Can AI learn scientific taste?

AI 能否学会科学品味？

分析

科研论文是理想路径。如果我们希望 AI 具备科研品味，就必须从那些曾被考虑、被拒绝、从未写下的分支中学习。

Air Street Press

和

Nathan Benaich

2026年8月13日

文章配音

0:00

-9:50

您的浏览器不支持音频播放。请升级浏览器。

“实际上，这才是黄金所在，”我的研究生同学 Alasdair Russell 说道，他目前在剑桥大学领导一个临床前基因编辑小组。

他谈论的是被发表论文所忽略的科研曲折之路。“当你讨论如何进行实验，为什么这种方法优于另一种方法，以及数据究竟意味着什么时？我知道它显示了什么，但它意味着什么？”

在 RAAIS 2026 上，他描述了他团队如何开始记录发现过程中的曲折路径，记录那些通常会消失的口头和书面交流。想法成为活体图谱中的节点：当一次会议产生两个可行的实验时，节点会分叉；当不同证据线汇聚时，节点会合并；当有人悄悄停止探索时，节点会消失。在他的实现中，一个代理负责评估新颖性，另一个则试图学习“科学家如何思考以及如何在复杂的数据世界中导航”，从而让高潜力节点触发更深入的调查。

随着前沿 AI 实验室将代理部署到科学发现中，赋予 AI 真正的科学品味仍然是一个价值千亿美元的难题。瓶颈在于，我们数百年来记录的科学成果可能不足以实现这一目标。

由 Black Forest Labs FLUX 3 构想的科学曲折之路

永远无法发表的实验

1960年诺贝尔奖得主、移植医学“之父”Peter Medawar 在1963年曾质疑科学论文是否是一种欺诈，并给出了肯定回答：论文的形式扭曲了产生它的思维过程。六十年后，这一诊断依然成立。论文呈现的是从假设到结果再到结论的清晰进展。在这个过程中丢失的，是那些非常规理论、被放弃或无法负担的方法，以及平淡无奇且结论不明的数据。

这读起来就像删除了所有死胡同的浏览器历史记录：十个打开的标签页、四次重新表述的查询、误入的子论坛。所有内容都被清除，只留下从问题到答案的一条干净路径作为标准路径。

自那以后变化的是，被丢弃的材料现在变得有价值了。没有哪家高影响力期刊愿意收录这些“废料”，但原始的试错过程最有可能成为培养科学直觉所需训练数据的来源，或者说研究人员所说的“品味”。

早期试图捕捉这些被丢弃材料的尝试源于对科学诚信的追求。2002年《生物医学负面结果杂志》创立，旨在发表挑战既定模型或揭示无效治疗的严谨研究。其档案保存了这些论文得出的负面结论，而非产生这些结论的实时替代方案和论点。BioMed Central 于2017年关闭该杂志，称其他期刊现在已开始发表零结果，使命已完成。另一种更苛刻的解读是，十五年来该杂志只发表了约200篇论文，因为几乎没人愿意阅读负面结果，更不用说在这些结果无法计入学术职称的情况下撰写它们了。

AI模型各不相同。即使是一个无趣的负面结果，只要被正确标记，也可能具有价值。

今年早些时候，Anthropic对这一点进行了验证。该公司从2026年1月至3月期间的真实Claude Code会话中提取了129个决策点，向模型展示了人类绕开路径前的工作内容，并询问接下来应该采取什么行动。Claude Mythos Preview在64%的情况下优于人类选择，而Opus 4.5则在51%的情况下表现更优。此次比较对模型有利，因为Anthropic刻意选择了人类决策仍有改进空间的时刻。在另外127个场景中，当人类行动已经足够强时，模型仅在约20%的情况下进行了改进。

这项研究之所以可行，是因为Anthropic的研究人员使用的是默认会记录数据的工具。推理过程、绕开路径和结果都产生于相同的协作环境。生物学领域没有等价物。其推理过程发生在走廊、实验台、Slack线程和白板上，而结果则在数周后出现在其他地方。记录必须从工作本身中产生。如果让科学家事后重建，我们只会得到另一个经过修饰的版本。

