📖标题：OmniScientist: An Omni-Modal Omni-Discipline AI Scientist
🌐来源：arXiv, 2608.13558v1
🛎️文章简介
🔸研究问题：现有AI科学家系统仅处理文本或预计算特征，丢失了原始数据中的时空与程序关系，如何构建能直接利用异构原始证据进行多学科发现的AI科学家？
🔸主要贡献：论文提出OmniScientist，一个端到端、全模态、跨学科的AI科学家框架，通过全生命周期感知和代码强制校验，实现从原始数据到可验证论文的自动化生成。
📝重点思路
🔸构建全生命周期感知层：将科学证据分为感知、符号、定量统计和过程四类，代理直接读取图像、信号、音频等原始数据，而非依赖预提取特征，确保空间、时间及跨通道关系不被丢失。
🔸设计三阶段自主代理流水线：包含构思（Ideation）、实验（Experiment）和撰写（Writeup）三个代理。构思阶段结合文献搜索提出可证伪假设；实验阶段自动生成并调试代码执行分析；撰写阶段基于执行记录生成符合领域规范的论文。
🔸实施代码强制的严格校验机制：在流程关键节点引入确定性检查，包括新颖性筛查、统计有效性验证、执行来源追溯及反HARKing（先有结果后设假设）约束，确保所有声称均有真实代码输出支持且可追溯。
🔸建立跨学科评估基准：构建涵盖5大学科族、36个真实数据集的演示套件，涉及12种模态，测试系统在物理、地球科学、生命科学等领域的通用性及直接感知对科研质量的贡献。
🔎分析总结
🔸系统具备广泛的跨学科适用性：在36个案例中均成功完成从原始数据到编译论文的全流程，平均综合得分为6.3，且在不同学科和数据模态间表现稳定，证明其领域无关性。
🔸直接感知显著提升科研质量：与仅接收预计算标量特征的盲变体相比，启用全模态感知的系统在多模态 grounding 和科学显著性上提升最大，并在85%的头对头比较中胜出，证实原始观察对假设形成至关重要。
🔸事实准确性高度可靠：得益于严格的来源追溯检查，无论使用何种推理主干模型，生成论文的事实准确性得分始终最高，有效防止了幻觉和数据伪造。
🔸组件消融揭示关键驱动因素：移除文献搜索或迭代代理循环会导致性能大幅下降，而新颖性检查有效提升了创新性评分，证明了结构化搜索和迭代反思在自主科研中的核心作用。
💡个人观点
论文突破了以往AI科学家仅作为"工作流自动化工具"的局限，强调了"感知即发现"的理念。通过让AI直接接触原始多模态数据，并结合确定性的代码级校验来解决大模型幻觉和统计操纵问题。
