施一公的西湖大学，发了个AI科学家！首超人类SOTA

发布者：资三四郎 2025-10-14 10:05

智东西

作者 | 李水青

编辑 | 心缘

智东西10月13日报道，近日，西湖大学研究团队推出一款“AI科学家”智能体系统——DeepScientist，首次大规模实证AI能够在前沿科学任务上逐步超越人类的SOTA（行业最佳）。

DeepScientist开源界面

DeepScientist仅用两周就取得了相当于人类研究者三年研究成果的进展。研发团队通过三个前沿AI任务——智能体故障归因、大语言模型推理加速和AI文本检测，对此进行了验证。

DeepScientist用两周就取得相当于人类三年研究成果的进展

结果非常亮眼：DeepScientist仅用16块H800 GPU，花了一个月，最后在三个任务上都超过了人类的最先进方法——分别提升了183.7%、1.9%和7.9%。截至2025年9月，这一成绩也超越了DeepSeek-R1、Claude-4-Sonnet、Qwen3-Coder等前沿模型。

DeepScientist在三个任务上都超过了人类的最先进方法

在这个过程中，DeepScientist就像人类科学家一样，明确目标、提假设、做验证、分析结果，还会一边记忆一边探索新方向。它总共想出约5000个科研点子，验证了1100个，最终有21个带来了科学创新。团队强调，这些点子都是通过自主重新设计核心方法，而非简单组合现有技术。

在使用DeepReviewer与其他AI科学家系统的28篇公开论文进行基准测试时，DeepScientist是唯一能产出接受率达60%的论文的AI科学家系统。

DeepScientist接受率达60%

背后，DeepScientist的创新之处在于将科学发现形式化为一个贝叶斯优化问题，其架构通过一个配备开放知识系统和持续积累的发现记忆（Findings Memory）的多智能体系统，平衡对新假设的探索与利用，从而在预算受限的情况下最大限度地提高发现效率。

DeepScientist将采取四阶段渐进式开源。其目前已开源了前端和后端代码，并邀请小部分用户试用；计划在10月15日之前开源基础组件，支持用户构建自己的DeepScientist，11月之后还将发布实验数据以及开源DeepScientist的源代码。

DeepScientist论文截图

GitHub地址：

https://github.com/ResearAI/DeepScientist

论文地址：

https://arxiv.org/abs/2509.26603

体验申请地址：

http://ai-researcher.net/

一、3个AI任务验证：两周取得人类三年研究成果，超越人类183.7%

尽管此前的AI科研系统已能想出一些新点子，但它们往往缺乏针对性，无法解决紧迫的人类定义挑战，难以产出具有科学价值的成果。

西湖大学研究团队推出的DeepScientist系统，试图通过在长达数月的时间里进行目标导向的、完全自主的科学发现，来克服这一局限。

首先来看看三个AI任务，DeepScientist是如何取得科研成果的。

第一个AI任务是具有较高复杂度的“智能体故障归因”，即找出多AI系统里哪个AI导致任务失败。

DeepScientist发现当前方法缺乏归因所必需的反事实推理能力。通过反复试验、不断纠错以及综合新发现，最终提出了一种名为A2P（
Abduction-Action-Prediction，溯因-行动-预测）的全新方法。

其核心创新在于将任务从简单的模式识别提升到结构化的因果推理，通过预测某个提议的解决方案是否本可带来成功，填补了反事实能力方面的关键空白。

这种新方法在Who&When基准测试的“算法生成”设置中获得了47.46分，比人类的SOTA基准提高了183.7%。截至2025年9月，无需训练的A2P方法仍保持着最先进水平的地位，也高于DeepSeek-R1、Claude-4-Sonnet、Qwen3-Coder、Gemini 2.5 Pro、GPT-OSS-120B的成绩。

