这项由英国爱丁堡大学与美国麻省理工学院MIT合作开展的研究以预印本形式发布于2026年7月论文编号为arXiv:2607.01131。感兴趣的读者可通过该编号在arXiv平台检索到完整论文。科学发现从来不是一蹴而就的事。真正的科学家在工作中做的远不止提出一个想法、验证一个想法这么简单。他们会在一摞摞笔记本里翻来覆去地回顾已有发现从中察觉出某种隐约的规律——咦上次那个实验和这次好像有点关联——然后顺着这条若隐若现的线索继续挖下去。这种在自己过去所有发现上反复思考自己的思考的能力是科学研究中最难被模拟、也最容易被忽视的环节。目前市面上的人工智能科学发现系统大多在一件事上做得还不够好它们每次都从头开始提出一个假设、验证它、完事。就像一个健忘的侦探每次接手新案子都不记得自己上一次查出了什么线索更别提把多条线索串联起来推断出真正的幕后黑手。爱丁堡大学与MIT的研究团队意识到了这个问题并为此设计了一套名为**DiscoPER**的全新AI框架。这套系统的核心创新就是让AI拥有一种元反思能力——它不仅能提出假设、验证数据还能定期回头审视自己所有已验证的发现找出其中的空白、矛盾和更深层的联系然后据此调整下一步的探索方向。就像一个经验丰富的老侦探案子查到一半会把所有照片和笔记摊在桌上仔细琢磨我漏查了什么这几条线索有没有指向同一个人更难得的是DiscoPER无需任何人告诉它你应该研究什么。它可以从一堆原始数据——包括表格数据和照片——出发完全靠自己决定研究什么、怎么验证、下一步往哪走。这种彻底的自主性在现有系统中是罕见的。研究团队用一个名为**iNatDisco**的新基准数据集来测试DiscoPER的能力。这套数据来自全球最大的公民科学观测平台iNaturalist包含真实的物种观测记录和照片。研究团队从已发表的学术文献中整理出一批已知的生态规律作为标准答案看看DiscoPER能不能在没有任何提示的情况下自己把这些规律找出来。结果相当亮眼在包含9个已知规律的小型数据集上DiscoPER成功找到了其中8个在更大规模的数据集上它同样找到了12个规律中的8个。与此同时它提出的假设中有超过72%都能在统计检验中得到数据支持这意味着它不是在乱猜而是在做有依据的推断。接下来本文将带你走进DiscoPER的侦探世界看看它究竟是怎么一步一步破解数据背后的秘密的。一、现有AI科学家的通病每次都像第一天上班考虑这样一个场景你是一名刑警局里给你一摞案卷让你从中找出规律。你翻完第一本发现案发地点大多在周末翻完第二本发现受害者多为老年人。如果你是个优秀的侦探你会把这两条线索放在一起想会不会是某种专门在周末作案、专门针对老年人的犯罪模式然而目前大多数AI科学发现系统的做法就相当于把这两本案卷分别交给两个互不通气的侦探让他们各自得出结论然后就结束了。没有人负责把所有线索汇总起来进行更高层次的推断。这个问题在技术上被称为缺乏对已有发现的元级推理。研究团队梳理了现有系统的几类局限第一类是以PC算法、GES算法、NOTEARS为代表的经典因果发现方法这些方法能做的只是检验数据集里每两个变量之间有没有直接关联就像只会查两个嫌疑人之间有没有直接接触记录完全无法表达A通过B影响C这样的复杂关系链。第二类是以AI科学家AI Scientist、AI协同科学家AI Co-Scientist等系统为代表的全流程AI它们能生成丰富的假设但必须有人告诉它你要研究这个方向无法完全自主探索。第三类是ExperiGen和HeurekaBench等代码驱动系统它们能写代码来验证假设但同样依赖外部提供的研究问题或任务描述。DiscoPER的目标是同时满足三个条件从原始、无结构的数据出发无需预设研究方向用可执行代码表达任意可检验的假设自主决定下一步研究什么而这个决定必须建立在对已有发现的综合分析之上。在此之前没有任何系统同时做到了这三点。二、DiscoPER的核心设计提出、验证、反思循环往复DiscoPER的工作机制可以用一个侦探团队办案的流程来理解。整个流程分为三个环节周而复始地运转。第一个环节叫提出PROPOSE。