科研Agent大洗牌：DiscoveryRSI如何颠覆大模型科学假设范式

type

status

date

slug

summary

科学探索迎来分水岭：通用大模型为何在科研前沿受挫

在当前生成式人工智能与大模型技术飞速演进的浪潮中，学术界与产业界一直在探索一个核心命题：AI究竟能否真正参与到严肃的科学发现中？近期，前沿AI研究机构 PhAI Labs 联合斯坦福大学、MIT、哈佛医学院、北京大学等全球16家顶尖高校与机构发布了一项极具震撼力的科学研究对照评估，打破了行业对通用大语言模型科学能力的盲目崇拜。

在这份考察模型提出的科研假说能否对真实世界后续研究产生有效启发的报告中，传统的顶尖通用模型表现并不尽如人意。数据显示，在衡量“假说被后续文献印证或启发后续实验路径”的指标中，Claude Opus 组比例仅为 2.3%，处于对比组垫底位置；GPT 组仅为 2.5%；GLM 组为 2.8%；开源领跑者 DeepSeek 表现较好，达到 5.4%。然而，PhAI Labs 专门针对科学研究训练的 DiscoveryRSI 模型以 6.3% 的启发率稳居榜首，接近 GPT 组的 2.5 倍、Claude 组的 2.7 倍。

对于关注大模型与人工智能前沿动态的开发者来说，这一对照实验揭示了一个本质问题：通识对话能力顶级的 LLM，面对严谨的科研论证时往往缺乏闭环验证、可证伪性考量和长期逻辑链条。想要紧跟前沿 AGI 突破与最新的全球 AI 资讯，科研人员与技术团队可以通过专业的综合 AI 门户（如 AIGC.bar）持续获取高价值的 AI 新闻与 AI 日报，把握大模型技术在科学场景落地的一手风向。

拆解 DiscoveryRSI：科研 Agent 从单点输出走向递归自我改进

通用模型在科学假设上的短板，本质上源于其交互往往局限于“单次提示词（Prompt）生成”，而真正的科研探索是一个超长程、充满试错与推翻重构的动态过程。提出一个听起来合理的假设并不难，难的是如何让假说具备严密的操作路径与可复现性。

DiscoveryRSI 的核心突破，在于提出了一套面向科学发现的“递归自我改进范式”（Recursive Self-Improvement，简称 RSI），让模型在探索过程中把踩过的坑与验证过的策略沉淀为进化资本：

研究假设树结构：系统不仅生成单个假设，而是将每个假说细化为“研究论断、检验方法、判定标准、替代解释”四个维度。多智能体（Multi-Agent）围绕动态展开的研究树进行分支推进，既能修复前期方案的漏洞，也能随时保存并回溯决策路径。

假设贡献归因与优化（Hypothesis Credit Optimization）：科研探索中最难衡量的是“究竟哪一步决策带来了突破”。系统能够将最终的科学评价回溯到具体的步骤——例如某个 Agent 补充了阴性对照，或修订了数据特征。这些有效行为会被赋予不同的权重，直接转化为模型迭代的训练信号。

工作流重放与复用（Harness Replay & Rediscovery）：模型在不改变底层参数的情况下，可以通过回看实验记录发现工具调用的断点与逻辑盲区，将通过检验的最佳科研工作流无缝移植至新的学科问题中。

这种深度自省与跨轮次学习能力，让科研 Agent 脱离了单纯的文字编造，真正演变为具备科学直觉的研究助手。

严谨的评测闭环：DFM-Bench与多学科真实落地

衡量科研假说的价值，不能仅凭文本的流畅度。为了确立标准，研究团队构建了涵盖研究修订、路径演化与全轮次贡献的科学发现评测基准 DFM-Bench。

在生物医药场景中，涵盖了临床健康、药物靶点优先级、疾病机制及人群多组学四大领域，全面挂钩 MIMIC-IV、UK Biobank、GEO 等权威医疗与基因数据库。在两轮自改进实验中，模型的假设质量评分从 4.86 稳步提升至 5.39，其中最为关键的“可证伪性”指标从 4.00 飞跃至 6.20，对“替代解释”的考量提升了 34.7%，数据适配度与方案可行性均呈现阶梯式增长。

不仅在生命科学领域表现亮眼，在材料科学与新能源电池研发方向，DiscoveryRSI 同样验证了强大的跨学科泛化潜力。在涵盖电学诊断、寿命预测与材料衰减的 300 多个研究 episode 中，58.47% 的研究分支被判定为实质性科学进展，研究路径组织评分突破 81 分。每个电池预测方案都完整附带了测量条件、实验对照与反例测试，彻底摆脱了大模型“黑盒幻觉”的弊端。

专家盲测与真实文献对照：重新定义假说的含金量

为确保评测具备权威性，该研究邀请了 27 位临床医生、医学生及生物学博士生开展严格的双盲人工审查。在 292 份方案的对比中，DiscoveryRSI 的方案修订有 41% 带来了明确的质量提升，变差率仅有 12%；而 GPT 方案在修订过程中的变差率则高达 31% 到 32%，这清晰表明通用大模型在面对复杂的科学微调时极易出现“越改越偏”的情况。

更为关键的是针对后续真实文献的宏观映射测试。团队解析了超过 16,400 篇已发表的科学论文并构建了复杂的引文网络。在 DiscoveryRSI 生成的千余个假说版本中，有 6.3% 的假设核心在后续真实发表的顶级科学期刊中找到了明确的实验设计或证据对应，其中在治疗靶点探索方向上的启发率甚至高达 16.9%。

这印证了一个颠覆性趋势：经过专门架构设计的科研 Agent，已经展现出与人类科研先锋并驾齐驱甚至提前捕获科研线索的敏锐度。这对于从事 Prompt 工程设计、大模型架构创新以及 AI 变现探索的科研工作者而言，提供了极具参考价值的技术标杆。

结论：从通用智能到科学智能的范式转移

PhAI Labs 与 DiscoveryRSI 的实践清楚地表明，大语言模型（LLM）进化的终局绝非仅仅局限于日常闲聊、文案撰写或浅层代码生成。面向人类认知的真正未知领域，具备自我演化、假设树回溯与多智能体归因能力的系统，才是通向下一代科学智能（AI for Science）的核心钥匙。

随着人工智能技术的演进，大模型不仅要学会“已知”的知识，更要学会“探索未知”的方法论。想要在日新月异的技术变革中保持敏锐，及时了解最新的 LLM 动态、大模型论文解读与实用的提示词设计，欢迎持续关注专注于全球科技趋势的一站式 AI 门户 AIGC.bar，共同见证 AGI 赋能人类科学发现的全新篇章。