Automated Paper Generation
围绕论文这一最终产物优化检索、写作、制图和排版，衡量重点往往是完成速度、文本质量与形式完整性。
从自动写论文，走向自主认知进展
论文是科学过程的表达载体，而不是科学发现本身。AI Scientist 的目标不是更快地产生文本，而是自主推动科学认知状态发生可验证的变化。
核心命题：
真正值得研究的不是 Automated Paper Generation，而是 Autonomous Epistemic Progress。
自主认知进展
围绕科学问题的知识状态持续行动，使未知逐步转化为假设、证据、反例、边界与能够继续演化的科学知识。
推动知识状态变化的自主科学闭环
AI Scientist 持续维护当前已知、未知、不确定与冲突的认知状态，并选择最有信息增益的下一步行动；每次行动都留下证据、条件、失败和状态更新记录。
Perceive
持续感知科学世界
接收论文、数据、实验观测、仿真结果和研究者反馈，追踪科学世界中的新增事实与异常信号。
Represent
维护科学认知状态
显式表示已有结论、证据强度、竞争性解释、适用边界、不确定性和未解决问题。
Diagnose
诊断知识缺口
识别当前解释不了的现象、相互冲突的证据、缺失的变量和最值得减少的不确定性。
Acquire
主动获取证据
在文献检索、数据分析、仿真和实验之间选择信息价值高且成本可控的证据获取路径。
Hypothesize
提出可证伪假设
形成能够解释现象、导出差异化预测并明确失败条件的候选机制，而不只是生成听起来合理的答案。
Test & Falsify
验证、证伪与比较
设计区分性实验或仿真，比较竞争性解释，保留负结果，并依据观测校准置信度。
Update
更新并沉淀科学知识
把确认、证伪、边界和新问题写回可审计的科研记忆，使下一轮研究从更新后的知识状态继续演化。
AI Scientist 的五级演化路径
能力从局部科研辅助逐步扩展到问题闭环、项目治理和科学协作网络；更高层级不仅需要更强模型，也需要长期记忆、可靠工具、资源治理和责任机制。
Scientific Assistant
帮助人类完成读论文、写代码、数据分析、绘图和文字润色等局部科研任务。
AI Co-Scientist
围绕人类提出的问题综合文献、提出假设、设计实验、批判方案，并与科学家开展多轮讨论。
Autonomous AI Researcher
接收较宽泛的研究目标后，自主完成问题细化、实验实现、结果分析、假设更新和复现材料生成。
AI Principal Investigator
管理多个长期项目，选择研究方向，组织人机团队，并配置数据、算力和实验资源。
Autonomous Scientific Ecosystem
大量 AI Scientist 通过共享协议连接论文、数据、仿真平台与实验室，形成持续运行、相互协作和相互批判的科学发现网络。
演化的核心不是文本产量，而是自主性、认知增益、验证能力与责任范围的共同提升。
人类科学家仍然定义科学的价值与边界
自主性不意味着取消人的判断。能力越强，越需要明确哪些决定能够授权给智能体，哪些价值、风险与责任必须由人承担。
01
定义值得追求的问题
判断什么问题具有科学价值、社会意义与投入必要性。
02
提供隐性知识与情境
补充难以形式化的领域经验、实验直觉和现实约束。
03
设定伦理边界
明确不可接受的风险、资源使用、研究对象与行动权限。
人类科学家的最终责任
定义值得追求的问题、赋予研究价值、提供隐性知识、设定伦理边界，并对最终科学判断承担责任。
以认知进展，而不是论文数量评价 AI Scientist
一个系统是否推动了科学进展，需要检查它改变了什么知识状态、依据是什么、如何被复核，以及失败是否真正影响了下一轮研究。
可审计
目标、证据、工具调用、状态变化和关键决策能够被追踪与检查。
可复现
研究环境、数据版本、实验步骤、分析过程和负结果得到完整保留。
可证伪
每个核心假设都给出能够推翻它的观测条件，并与替代解释进行比较。
可演化
确认、证伪与失败持续更新科研记忆，改变后续的问题排序和证据获取策略。