系统中的一个AI侦探负责提线索——它接收数据集的概要信息包括有哪些字段、样本长什么样同时接收此前所有已确认的发现以及反思环节给出的指导意见然后提出一个新的假设并同时写好一段Python代码来检验这个假设。关键在于这个侦探不被告知要研究什么它完全靠自己判断。如果数据集里有照片它还可以看图说话——直接从图片中提取信息形成新的研究方向。第二个环节叫验证EVALUATE。提出的假设代码首先在训练集上运行看效果是否显著通过之后同一段代码原封不动地在一个藏起来的验证集上再跑一次。只有两次都通过这个发现才算正式成立被收入发现档案。设置这个双重验证机制是为了防止系统通过反复调整来碰巧让数据看起来显著——这种行为在学术界有个专有名词叫p值操控p-hacking是科研诚信的大敌。具体的门槛是效果量衡量发现有多强的指标类比为证据有多有力必须不低于0.2统计显著性衡量发现是否可能是巧合的指标要求p值不超过0.05而且验证集上的效果量不能低于训练集的60%。第三个环节叫反思REFLECT。每隔五轮验证系统中的另一个AI侦探负责复盘——它把目前所有已确认和已排除的发现全部摊开来审视写出一份分析报告指出哪些变量或关系还完全没被研究过发现盲区哪个变量反复出现在多个发现里可能是一个隐藏的干扰因素混淆因子哪几个发现合在一起暗示着一个更复杂的高阶规律复合假设。这份报告随即成为下一轮提出环节的输入引导系统往更有价值的方向探索。整个过程中反思环节完全不知道标准答案是什么它只能基于系统自己产出的发现来做推断。这套框架在数学上可以被精确描述。系统从空的发现档案和空的指导意见出发每一轮都基于当前的档案状态和指导意见生成新假设验证后更新档案再触发反思来更新指导意见如此循环。这和现有系统的本质区别在于指导意见不是固定的外部输入而是系统自己根据已有发现实时生成的——这才是真正意义上的自我学习和自我调整。三、工具箱从表格数据到图片DiscoPER都能处理理解DiscoPER的能力范围需要先了解它手头有哪些侦查工具。研究团队为它配备了七种统计检验工具前五种针对表格数据后两种专门处理图片。针对表格数据的工具覆盖了科学研究中最常见的几类分析需求。相关性检验工具用于判断两个连续变量之间是否存在系统性关联比如纬度越高的地方某种真菌出现得越多吗组间差异检验工具用于比较两个群体在某个指标上是否有显著差别比如哺乳动物的活动范围是不是比植物宽得多预测模型检验工具则是用随机森林这类机器学习方法看某组特征能不能预测某个目标变量聚类与富集检验工具先把数据分成几个自然群落再看这些群落在某个分类变量上是否有规律分层重测工具专门用来排查混淆因子它把数据按某个变量分层在每个层内分别做检验看原来的发现在每个子群体里是否都成立。针对图片的两种工具则是DiscoPER超越普通数据分析系统的关键所在。视觉属性检验工具会把单张图片发给一个视觉语言模型让它判断图片里的特定视觉属性比如这张照片里的栖息地类型是森林、草地还是城市然后把这些标注结果和表格里的分类变量做统计检验。视觉组间比较工具则会同时把两个群组的图片发给视觉语言模型让它描述两组图片在视觉上的系统性差异并给出置信度评分。这套工具组合的意义在于DiscoPER的假设空间——也就是它理论上能表达和检验的所有假设的集合——在原理上包含了所有可以用Python代码实现的统计检验。这比经典因果发现方法的假设空间大得多后者只能检验两两变量之间的单一关系。四、iNatDisco用真实的大自然数据来考验AI研究团队专门为DiscoPER设计了一个新的评测基准因为现有的评测方式都不适合评价真正意义上的自主开放式科学发现。基于边的恢复率这类指标只能评价有没有找到变量间的直接关联无法评价复杂的交互模式问答式基准直接告诉系统要研究什么更是南辕北辙。iNatDisco基准由两个数据集构成数据来源是iNaturalist平台上经过专家认证的物种观测记录。每条记录包含一张照片、经纬度坐标、观测日期、定位精度以及物种名称和分类层级界、门、纲……信息。研究团队从已发表的生态学文献中筛选出了那些理论上应该能从iNaturalist数据中被发现的生态规律作为标准答案。