论文信息
| 项目 | 内容 |
|---|---|
| 日期 | 2026-08-15 |
| 论文 | OmniScientist: An Omni-Modal Omni-Discipline AI Scientist |
| 作者 | Bobo Li, Hao Fei*, Tianjie Ju, Mong-Li Lee, Wynne Hsu |
| 机构 | 新加坡国立大学、牛津大学 |
| 链接 | arXiv:2608.13558 |
| 代码 | github.com/Omni-Scientist/OmniScientist |
一句话总结
AI 科学家的瓶颈不是工作流覆盖，而是证据访问：让 agent 在研究全生命周期直接"看"原始数据（波形、影像、3D 结构），而非依赖人工预处理的特征，论文质量在全部 7 个维度提升、正面对比 85% 获胜。
解决什么问题
从 AI Scientist、Agent Laboratory 到最近的端到端系统，AI 科学家已经能自主完成"想法→代码→实验→写稿→自审"的完整流程。但作者指出一个被忽视的断层：这些系统全部只消费文本、代码、标签或预计算摘要——工作流完整，证据不完整。
科学证据的核心关系藏在原始数据里：显微图像的局部形态、波形的时序包络、多通道信号的一致性、实验视频的过程性信息。接口决定了哪些关系能存活：一段 caption 会丢掉局部形态，一组标量特征会抹掉时间顺序。现有系统让 agent 在研究开始前就继承了人类选定的表示，这直接约束了它能注意到什么异常、提出什么假设、支撑什么结论。多模态模型本身并不解决这个问题——科学基准把观察和问题都预先固定了，而已有 agent 对感知的使用只停留在局部环节（检查生成的图表、看界面）。
核心方法
OmniScientist 的架构是"开放内核 + 确定性外壳"：
- 感知层：把证据分为 4 个与学科无关的族——感知型、符号型、量化统计型、过程型。同一引擎可以处理地震图、CAD 点云或知识图谱。感知有预算控制：优先做原生数值分析（如 FFT 峰值），只在空间/结构模式必要时才渲染视觉，且视觉调用次数封顶。
- 3 个自主 agent（ideation / experiment / writeup）在阶段内跑 ReAct 循环，自由推理。
- 代码把关的阶段出口：idea check、rigour check、claim check 不是模型自评，而是 Python 谓词——检查 finalize 载荷和循环的真实状态，不通过就把拒绝原因作为新观察喂回去，阶段无法结束。检查项包括：≥5 个候选想法+≥3 次文献检索（新颖性）、泄漏与有效样本量、执行溯源、反 HARKing（禁止结果出来后编假设）、数值可追溯（每个报告的数字必须来自真实程序输出）。
扩展新学科只需一个 spec 文件，核心管线和检查代码零改动。
实验结果
- 36 个真实数据案例，覆盖 5 大学科族（物理、地空、生医、农业生态、工程信息）、4 类证据、11 种模态（图像、信号、音频、视频、3D、轨迹、表格、公式、图谱等），全部跑通"原始数据→编译论文"。
- Sonnet 5 骨干平均总分 6.3/10（2 名跨族评委）；GLM-5.2、Kimi K2.7 表现相当（部分子集 6.4–7.5）。按学科/模态分组的中位数紧贴 6.1–7.1，跨域稳定；事实准确性在 36 例中 30 例 ≥7.0。
- 盲测对照（只给预计算标量特征）：感知版 7 个维度全面占优，正面对比 85% 获胜；最大增益在多模态 grounding（+2.8）和科学显著性（+1.8）。事实准确性两组打平——因为都受同一溯源检查约束。
- 消融：去掉先验文献检索跌幅最大（6.9→5.7）。
- 案例1：审计 STEAD 地震数据，agent 从波形形态发现"噪声"标注轨迹里有明确的起震-衰减包络，据此提出问题并构造 STA/LTA+极化+跨通道符合检测器：21.7% 的噪声标注轨迹携带相干瞬态能量（95% CI [18.8, 24.9]），在 3 种零模型、50 倍虚警率范围、417 台站 bootstrap 下稳健。
- 案例2：读儿科胸片发现肺炎肺野"斑驳"而非均匀变亮，将其转化为局部熵空间离散度指标：Cohen’s d>1.2，held-out AUC 0.851，且独立于整体熵水平。
深层洞察
这篇论文最锋利的观点是**“接口即天花板”**：数据以什么形式进入 agent，决定了科学发现的上限。机制分析显示感知改变的不是文风而是研究轨迹本身——同一个星系数据，感知版问"视觉模型的形态判读在更浅巡天中是否退化"，盲版只能问"3 类能否沿 8 个给定特征轴分开"，这是两项完全不同的研究。
第二个洞察关于可靠性来源：防造假不靠模型自觉，靠管线约束。事实准确性在盲测和感知版之间打平（约四分之一判决是平局），因为两组都过了同一套代码级溯源检查——确定性约束是比更强的模型更可靠的护栏。
局限性
- 36 案例是精选演示套件，非开放竞争性发现；6.3/10 的均分离顶会论文尚有距离。
- 评审依赖 2 名 LLM 评委的主观 rubric，存在评价偏差风险。
- 只支持纯计算实验，需要物理实验的想法直接被拒。
- 新颖性判断依赖 OpenAlex 文献检索覆盖。
- 全模态感知+多轮循环的成本不低，论文未给出经济性分析。
工程实践启示
- Agent 管线模式：阶段内自由推理、阶段边界代码控制转移和验证——这种"开放内核+确定性外壳"值得所有多阶段 agent 系统借鉴，比纯 prompt 编排可靠得多。
- 出口谓词模式：finalize 载荷+循环状态→(accept, reason)，拒绝原因回灌对话。实现简单，但把"检查"从模型自评变成了硬约束。
- 感知预算控制：数值优先、视觉按需、次数封顶，是控制多模态 agent 成本的实际手段。
- 给 agent 的数据接口本身就是最重要的设计决策——做数据 agent 时，先问"哪些关系在预处理中被丢掉了"。