最近一篇 Nature 成果刷屏科研圈：一套名为 The AI Scientist 的系统，完成了从选题构思、跑实验、绘图成文到自我评审的完整科研流程，产出论文还通过了 ICLR 研讨会盲审。自动化科研不再是概念，下面整理核心信息给大家参考。
系统核心：真正端到端自主科研
过去 AI 大多只能辅助科研单一环节：读文献、写代码、画图、润色论文。而这套系统实现全链路闭环：
- 基于文献自动挖掘创新研究假设，检索学术数据库筛除重复思路，保证选题新意；
- 自主编写、调试实验代码，完整留存实验日志、数据图表；
- 自动生成标准 LaTeX 学术论文，规范排布章节、图表与参考文献；
- 内置自动评审模块，对标学术会议标准打分并给出修改意见，完成成果自检。
实测结果：AI 论文成功通过同行盲审
团队将 3 篇由系统独立产出的稿件投递至 ICLR 2025 研讨会，全程采用盲审，审稿人仅知晓投稿含 AI 生成文章，无法区分具体篇目： 其中一篇拿到平均 6.33 分，超过研讨会录用基线，位列全部投稿前 45%，达到 “弱接收 - 接收” 评级；受预先协议限制最终撤稿，否则可正常收录。 配套开发的 Automated Reviewer 自动评审工具，判定稿件录用与否的准确度和人类审稿人高度接近，部分指标优于人类平均水平。
同时研究验证：底层大模型能力越强、实验阶段分配算力越多，最终产出论文质量越高。
现有局限 & 未来展望
当前短板
- 达标产出率偏低，仅单篇研讨会论文通过评审，距离顶会主会发表还有差距；
- 容易出现研究思路深度不足、代码 bug、文献引用幻觉、严谨性欠缺等问题。
机遇与潜在风险
长远来看，全自动化工具能够大幅压缩试错周期，加速各学科科研探索； 但同样存在隐患：大量 AI 稿件会加重审稿负担，低质量成果也会增加学术文献噪音。
原始论文链接： Towards end-to-end automation of AI research | Nature
讨论区互动提问： 你觉得未来自动化科研工具，会成为硕博日常标配吗？在你的研究方向里，哪一步最适合交给 AI 自动化完成？欢迎一起交流！