规模较小的数据集iNatDisco-800包含800条观测记录跨越8个物种标准答案共9条。这些规律来自真实发表的学术论文例如蘑菇具体是毒蝇伞和同类真菌的观测记录集中在9月至11月与秋季出菇现象一致来源Boddy等人2014年发表于《真菌生态学》的研究以及帝王蝶的观测纬度在3月至8月间持续北移符合其迁徙通道记录来源Brower 1996年发表于《实验生物学杂志》。规模较大的数据集iNatDisco-50K包含5万条观测记录跨越9776个物种标准答案共12条涵盖了更多跨物种、跨界别的大尺度生态规律例如物种多样性随纬度升高而降低的纬度多样性梯度规律、鸟类春夏季向北迁徙的规律以及两栖动物在3月至5月间集中出现的规律。评测时系统在发现档案里找出所有已通过统计检验的发现再由另一个AI采用Claude Sonnet 4.5模型充当语义裁判判断每条发现是否在语义上与某条标准答案相符——即使用词不同、涉及物种不同只要生态机制本质相同就算匹配成功。这种设计比字符串匹配要灵活得多更贴近真实科学评审的方式。研究团队还手动核查了所有评分为完全匹配的结果裁判模型与人工判断的一致率达到了95%。五、正式比赛DiscoPER与其他方法的较量在iNatDisco-800数据集上的对比结果清晰展示了不同类型系统之间的能力差距。经典因果发现方法PC算法结合LLM变量提取、NOTEARS结合LLM、GPT-4穷举搜索表现最弱最好的情况也只找到了9个标准答案中的1个。这并不令人意外——这些方法的假设表达能力从根本上就无法覆盖生态学中常见的交互效应、多变量条件关系和分类变量分析。引导式LLM方法HeurekaBench类型和ExperiGen类型的表现有所提升两者都找到了3个标准答案但上限明显。HeurekaBench类系统被告知了具体的研究问题ExperiGen类系统被提供了数据集描述和初始假设方向。然而正是这种被告知方向的特性限制了它们——固定的研究清单无法随着发现的积累而动态调整而且简单的任务描述倾向于让系统生成简单的两两比较假设而非标准答案中大量出现的跨物种复合模式。不带反思模块的DiscoPER即仅有提出和验证两个环节没有元反思找到了7个标准答案假设支持率为70%。这已经是一个显著的进步说明开放式假设空间和双重验证机制本身就带来了很大的提升。完整版DiscoPER在两个数据集上都表现最佳iNatDisco-800上找到8/9假设支持率72.7%iNatDisco-50K上找到8/12假设支持率74.2%。后者假设支持率略高说明数据量更大时系统提出的假设能得到更可靠的统计验证即便物种数量从8个扩展到了近一万个复杂度大幅上升。六、规模扩展实验数据越多越好迭代越多越深研究团队在iNatDisco-50K数据集上做了两组缩放实验分别研究数据规模和迭代次数对发现质量的影响结果揭示了两条有趣的规律。数据量的影响方面团队从5万条记录中不断缩减依次测试了800条、2000条、5000条、1万条、2.5万条和5万条数据下的发现能力。在800条数据时发现召回率只有17%假设支持率也只有20%。随着数据量增加两个指标都稳步攀升到5万条数据时召回率升至75%支持率升至72%。这个趋势直观上很好理解数据越多微弱的生态信号就越容易被统计检验捕捉到系统就越能区分真实规律和随机噪声。迭代次数的影响则呈现出一个更有趣的分叉走势。随着迭代次数从10次增加到100次召回率一路上升从33%涨到75%。然而假设支持率却从98%一路下滑到100次迭代时降至70%。这个表面矛盾的现象有一个合理的解释系统在早期迭代中会优先探索那些信号强、容易找到的规律这些假设通过统计验证的概率很高所以支持率很高。随着这些容易摘的果子都被摘光系统在反思模块的指导下开始探索更边缘、更复杂的假设。这些假设通过验证的概率更低拉低了整体支持率但它们当中确实包含了那些标准答案中更难发现的规律从而推高了召回率。这种权衡关系和真实科学研究中越挖越深、越挖越难的感觉高度吻合。七、反事实实验AI真的是在看数据还是在背答案这是整个研究中最有说服力、也最有原创性的一个验证实验。