摘要
AI-Scientist 是面向自动化科研流程的模型项目，目标是让大语言模型独立完成从想法生成、实验执行到论文写作与评审的端到端流程。项目提供模板化实验机制与文献检索支持，可用于快速验证科研想法，但对模型能力、GPU 资源和运行隔离有较高要求，并附带明确的责任使用与披露约束。
功能与定位
AI-Scientist 定位为“自动化科学发现系统”。它将想法生成、代码编写、实验运行、结果可视化和论文排版串成一条流水线，用于在特定研究主题中自动完成多轮科研试验与产出。
典型使用场景
- 在预设研究模板中自动提出并筛选实验想法。
- 自动执行实验并生成图表与论文草稿，用于研究探索与对比验证。
- 对生成论文执行模型评审，输出评分、结论和问题清单。
- 基于模板机制扩展到新的研究主题或学科方向。
核心功能
- 端到端自动化流程：想法、代码、实验、图表、论文一体化。
- 文献检索与引用支持：可接入 Semantic Scholar 或 OpenAlex。
- 论文评审模块：支持对生成稿进行结构化评审。
- 模板扩展机制：官方模板 + 社区模板并存，便于迁移到不同任务。
特色与差异点
- 强调高自治科研流程，而非单点工具。
- 与模板体系深度绑定，便于复用实验框架。
- 同时覆盖“生成论文”和“评审论文”两个环节。
- 许可证包含 AI 生成内容披露条款，边界定义更明确。
使用方式概览
- 建议在 Linux + NVIDIA GPU + PyTorch 环境运行。
- 先准备模板所需数据与基线运行，再启动自动化实验流程。
- 可按所用模型配置对应 API 凭据与相关依赖。
- 建议优先使用容器化运行，降低自治代码执行风险。
限制与注意事项
- 项目会执行模型生成的代码，存在依赖、网络访问与进程行为等安全风险。
- 纯 CPU 场景通常成本高且耗时长，实际可用性受硬件约束明显。
- 效果依赖基础模型能力，弱模型可能导致流程稳定性和结果质量下降。
- 当前更适合可代码化表达与验证的研究问题。
- 许可证要求在科研稿件中明确披露 AI 生成事实；使用前需评估学术合规要求。
链接
- 仓库主页: https://github.com/SakanaAI/AI-Scientist
- README: https://github.com/SakanaAI/AI-Scientist/blob/main/README.md
- LICENSE: https://github.com/SakanaAI/AI-Scientist/blob/main/LICENSE
- 论文: https://arxiv.org/abs/2408.06292
- 官方博客: https://sakana.ai/ai-scientist/