精选今天0 投票
全自主科学发现：AI 智能体在真实光学平台上实现端到端突破
从实验室助手到独立研究者：AI 智能体的新里程碑
长期以来，大型语言模型（LLM）在科学研究中主要扮演助手角色，辅助执行预设的实验流程或数据分析。然而，一项发表于 arXiv 的最新研究宣告了一个质的飞跃：由浙江大学等机构联合提出的 Qiushi Discovery Engine（求是发现引擎），首次实现了 AI 智能体在真实物理系统上的 端到端自主科学发现，并产出了经实验验证的非平凡结果。
系统架构：自适应与长程稳定性
Qiushi Engine 的核心创新在于其 双层架构 与 Meta-Trace 记忆机制。不同于传统线性工作流，该引擎能够动态调整研究阶段——从假设生成、实验设计到数据采集和结论修正，形成一个非线性的闭环。Meta-Trace 记忆则负责记录数千次 LLM 推理、测量和修正动作的历史轨迹，确保长期研究过程中的自适应性和稳定性。
三大实验验证：从复现到新发现
研究团队在真实光学平台上对 Qiushi Engine 进行了严格测试，展示了其从复现到原创的完整能力链条：
- 复现已知实验：引擎成功在非原始平台上复现了已发表的传输矩阵实验，证明了其跨平台迁移能力。
- 理论到实验的转化：它将抽象的相干阶（coherence-order）理论转化为可观测的实验现象，据称是首次观测到该类相干阶结构。
- 自主发现新物理机制：在最为关键的开放式研究中，引擎经过 1.459 亿 token 的处理、3242 次 LLM 调用、1242 次工具调用，生成了 163 篇研究笔记和 44 个脚本，最终提出并实验验证了 光学双线性相互作用（optical bilinear interaction）。这一机制在结构上类比于 Transformer 注意力机制中的核心运算，为构建高速、节能的光学硬件实现成对计算开辟了新路径。
意义与展望
这项研究被作者称为“首个由 AI 智能体系统自主识别并实验验证先前未知物理机制的演示”，标志着研究级自主智能体从概念走向现实的关键一步。尽管当前系统仍局限于特定光学平台，但其端到端、闭环的研究范式预示着未来 AI 不仅能够加速科学发现，更可能成为真正的“合作研究者”，尤其是在需要大量试错和跨学科洞察的领域。
当然，从实验室原型到通用科学发现平台仍有距离。如何扩展系统的知识边界、处理更复杂的多模态数据，以及确保实验结果的可靠性和可复现性，将是下一阶段的挑战。但无论如何，Qiushi Engine 已经为自主科学智能体树立了一个新的标杆。