由于iNatDisco的标准答案来自真实发表的生态学文献这些知识很可能已经包含在训练DiscoPER所用的大语言模型的训练数据里。换句话说系统有可能不是真的在分析数据而是在用记忆中的生态学知识编出正确答案然后碰巧通过了统计验证。为了排除这种可能性研究团队构建了iNatDisco-800-CF——一个反事实数据集。这个数据集的图片完全不变但表格数据被系统性地篡改让五个已知的生态规律全部反转。具体而言原本鸟类在春季向北迁徙的规律被改成了鸟类纬度与月份完全无关原本真菌集中在秋季出现的规律被改成了70%的真菌观测记录落在春季3月至5月原本哺乳动物地理范围比昆虫更宽的规律被改成了哺乳动物的纬度分布极度集中标准差仅1.5度而昆虫的纬度分布极度分散标准差15度物种多样性随纬度减少到赤道的规律被反转以及植物在春夏集中出现的规律也被改成了植物集中在冬季。篡改后的数据保证了反转规律在统计上确实成立例如修改后真菌-月份关系中77%的真菌观测落在春季但与真实生态学完全相反。这是一个精心设计的陷阱如果DiscoPER只是在凭记忆背答案它就会报告真菌集中在秋季然后这个结论在反事实数据上根本通不过统计验证最终会被抛弃。相反如果它真的在分析数据它就会发现真菌集中在春季这个错误的规律并让它通过验证。实验结果是在50次迭代中DiscoPER共提出了72个假设有7个与被篡改的反事实规律相关。经过统计验证65个假设被拒绝最终只有5个得到数据支持。这5个支持的发现确实反映的是被篡改后的数据规律而非大语言模型记忆中的真实生态知识。这说明双重统计验证机制有效地扮演了过滤器的角色——大语言模型确实会提出基于内部知识的错误假设但统计验证会把这些假设挡在门外。八、反思模块的具体贡献从盲目搜索到精准导航反思模块到底带来了什么改变研究团队从两个维度进行了详细分析。从假设类型分布来看不带反思模块时92%的假设都是简单的X比Y高/低这类两两比较。这就像一个侦探案子查来查去只会问这个人比那个人更高吗永远不会想到问这几个人有没有共同的作案动机。带上反思模块之后这类简单比较的占比下降到69%同时出现了此前完全没有的交互效应假设占2%和相关性检验假设占2%X在某条件下达到峰值这类更细腻的假设也从6%上升到了14%。从具体的反思内容来看研究团队分享了一次完整100迭代实验中反思模块产生的四个典型输出非常能说明问题。在第5次迭代反思模块注意到定位精度这个变量在所有相关假设上的支持率为零于是建议停止尝试与它相关的假设转而研究界Kingdom层级的地理分布差异在第14次迭代反思模块发现不同分类群的季节性模式还没有被系统地比较建议专门研究鸟纲Aves和昆虫纲Insecta的季节性时间差在第34次迭代反思模块注意到真菌和植物已经分别与纬度做了比较于是建议把两者放在一起同时考虑纬度和经度检验它们是否占据不同的空间生态位——这个建议后来产生了一个通过统计验证的重要发现在第49次迭代反思模块注意到半球南北半球这个变量反复出现在所有与季节相关的发现里可能是一个隐藏的混淆因子建议在做任何季节性分析之前先按半球分层。这四个例子分别对应了反思模块最重要的三种功能发现盲区、生成复合假设、检测混淆因子。每一种都指向了单纯依靠记忆力无法实现的系统性推断。九、视觉能力从照片中读出数据里读不出的东西DiscoPER的视觉能力在两个具体案例中得到了很好的展示。十、与其他标准数据集的对比经典基准上的表现除了自制的iNatDisco基准研究团队还在两个有明确标准答案的经典因果发现数据集上测试了DiscoPERSACHS11个蛋白质节点、17条已知因果边和ASIA8个变量、8条已知因果边。在这两个数据集上评价指标使用的是边恢复F1值越高越好。DiscoPER在SACHS上达到0.83的F1值在ASIA上达到0.86。相比之下PC算法分别是0.48和0.77GES算法是0.42和0.73NOTEARS是0.36和0.68。GPT-4穷举搜索在SACHS上得到0.74在ASIA上得到0.93后者比DiscoPER稍高但在SACHS上低了不少。