Auto Research又进化了：贝叶斯联手大模型，AI自己设计关键实验¶

Ch01.1134 Auto Research又进化了：贝叶斯联手大模型，AI自己设计关键实验¶

📊 Level ⭐⭐ | 5.4KB | entities/auto-research-贝叶斯-大模型设计关键实验.md

Auto Research 又进化了：贝叶斯联手大模型，AI 自己设计关键实验¶

PaperWeekly 解读了论文《Model Discovery Agent: LLM-assisted Bayesian experiment design for data-efficient discovery of mechanistic world models》（arXiv 2608.09696）。该研究提出模型发现智能体（Model Discovery Agent，MDA）：大模型先提出可能的科学假设，贝叶斯方法维护每个候选的不确定性，再主动挑出最能区分它们的关键实验，新结果回来后继续更新判断——实验选择权开始进入 AI 的自动研究闭环。核心分工是"大模型负责扩大假设空间，贝叶斯推断负责用证据筛选，实验负责继续消除不确定性"。

MDA 的机制发现闭环¶

传统方法沿着已有条件继续收集数据未必能区分机制——几个模型在现有观测下可能表现一致，改变输入、初始状态或直接干预系统后预测才分开。MDA 把模型放到从未执行过的干预条件上检验预测，并把问题变成"怎样用尽可能少的实验排除错误解释"。大模型先提出候选机制，最终裁决交给贝叶斯：序贯蒙特卡洛（SMC）为每个候选推断参数后验并计算边际似然，候选按模型证据获得结构后验；在 FORCEBENCH 中还加入显式复杂度先验，压制靠增加自由度换取拟合优势的模型。

下一场实验由信息价值（VoI）决定：关注不同候选模型在哪里预测分歧最大且不能被观测噪声淹没，预测分歧相对噪声越明显信息价值越高，连续实验空间用 CMA-ES 搜索最优设计。若新实验持续产生大残差，MDA 判断假设空间漏掉了重要机制，在 M-open 设定下重新调用大模型扩展候选池；当后验集中且残差足够低时则清理近重复候选。

跨领域机制发现结果¶

在 FORCEBENCH 中，8 次实验后 MDA 的数值通过率约 93%，同预算纯大模型智能体只有约 31%；纯大模型智能体平均需要约 41 次实验才能接近 MDA 8 次实验的预测误差。精确形式恢复率 MDA 为 74%，纯大模型为 31%；即使把相同的 13 种候选实验交给纯大模型智能体，8 次后通过率仍只有 22%。Yukawa 环境中，只有把探测范围推到屏蔽长度之外，重合的候选机制才明显分叉，真实机制在准确性与贝叶斯描述长度的权衡中胜出。

CHEMBENCH 覆盖 57 种单一或组合酶动力学机制，8 次实验后 MDA 符号准确率约 56%（匹配的 LLM-AutoSciLab 60 次实验约 42%），加入 M-open 后整体符号准确率从 36% 提升到 50%；但预测误差低不保证机制正确——PySR 在难任务中 RMSLE 低至 0.001 却未恢复真实动力学结构。在部分可观测的 NEURONBENCH 中，VoI 选出的超极化实验一次性区分四种候选通道机制；加入通道噪声后模型变随机微分方程，论文训练一维卷积网络从模拟轨迹学习摘要统计量构造合成似然，模型选择准确率基本跟上粒子滤波而单次决策计算加速约 104 倍。完整随机 NEURONBENCH 中模型化预测器 3 次实验将误差降低约 4 倍，MSE 约 4.6 接近 4.0 的单次试验噪声下限。

当前方法的边界¶

目前验证主要发生在合成基准和预定义设计空间中，距离真实实验室的全自主科研还有明显距离。基础模型能力影响优势大小：跨 Opus、Fable、DeepSeek 三种模型，MDA 数值通过率保持约 89%–94%、精确形式恢复率约 74%–83%，但换成更强的 Fable 5 后，纯大模型智能体在精确形式恢复上反而更高——MDA 更稳定的优势是在紧实验预算下用模型证据筛选候选假设，通过针对性实验持续减少不确定性。这与 Auto Research 能力分级 的判断一致：科研流程的自动化正在从读论文、写代码、跑实验，向上游的"下一步最值得获取什么证据"推进。

MDA 把实验设计变成可由自动微分求解的优化问题，代表了 AI 科研方法 从"执行科研"到"决策科研"的转折；它与 Deli Auto Research v2 的持续学习自改进 同属 Auto Research 的演化分支，一个解决实验选择，一个解决能力自增强。

→ 原文存档