发、研究。这一功能就体现在AutoSOTA的命名上。”北京中关村学院学术委员会主席、清华大学电子工程系长聘教授李勇说。
SOTA即“State-of-the-Art”，是指当下性能最顶尖的AI模型，是衡量一项研究价值的“金标准”。所谓AutoSOTA，顾名思义就是“自动优化为顶尖模型”。AutoSOTA的核心任务，就是用AI自动优化已有模型的架构，发现那些效率更高、更节约算力、准确率更高的SOTA模型。
为何要用AI来优化AI？北京中关村学院兼职导师、清华大学电子工程系助理教授徐丰力告诉记者，当前的SOTA研究领域，可谓是一个高水平、高强度“竞技场”。一个性能最顶尖的AI模型，往往通过少量的大胆直觉和大量的持续打磨形成。以经典的Transformer结构为例，自2017年问世以来，全球科学家投入了大量人力、算力对其结构进行迭代优化，花费了数年时间，才将其在评测基准数据集上的性能提升到90%以上。
“在当前的AI研究中，这样迭代的优化固然是必要的，但它也占据了科研人员很多原本可用于原创性探索的精力。”徐丰力说。
为了让繁琐的“手艺活”变为“流水线作业”，AutoSOTA研究项目启动。“我们希望AI模型跳出代码编写的舒适区，能处理在AI实验中的各种复杂任务，比如配置代码库、实验环境，处理实验过程中遇到的各种突发情况等。”徐丰力说。
记者了解到，为实现上述目标，科研团队为AutoSOTA构建了一个多智能体协作系统。徐丰力介绍，该系统模拟了人类科学家在AI研究中的分工逻辑。每一个科研智能体都具备了完善的技能库，既可以处理AI实验中遇到的复杂情况，也可以做高层次思考，如反思、构思等。
推动科研过程全自动化
端到端优化是指将系统或流程视为一个整体，从起始端到终止端进行全链路协同优化的过程，旨在实现全局性能最优，而非局部最优。它可减少人工偏差、突破科学建模的瓶颈，加速科学发现闭环形成，是AlphaFold等突破性成果的关键技术之一。值得一提的是，在这方面，AutoSOTA研发出创新构思引擎、多智能体协同的并行自动科研系统等，实现了高效的端到端闭环的SOTA模型自动研发，将繁琐、高强度的实验迭代过程全自动化，而非对单一实验环节进行局部加速。
全自动、全过程，这正是以AutoSOTA为代表的新一代AI for Science模型的特点。徐丰力解释，过去的AI for Science模型大多是针对单一环节或任务的工具。作为特定工具，它的表现尤为出色，甚至超越人类，但其局限性也十分明显。比如，AlphaFold虽可将科研人员原本数月才能完成的工作压缩至几个小时内完成，但其适用范围仅限于蛋白质结构预测任务。
随着OpenClaw等智能体的出现，AI for Science正逐步升级为Agent for Science。正如上海科学智能研究院院长漆远所说，具备高能动性和自主学习能力的智能体正推动科研进入一个新的临界点。人工智能逐渐从科研流程中的“助手”，成长为能够参与推理决策与实验闭环的“科研合伙人”“AI科学家”。
徐丰力特别提到，Agent for Science也有望改变AI for Science给科研带来的“不利”影响。去年，徐丰力和团队围绕AI对科研的影响问题开展了大量实证研究，最终成果发表在《自然》上。该论文显示，AI for Science虽能促进个体科学家职业生涯的发展，但也相应缩小了科学家的探索广度。研究认为，这一现象的出现与AI for Science模型的“专用化”密切相关。“这就如同爬山，优秀的AI for Science模型就像一条索道，因为索道好用，大家都顺着这条索道往上爬，路线丰富度自然下降。”徐丰力说。
而Agent for Science则有望解决这一问题。徐丰力认为，AI不再只是一个“小专家”，而是成为与人类能力相当的科研伙伴。这种角色转变使其能与科研人员深入交流、共同探讨，从而在提升科研效率的同时，也赋予研究更丰富的视角。
放大人类创造力
“在此次发现的105个SOTA模型中，超60%具有新颖的模型结构设计，平均性能提升达10%。”徐丰力告诉记者，更令人惊喜的是，研究证实AutoSOTA不仅能实现性能突破，也可以记录研究过程中的思路、设计理念，产生人类可理解的研究知识。
AutoSOTA质效双优的表现，颠覆了人们对传统科研效率的认知。数据显示，在当前的AI研究中，研究人员普遍需要数月才能实现对SOTA模型的迭代优化，而AutoSOTA平均只需5小时就可以发现一个新的SOTA模型。
这一变革无疑会促使业界重新思考科研创新的本质。“我们不禁要问自己，SOTA是否还是AI研究突破的全部内涵？什么可以定义我们人类科学家独一无二、不可替代的价值？”徐丰力说。
许多学者对这一变革持积极态度。他们相信，通过人智协同科研模式，人类科学家或能从重复试错中解放出来，更多地开展“从0到1”的原始创新，AI则帮助实现“从1到100”的快速迭代优化，成为人类创造力的“放大器”。
“我认为这是Agent for Science的真正意义所在——不仅是数据提升，更是研究范式的变迁，让科学研究重新回归创新本质。”徐丰力说。
专家智集
合和风采