去掉反思模块之后DiscoPER在SACHS上降至0.72在ASIA上降至0.80证实了反思模块即便在结构明确的经典数据集上也能带来提升。十一、可控性实验用户可以引导但方向越窄发现越少研究团队还测试了当用户提供额外背景信息时DiscoPER的行为会如何变化。在先验知识条件下用户告诉系统一些已知的事实比如真菌集中在秋季和帝王蝶会迁徙意思是这些你不用再研究了。结果系统的话题遵从率从43%上升到54%即更多假设与用户提供的背景方向相关同时召回率保持在7/9不变说明用户可以有效地告诉系统跳过某些已知领域而不会损失发现能力。在研究聚焦条件下用户明确说出一个研究兴趣方向比如我想研究GPS精度中的观测者偏差。结果话题遵从率升至68%但召回率降至6/9假设支持率也有所下降。这个结果诠释了一个自然的权衡用户提供的聚焦方向越明确系统的探索范围就越窄找到意外发现的机会也随之减少。这和真实科研中定向研究与探索性研究之间的张力完全一致。十二、合成视觉基准专门测试图片分析能力的对照实验为了更干净地评估视觉分析能力的实际贡献研究团队设计了一个完全合成的数据集5000张程序化生成的图片内容是各种颜色、形状、大小、纹理的几何图形背景切换于天空、草地、水面和沙地之间。由于这些图片从未出现在任何训练数据里大语言模型不可能凭记忆知道其中的规律。数据集内置了8条已知规律按类型分为纯表格规律比如温度和海拔的强负相关、纯视觉规律比如秋季图片中67%是红色形状和跨模态规律比如蓝色形状出现在明显更高海拔的地方。在100次迭代下DiscoPER找到了8条规律中的3条两条纯表格规律全部发现一条纯视觉规律颜色与季节的关联也被找到但其余纯视觉和跨模态规律都未被发现。研究团队分析问题不在于系统提出了错误的视觉假设而在于当前的图片分析流程——用视觉语言模型给每张图片打标签再做统计检验——在统计功效上不够强单张图片的分类噪声积累起来让真实的视觉规律淹没在随机波动里。这个发现为未来改进视觉分析工具的统计效率指明了方向。归根结底DiscoPER代表的是一种思路上的重大转变从给AI一个问题让它去解决到让AI自己决定研究什么、怎么研究、从已有发现中学什么。元反思机制的引入让系统不再是一个孤立的假设检验机器而更像一个能随时间积累经验、不断修正探索策略的真正研究者。这项研究当然也有清醒的自我认识。公民科学数据本身存在偏差——观测记录的密度和地理分布受到人类观测者行为的影响未必能准确反映真实的生态现象。iNatDisco的标准答案集合是不完整的系统提出并通过验证的发现完全有可能是真实存在但尚未在文献中被记录的规律。最重要的是研究团队明确强调DiscoPER的输出应当被视为待专家审查的候选发现而不是已经确立的科学事实。话虽如此在一个数据规模呈指数增长、而人类分析能力相对有限的时代像DiscoPER这样能自主探索、自我修正、并把每一个数字背后的意义用统计学严格检验的AI助手确实为科学研究的提速提供了一种值得认真对待的可能性。有兴趣深入了解技术细节的读者可以通过arXiv编号2607.01131查阅完整论文所有提示词、统计工具设计和数据集构建细节都在附录中有完整呈现。QAQ1DiscoPER与普通AI科学发现系统的本质区别是什么A普通AI科学发现系统通常每次独立处理一个假设不记得也不利用之前发现了什么。DiscoPER引入了元反思机制每隔一定轮次会对已有发现进行整体分析找出盲区、混淆因子和复合规律然后把这些分析结果作为指导意见用于下一轮探索。本质上普通系统是一次性检验DiscoPER是在自己的历史发现上持续学习和调整方向。Q2DiscoPER的统计验证机制如何防止碰巧对了的情况ADiscoPER要求每个假设对应的代码先在训练集上通过验证再原封不动地在一个独立的验证集上重跑一次两次都满足效果量不低于0.2且p值不超过0.05才算通过。验证集上的效果量还不能低于训练集的60%防止过拟合。这种先练后考且考试只考一次的设计有效避免了通过反复调整来让数据看起来显著的p值操控行为。Q3iNatDisco数据集是如何保证标准答案的准确性的