DeepScientist完成的研究论文截图

论文地址：
https://github.com/ResearAI/DeepScientist/blob/main/case/DS_A2P.pdf

二是大语言模型的推理加速任务，即让大语言模型运算更快。

此过程中，系统进行了许多不同的尝试，例如使用卡尔曼滤波器动态调整邻接矩阵，以解决原始方法缺乏记忆功能的问题。尽管这些尝试大多失败了，但系统生成的ACRA方法最终通过识别稳定的后缀模式，如图3所示，将MPBB从人类的最优水平190.25 tokens/秒提升到了193.90 tokens/秒。

从科学角度而言，这项创新意义重大，因为它利用这些额外的上下文信息动态调整解码猜测，有效地为该过程植入了长期记忆，打破了标准解码器的上下文坍缩问题。这一发现凸显了该系统的主要目标：创造人类未知的新知识，而非仅仅进行工程优化。

DeepScientist将MPBB提升到了193.90 tokens/秒

（该论文暂未上传GitHub）

三是AI文本检测，即让它判断一段文字是人类写的还是AI写的。

DeepScientist仅用两周就取得了相当于人类三年研究成果的进展。它通过在无需人类干预的情况下，实现目标导向、持续且迭代式的科学发现，克服了传统研究效率低的难题。

DeepScientist自主生成了2472个独特的研究思路，实现了600个最有前景的假设，并最终开发出在RAID数据集上将AUROC得分提高7.9%的方法，同时降低了推理延迟。

该系统产生了三种截然不同、且性能逐步提升的方法：T-Detect、TDT和PA-Detect。

首先，T-Detect通过稳健的t分布修正了核心统计数据，随后，TDT和PA-Detect在概念上进行了演进，它们将文本视为一种信号，并使用小波和相位一致性分析来精确定位异常。从科学角度来看，这种转变揭示了AI生成文本的“非平稳性”，缓解了先前范式中因平均化局部证据而产生的信息瓶颈。

如下图所示，这一完整的发现轨迹展示了DeepScientist在逐步推进前沿科学发现方面的能力，它建立了新的SOTA，AUROC提高了7.9%，同时推理速度也提升了一倍。

DeepScientist在AUROC得分提高了7.9%

DeepScientist完成的研究论文截图

论文地址：
https://github.com/ResearAI/DeepScientist/blob/main/case/DS_TDT.pdf

DeepScientist完成的研究论文截图

论文地址：
https://github.com/ResearAI/DeepScientist/blob/main/case/DS_T_Detect.pdf

二、仅用8块英伟达H800 GPU完成AI课题，DeepScientist架构解读

三项AI任务背后，团队仅为DeepScientist配备了两台服务器，每台服务器带有8块英伟达H800 GPU。

背后，DeepScientist的创新之处在于将科学发现形式化为一个贝叶斯优化问题，并通过“提出假设、验证和分析”的分层评估流程加以实现。在这种分层方案中，只有展现出潜力的研究思路才会进入成本更高的评估阶段，从而在预算受限的情况下最大限度地提高发现效率。

DeepScientist的架构通过一个配备开放知识系统和持续积累的发现记忆（Findings Memory）的多智能体系统，实现了贝叶斯优化循环。其在探索新假设与挖掘最有前景的发现之间实现智能平衡，并将最具潜力的成果推进到更高保真度的验证阶段。

DeepScientist基于西湖大学此前已有研发成果，仅用两个月、花费约10万美元（约合71.3万元人民币）就搭建完成。来自西湖大学团队的文章第一作者Yixuan Weng最新采访记录公开，记录如下：

1、问：你之前的项目是CycleResearcher。为什么将这个新项目命名DeepScientist为而不是DeepResearcher？

答：早在2024年9月，我就计划将我现在的工作命名为“DeepResearcher”，类似于DeepReviewer。然而，OpenAI后来用了这个名字。所以我决定将我的项目命名为DeepScientist。

