文章核心观点 - 北京大学马滟青团队开发了名为AI-牛顿（AI-Newton）的创新系统，该系统能够完全自主地从原始实验数据中推导出物理定律，而无需任何先验物理知识或监督，这标志着向AI驱动的自主科学发现迈出了重要一步 [2] 突破传统：AI驱动的科学发现新范式 - 当前科学发现面临两大挑战：人类主导的研究周期长且易受预设观念影响；现有AI方法如神经网络难以解释，符号回归方法在处理复杂系统时面临组合爆炸问题 [5] - AI-Newton的设计灵感来源于人类科学家的思考方式，但摒弃了对人类知识的依赖，仅从最基本的时空坐标观测数据出发，通过自主定义物理概念和建立数学关系来重新发现核心物理定律 [6] 核心架构：概念驱动的知识发现引擎 - AI-Newton的核心是其三层知识库架构（符号、概念和定律），模仿了人类物理学家组织知识的方式，系统从简单概念（如位置、时间）开始，逐步构建更复杂的概念（如速度、加速度），最终形成完整的物理定律 [8] - 系统能够自主定义物理概念，例如通过分析弹簧悬挂小球的实验，将弹簧的伸长量定义为“质量”的度量，并能从不同实验中识别出“引力质量”和“惯性质量”的等价性，展现了强大的概念抽象能力 [10] 工作原理：合理推理与符号回归的完美结合 - AI-Newton的工作流程融合了合理推理与符号回归技术，系统通过推荐引擎选择要分析的实验和概念，模仿了人类在探索与利用之间的平衡策略 [12] - 当系统发现某个通用定律在新场景中不成立时，会通过合理推理尝试添加新项来修正定律，例如从动能守恒出发，通过引入弹性势能项，最终发现完整的机械能守恒定律 [12] 实验验证：重新发现牛顿力学定律 - 研究团队在46个牛顿力学实验上测试了AI-Newton，涵盖了从简单自由落体到复杂多体系统的各种场景，所有测试数据都通过求解微分方程并添加高斯分布误差来模拟真实实验条件 [14] - AI-Newton成功重新发现了牛顿第二定律、能量守恒定律和万有引力定律等核心物理规律，系统平均能发现约90个物理概念和50个通用定律，为所有测试实验提供了完整的物理解释 [17] 两大特征：渐进性与多样性并存 - 通过多轮测试分析，发现AI-Newton具有两个核心特征：渐进性进步，系统模仿人类科学家，从简单概念开始逐步构建复杂知识体系，反映了逻辑一致性；发现多样性，在不同测试案例中，系统发现重要概念和定律的顺序和时间存在显著差异，确保了重要定律的发现不依赖于特定实验配置 [19] 未来展望：通往通用人工智能的新路径 - AI-Newton的框架展现出强大的扩展潜力，通过引入更强大的数学工具（如矢量形式体系、逻辑推理）和自然语言集成，系统可以处理更复杂的物理概念，甚至表达难以纯数学表达的概念（如惯性、量子力学原理） [21] - 这项研究不仅推动了AI驱动的科学发现，还为实现通用人工智能（AGI）提供了新思路，AI有望在尖端科学发现中发挥重要作用，成为人类科学家的强大合作伙伴，意味着迎来了科学研究范式转变的关键节点 [21]

AI在科研中的角色演进 - AI已深度介入科研流程 从提出假设到生成图表、撰写论文 正逐步参与乃至重塑整个科学研究的方式 [2] - 尽管AI在CVPR、NeurIPS等顶会中无处不在 但此前几乎没有任何会议或期刊承认其作者身份 [2] Agents4Science 2025会议突破性规则 - 斯坦福大学将于2025年举办全球首个要求AI作为第一作者的学术会议 投稿论文必须以AI系统为唯一第一作者 [4][5] - 人类研究者仅可作为共同作者 作用限于支持或监督 每位人类作者最多参与4篇投稿论文 [6] - 会议评审机制以AI为主 由多个AI系统初评避免单一模型偏差 人类专家委员会负责复评和最终奖项裁定 [9] 会议目标与设计原则 - 三大核心目标：探究AI科学发现能力边界 建立AI科研规范体系 实现全流程透明度 [14] - 会议将公开所有提交论文及AI评审数据 包括提示和评审结果 作为社区开放资源 [14] - 采用线上虚拟形式举办 与ICCV 2025同期进行 包含演讲、口头展示和小组讨论 [13][18] 学术社区反响 - 研究者高度评价该会议为"AI科研能力的基准测试" 期待其生成的数据集对行业有启示意义 [16] - 部分学者关注AI生成论文被其他LLM误采信的风险 认为公开错误案例具有研究价值 [16] 关键时间节点 - 论文提交截止：2025年9月5日(AOE时间) 评审结果公布：2025年9月29日 正式会议日期：2025年10月22日 [19] - 会议主席团队来自斯坦福大学和TogetherAI 涵盖生物医学数据科学、LLM自进化等前沿领域 [21]

AI驱动的科学发现 - 非营利组织Future House利用多智能体系统"Robin"发现ROCK抑制剂Ripasudil对干性年龄相关性黄斑变性(dAMD)具有潜在治疗效果[3][4] - 研究流程完全由AI驱动，包括假设生成、实验设计、数据分析和迭代优化，人类仅负责实验室操作和论文撰写[2][7] - 整个研究过程仅耗时10周，远快于传统研究方法[9] 技术实现细节 - Robin系统由Crow、Falcon、Finch三个智能体组成，分别负责文献回顾、药物评估和数据分析[18] - 系统首先回顾151篇文献提出10种生物学机制假设，随后分析400篇文献筛选30种候选药物[21][22] - 通过流式细胞术测试5种优先药物，最终发现Ripasudil可使RPE细胞吞噬作用提升7.5倍[25][48] 科学发现价值 - 研究揭示了ROCK抑制剂通过增强RPE细胞吞噬作用和调节ABCA1基因表达(上调3倍)来治疗dAMD的新机制[45][47] - 发现ROCK抑制剂在治疗dAMD中的应用具有创新性，不同于以往整合素抑制剂的研究[65][67] - 研究成果已获得多位领域专家的认可[5] 团队背景 - Future House由物理学家Sam Rodriques和化学家Andrew White联合创立，专注于AI驱动的科研自动化[52] - 团队核心成员在生物工程、化学、AI等领域具有丰富研究经验和学术成果[53][56][57] - 组织计划开源相关代码和数据，推动科学研究的开放协作[12] 行业影响 - 该成果展示了AI在药物发现领域的巨大潜力，可能改变传统研发模式[16] - 研究引发广泛关注，为dAMD患者带来治疗希望，同时也引发关于创新性的学术讨论[61][62][64] - 团队将继续探索科学自动化的四个层面，推动AI在科研中的深度应用[59]