📌 项目地址：SakanaAI/AI-Scientist | ⭐ 13,816 颗星 | 🔧 Jupyter Notebook | 📜 NOASSERTION
项目概况
📌 项目地址：SakanaAI/AI-Scientist | ⭐ 13,816 | Jupyter Notebook
Sakana AI（东京的一家 AI 公司）放出了他们所说的“第一个完全自动开放式科学发现系统”。论文、博客、全部运行数据都公开在 Google Drive，每个基座模型在每个模板上大约跑了 50 个想法。README 还附了 10 篇系统自动生成的论文。
这个系统做什么
流程是完整的：LLM 自己提研究想法、写实验代码、跑实验、分析结果，最后用 LaTeX 排版出一篇论文，全程无人工干预。README 的原话是”perform research independently”。
对比现状：现有的前沿模型要么帮人头脑风暴，要么帮人写代码，都需要大量人工监督，或者被限定在单一任务里。这个项目想做到的是整条链路自动化。
我读了那 10 篇论文
README 建议读者自己去读 Claude 生成的论文，”get a sense of the system’s strengths and weaknesses”。我照做了。
选题集中在两块。低维扩散模型改进：DualScale Diffusion、Multi-scale Grid Noise、GAN-Enhanced Diffusion、DualDiff、StyleFusion。Grokking 现象：权重初始化、分层学习率、最小描述长度（MDL）、数据增强，四篇。剩下一篇用 Q-Learning 调 Transformer 学习率。
格式上挑不出毛病。摘要、引言、方法、实验、结论，一应俱全。单读一篇，像一篇正经 workshop 论文。
十篇放一起读，问题就出来了。
问题一：模式单一
每篇都是同一个模板：拿一个基线方法，换掉其中一个组件，跑对比实验，报告指标变化。十篇无一例外。这是组合式探索，不是开放式发现。所谓”open-ended”，至少从这批产出看，开不了多远。
问题二：只报告，不检验
Q-Learning 调学习率那篇：Q-Learning 自身的学习率、折扣因子、奖励设计都会影响结果，论文没做敏感性分析，也没和 Adam 偏置校正这类成熟机制对比。你知道“这样调变好了”，不知道为什么，也不知道边界在哪。
Grokking 与 MDL 那篇更典型。泛化发生时 MDL 同步下降——这个相关性已有文献报告过。系统观察到相关就停笔了，没有干预实验，没有因果验证。
十篇里没有一篇构造反事实检验，没有一篇尝试推翻自己的结论。描述现象，不检验机制。
官方态度值得肯定
README 用了 highly 这个斜体强调：“强烈建议读几篇 Claude 论文，自己判断系统的强弱”。失败的 run 也全部公开在 Drive 里。看原始日志比看论文更能了解系统真实水平。这种不遮掩的做法，比大多数 AI 公司体面。
我的判断
把它当一个模板框架内的批量实验执行器：模板划定问题域和指标，系统做变体组合探索，输出格式统一的报告，全程有日志可审计。需要反复跑实验、反复写报告的团队，能省下机械劳动。
它做不了的：判断一个问题值不值得研究，设计对照实验区分竞争性解释，对反常结果追问到底。
一句话结论：当实验执行器用，别当合作者用。产出当实验报告读，合格；当科学发现读，会失望。科研的瓶颈从来不在写论文那一步，在提出问题那一步——这条流水线再快也绕不开。
想深入了解，先读 README 里的配套论文和博客，再翻 Drive 里的原始日志，尤其是失败的那些。