2、问：什么时候开源？

答：我会在确保足够安全的情况下才会开源，因为我还不能完全确定它DeepScientist给学术界带来的益处是否大于其潜在的风险。因此，我必须采取谨慎的态度。

（问：为什么要采取分阶段开源策略？）

因为社区热情高涨——几乎每个人都迫不及待地想让我开源它！我计划利用国庆节和中秋节假期来修改代码，以便社区能够尽早体验该系统，并探索它如何加速不同领域的科学发现。

感谢中关村研究院的支持，我们将能够免费向社区提供完整的DeepScientist系统。

3、问：我有机会重现或改进DeepScientist吗？

答：当然！我们只用了两个月就基于ResearStudio构建了它。我相信你可以轻松创建类似“Open-DeepScientist”或“nano-DeepScientist”的项目。我们强烈鼓励社区开展此类项目。

（ResearStudio是首个用于构建可人工干预的深度研究智能体的开源框架。它实现了人机实时协作，允许用户在执行过程中暂停、编辑和引导AI智能体，而非传统的“发射后不管”模式。其Agent核心层采用了规划器（GPT-4）和执行器（GPT-4o-mini/o3）。）

GitHub地址：
https://github.com/ResearAI/ResearStudio?tab=readme-ov-file

4、问：您是否认为AI驱动的科学发现存在缩放定律？

答：我坚信AI驱动的科学发现遵循其自身的“缩放定律”。但这并非孤立现象——它是人类不断加速的科学发现的自然延伸和放大。纵观历史，科学进步的速度一直在不断加快，在现代，这种加速尤为明显。从中学开始，我就喜欢玩《席德·梅尔的文明》，游戏中知识和技术的积累会更快地带来“尤里卡时刻”。我相信，我们现在正在进入一个由AI驱动的现实世界的“尤里卡时代”。

5、问：目前，所谓的“AI科学家”看起来更像是“高通量试错机器”，而不是真正具有深刻洞察力的“发现者”。我们如何才能提升他们的科学直觉？

答：首先，随着模型能力的提升，我已经感受到它们识别科学问题局限性的能力在提升。早期的DeepSeek-R1版本，它的观察结果非常肤浅。但Qwen-3-235B-Thinking-2507发布后，它的洞察力和假设生成能力明显提升。在我看来，只有比Qwen-3-235B版本更强大的模型才能产生真正有价值的发现。

RLVR（基于可验证奖励的强化学习）是一个很有前景的方向，但它也面临挑战：成本高昂、训练效率低，大约需要1000个GPU小时才能生成一个有用的样本。

6、问：这项研究的总成本约为10万美元（约合71.3万元人民币）。与资助一名人类博士生进行类似研究周期相比，您认为目前这笔费用是否划算？

答：我认为两者各有优势。失败是成功之母，而AI最大的优势在于它能够持续探索而不疲倦。

一方面，我们可以依靠AI尝试许多不同的策略——即使发现某种方法在某个领域失败了，本身也是一个有意义的发现。另一方面，这仅仅是个开始。未来几年，由于能力的提升和推理成本的降低，AI的成本将大幅下降。

7、问：您论文中最令人兴奋的发现之一是计算资源与研究产出之间的“近线性关系”。您预测这种趋势会随着GPU数量的增加而无限期地持续下去吗？还是很快就会遇到瓶颈？下一个瓶颈可能是什么？

答：我认为这种情况不会无限期地持续下去。我们即将遇到瓶颈。下一个瓶颈将是“探索效率”，而不是“探索规模”。目前，大多数计算资源都浪费在低价值的探索上。未来的挑战是如何避免这种低价值的工作。

虽然DeepScientist偶尔会通过反复试验发现新的方法来提高性能，但收益往往微乎其微。只有当我们能够进行大规模、高价值的探索时，真正的突破才会到来。

8、问：还有其他惊喜吗？

答：是的！10月初，我们双方将全面开源一款工具。我相信每位研究人员都会对此感兴趣——它显著增强了DeepScientist的演示能力。