日志不等于标签

在这些内容成为训练数据之前，负面结果必须说明失败的原因。发表在《生物医学负面结果期刊》上的第一篇论文分析了五家领先医学期刊上的234项负面研究。只有30%的研究讨论了统计功效，一半的研究明确界定了主要结果。如果告诉模型实验失败了，却不说明实验是否因统计效力不足、试剂降解或假设本身错误，模型会带着确定性学习噪声。

决策历史还缺少第二个标签。当实验室考虑了五个实验并只执行其中一个时，只有被选中的分支会返回结果。另外四个实验则是反事实的实验。研究人员将这种现象称为“选择性标签问题”：数据只揭示了某人选择采取行动的结果。这样的记录可以让模型模仿实验室的偏好，但无法证明这种偏好本身是合理的。它还会将局部约束带入普遍性结论中。一个从未运行冷冻电镜实验（因为没有显微镜）的实验室，会教会模型冷冻电镜实验很少是正确选择。

Alasdair的节点保留了候选集，这是必要的第一步。要让每个决策记录具有价值，需要包含以下六个字段：

• 该时刻可用的证据，以及后续到达的任何信息都不包含在内。
• 考虑过的候选方案，包括那些被一句话驳回的选项。
• 对于每个候选方案：预期结果、附带的信心值，以及时间和金钱成本。
• 选择的路径及其原因。
• 接下来发生的事情。
• 证据如何改变了科学家的观点。

这些字段必须在结果发生前进行时间戳标记，因为事后回顾会将不确定性转化为必然性。分歧也必须保留。将三位科学家的意见平均成一个整洁的解释，会精确地重现我们试图修复的信息丢失问题。

但这里显然存在一种失败模式。一旦决策被记录并评分，人们就会出于记录目的在事后进行补充。任何见过电子实验记录本被回顾性整理填满的人都知道，研究工具会多么迅速地变成合规性练习。一份让科学家每项决策花费10分钟诚实反思的记录，其价值远高于一份需要花费一小时绩效时间的记录。

让备选方案参与竞争

自主实验室展示了当决策和结果形成闭环时会发生什么。利物浦的移动机器人化学家在八天内于十变量配方空间中完成了688次实验。批量贝叶斯搜索利用每个结果选择下一个实验，发现了活性是初始配方六倍的光催化剂混合物。每次完成的实验都会改变系统接下来的行动。

机器人在人类预先设定的目标和搜索空间内进行优化，它并未决定哪些科学问题具有优先级。因此这项工作展示的范围较为有限，但仍具价值：当选项能快速返回标准化结果时，搜索历史会产生显著价值。开放式的生物学研究更具挑战性，因为分支探索可能需要数周时间，被舍弃的备选方案可能永远无法再被验证。

因此部分探索需要投入资源。当两个分支都具有合理性且投入成本值得时，实验室有时应选择运行备选方案。否则记录只会反映科学家通常的选择，而对系统性忽视的选项保持沉默。资助方可以将资助金额的一小部分专门用于未被采纳的分支，前提是决策记录和结果都已存档。这需要花费资金，但让每个实验室重新发现已被放弃的路径同样需要成本。

测试品味是否可迁移

当我们评估新AI系统是否具备科学品味时，比较应跨实验室和领域进行。在实时研究活动中的关键决策点，我们应冻结六个要素：证据、候选方案、预期结果、置信度、成本和最终选择。专家在结果揭晓前对选项进行排序，随后由独立团队验证这些结果。

我们可以为模型提供两种"饮食"：仅提供论文，或同时提供论文和决策历史，然后要求它们对陌生项目中的下一个实验进行排序。接着我们评估每美元和每周获得的信息量、校准精度以及弱分支被放弃的速度。

如果历史记录仅在产生它们的实验室内部提升决策质量，它们就相当于有用的组织记忆。如果它们能提升其他领域陌生问题的决策质量，那么阿萨代尔团队就实现了科学界从未成功记录的突破：可迁移的品味记录。在实现这一目标之前，科学搜索历史仍是一种有前景的记录，尚未成为训练数据集。

Previous