这篇52页综述把AI做科研这件事，明明白白划成了L0到L4五个等级¶

📊 Level ⭐⭐⭐ | 7.1KB

-> 原文存档

AI做科研：L0到L4五级自主度框架¶

核心框架¶

arXiv 2605.23204v1《AutoResearch AI》给出了L0-L4五级自主度框架——按workflow控制权、任务执行权、验证权、科学问责权看人和AI怎么分工：

等级	描述	代表系统
L0	Human Only，纯人工	历史基线
L1	Human-Led, AI-Assisted	ChatGPT/Claude/Gemini 辅助科研
L2-S	单步自动化执行	Coscientist (Nature 2023)
L2-I	交互式工作流自动化	AI co-scientist (Nature 2026)
L2-P	流水线自动化（人验证下）	The AI Scientist、AI Scientist-v2、Agent Laboratory
L3	AI-Led, Human-Assisted	目前无系统达到
L4	AI-Autonomous	理想化远期目标，无任何系统达到

关键切分：L1-L2是Vibe Research（人在驾驶座），L3-L4才是真正的AutoResearch。「pipeline能跑通 ≠ 到了L3」——只要还需要人判断hypothesis是否有意义、experiment是否valid、result是否reproducible，就还在L2-P。

核心警示¶

「流程被打通了」不等于「科研自主了」。当前系统在搜索、起草、写代码、bounded execution 上越来越强，但 validation、rejection（拒绝弱方向）、reproducibility、exception handling、accountable closure 这些环节还差得远。

五个评估维度¶

从「任务完成度」切换到「科学可信度」： - Novelty（新颖性） - Validity（有效性） - Impact（影响力） - Reliability（可靠性） - Provenance（可溯源性）

领域间不均衡¶

计算/形式科学最快：artifact 本身是 digital/executable/replayable
化学/材料：有 robotic lab 支持
生物/医学/社科：embodiment、ethical constraint、causal reasoning 的难度不是「加大模型」能解决的

重要判断：不要拿 coding agent 的进展去推断「AI能做全科学的端到端研究」。

深度分析¶

从专用模型到通用科研Agent的范式跃迁¶

这篇综述揭示了一个根本性转变：AlphaFold代表的专用模型时代和以LLM驱动的通用科研Agent时代是两条不同的路。AlphaFold把单一任务做到极致，但无法迁移；LLM驱动的系统则在广度上打开了一扇门——文献调研、想法生成、计划制定、代码执行、结果分析、论文撰写，第一次有可能被同一个系统串起来。

L2-P的三种形态揭示了当前Pipeline的分化¶

L2-P内部存在显著分化：单步执行（L2-S）、交互式工作流（L2-I）、流水线自动化（L2-P） 代表了不同程度的自动化成熟度。Coscientist代表单步执行能力；AI co-scientist引入了交互迭代；The AI Scientist则试图做端到端流水线。这种分化说明当前所谓的"SOTA系统"实际上能力梯度很大，不能一概而论。

为什么L3是真正的分水岭¶

L3的核心要求是AI主导、人辅助——这意味着机器不仅执行任务，还要判断hypothesis的价值、决定实验方向、承担科学责任。目前没有任何系统达到L3，关键卡点在于：validation能力不足、rejection能力（即主动放弃弱方向）几乎为零、reproducibility验证缺失、exception handling机制不完善。这不是加大模型参数能解决的，需要架构层面的创新。

当代Landscape的分工架构说明什么¶

当前Landscape不是被某个统一架构统治，而是分为知识支持层（文献 grounding、QA、planning）、执行底座层（code agent、tool use）、Pipeline协同层（The AI Scientist等）、开源基础设施层（NanoResearch、ResearchClaw等）。这种分工提示：端到端系统还处于非常早期，基础设施正在成为竞争焦点。

实践启示¶

不要被demo误导：看到"端到端科研Agent"的演示视频时，首先问清楚它在哪一级——是L2-S/L2-I还是L2-P，距离L3还有多远。
评估重点切换：从"任务完成率"转向"科学可信度"——novelty、validity、reliability、provenance五个维度才是衡量科研AI的真正标尺。
领域差异巨大：计算科学可以快速推进，生物医学受限于embodiment和ethical constraint，社科则几乎无法自动化。选择落地场景时必须考虑领域特性。
基础设施是壁垒：2026年的趋势是从"研究agent demo"转向"可复用研究基础设施"——NanoResearch、ResearchClaw、AutoResearchClaw等正在建立workspace、可复用环境、persistent project state的能力。这将是下一阶段的核心竞争力。
L3路线图：如果要向L3推进，重点必须放在validation/rejection能力建设、reproducibility自动化、exception handling机制，以及最终的accountable scientific closure能力上。