❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！

🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 丰富的 AI 工具库 -> 每日更新 -> 尽在微信公众号 -> 搜一搜：蚝油菜花 🥦

🔬 "科研民工集体失业？AI系统竟能独立完成顶会论文，评审专家直呼离谱！"

大家好，我是蚝油菜花。当科研人员还在为实验设计和论文修改熬夜爆肝时，这个由 Sakana AI 领衔开发的系统正在颠覆传统科研范式！

你是否经历过这些学术至暗时刻：

• 📊 实验数据反复异常，三个月心血付之东流
• 📑 论文评审意见要求补充实验，截稿日期迫在眉睫
• 🔬 跨学科研究需要同时掌握多个领域知识，分身乏术...

今天要拆解的 The AI Scientist-v2 ，用三大突破重塑科研生产力：

• ✅ 全流程自动化：从假设生成到论文撰写，无需人工干预
• ✅ 树状搜索算法：并行探索多实验路径，效率提升300%
• ✅ 视觉语言双反馈：图表质量与文本逻辑AI自检，成果直投顶会

已有团队用它生成ICLR 2025录用论文，接下来将解密这个「科研终结者」的技术原理与部署方法！

🚀 快速阅读

该系统实现了科学研究全流程的自动化闭环。

1. 核心功能：自主生成假设、设计实验、分析数据、撰写论文
2. 技术原理：基于代理的树搜索算法优化探索路径，视觉语言模型提供质量反馈

The AI Scientist-v2 是什么

该系统通过整合多模态AI技术，构建了完整的科研自动化工作流。其核心突破在于消除对人类预定义模板的依赖，采用自适应的探索策略完成复杂科研任务。

技术架构采用分阶段管理机制，将科研过程拆解为假设生成、实验设计、数据分析等模块。每个模块通过特定代理实现功能，系统通过树搜索算法动态优化执行路径。

The AI Scientist-v2 的主要功能

• 假设智能生成：基于现有文献自动推导创新研究方向
• 实验动态规划：根据实时数据调整实验参数与流程
• 可视化自检：通过VLM评估图表质量并优化呈现方式
• 论文结构化输出：自动生成符合学术规范的完整论文

The AI Scientist-v2 的技术原理

• 树状搜索算法：采用广度优先策略并行探索多实验路径
• 模块化代理系统：实验管理代理协调各阶段任务执行
• 代码自愈机制：自动调试执行异常代码并记录错误日志
• 多源数据处理：集成Hugging Face数据集实现快速加载

如何运行 The AI Scientist-v2

1. 安装

conda create -n ai_scientist python=3.11
conda activate ai_scientist
conda install pytorch torchvision torchaudio pytorch-cuda=12.4 -c pytorch -c nvidia
conda install anaconda::poppler # 用于 pdftotext
conda install conda-forge::chktex # 用于写入

pip install -r requirements.txt

2. 支持的模型和 API 密钥

OpenAI 模型

默认情况下，使用 OPENAI_API_KEY 环境变量。

Claude 模型（通过 Bedrock）

对于由 Amazon Bedrock 提供的 Claude 模型，请安装以下额外包：

pip install anthropic[bedrock]

接下来，设置一组有效的 AWS 凭证 和目标 AWS 区域，通过设置环境变量 AWS_ACCESS_KEY_ID、AWS_SECRET_ACCESS_KEY 和 AWS_REGION_NAME。

Semantic Scholar API（文献搜索）

我们的代码还可以选择使用 Semantic Scholar API 密钥（S2_API_KEY）以提高吞吐量（如果你有密钥的话）。如果没有密钥，也可以运行，但可能会影响性能。如果你在使用 Semantic Scholar 时遇到问题，可以跳过文献搜索和引用阶段。

确保为使用的模型提供密钥，例如：

export OPENAI_API_KEY="你的密钥"
export S2_API_KEY="你的密钥"

3. 运行 AI Scientist-v2 论文生成实验

你可以使用命令行参数指定写入和评审阶段的模型。最佳优先树搜索配置可以在 bfts_config.yaml 文件中找到。根据需要进行修改。

相关的树搜索配置参数包括：

• agent 配置：

  • 设置 num_workers 和 steps。steps 是要探索的最大节点数。例如，如果你设置 num_workers=3，steps=21，树将增长到 21 个节点，每次 3 个节点。其他代理参数如 k_fold_validation、expose_prediction 和 data_preview 在当前版本中不使用。
  • num_seeds：如果 num_workers < 3，则应与 num_workers 相同。否则，设置为 3。

• search 配置：

  • max_debug_depth：代理尝试调试节点的次数，直到放弃整个链。
  • debug_prob：调试节点的概率。
  • num_drafts：在阶段 1 开始时的根节点数量（要增长的树的数量）。

以下是一个运行 AI Scientist-v2 的示例命令（请查看 bfts_config.yaml 以获取树搜索参数，包括 claude-3-5-sonnet）：

python launch_scientist_bfts.py \
 --load_ideas "ai_scientist/ideas/i_cant_believe_its_not_better.json" \
 --load_code \
 --add_dataset_ref \
 --model_writeup o1-preview-2024-09-12 \
 --model_citation gpt-4o-2024-11-20 \
 --model_review gpt-4o-2024-11-20 \
 --model_agg_plots o3-mini-2025-01-31 \
 --num_cite_rounds 20

阶段 1 完成后，你应该会在 experiments 目录中看到一个带有时间戳的日志文件夹。在该文件夹中，导航到 "timestamp_ideaname"/logs/0-run 以找到 unified_tree_viz.html。

资源

• 项目主页：https://sakana.ai/ai-scientist-first-publication/
• GitHub 仓库：https://github.com/SakanaAI/AI-Scientist-v2

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！

🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 丰富的 AI 工具库 -> 每日更新 -> 尽在微信公众号 -> 搜一搜：蚝油菜花 🥦