26年10月，论文"DiscoveryRSI: Recursively Learning to Discover Valuable Hypotheses"，来自PhAI Labs、香港中文大学、密歇根大学、新加坡国立大学、复旦大学、北京大学人民医院、北京大学、斯坦福大学、香港科技大学、加州大学圣塔芭芭拉分校、东南大学、哈佛医学院、圣保罗联邦大学、伊利诺伊大学厄巴纳-香槟分校 (UIUC)、麻省理工学院 、牛津大学和普林斯顿大学。
DiscoveryRSI 的核心思想是：把"提出假设---查证---批评---修订"的科研过程保存为可追溯的经验，再用这些经验同时改进模型和研究工作流。 论文最有说服力的结果是提高了研究方案的可检验性；对于能否持续产生更重要、更新颖且经实验验证的发现，证据仍有限。
一、DiscoveryRSI 方法如何运作
1. 把"科研假设"定义成一个完整的研究对象
论文将假设表示为：
H=(c,pi,d,a)
其中，c 是有证据依据的科学主张，pi 是调查或实验方案，d 是预先声明的判定标准，a是替代解释。
例如，"某指标能预测 ICU 出院后风险"还不够完整；还需说明研究人群、预测窗口、基线模型、数据划分、什么结果算支持，以及疾病严重程度等混杂因素如何处理。
这个定义把两项要求联系起来："有价值"意味着解决该问题能改变认识或研究决策；"可检验"意味着在既定数据与资源约束下，结果能够支持、削弱或限定主张。它并不要求假设最终被证实，信息充分的阴性结果也可能有价值。（第 2 节）
2. 通过多智能体搜索，发展出可追溯的假设图
系统中的角色分工包括：
| 角色 | 主要职责 |
|---|---|
| Lead | 选择方向、父假设、操作与研究资源分配 |
| Generation | 提出新假设 |
| Evolution | 推进或修复已有假设 |
| Critique | 匿名比较假设的科学质量 |
| Progress | 对照真实前序版本，判断是否取得实质进展 |
| Compiler | 将选中的计算研究方案转为可执行任务 |
搜索有四种操作：深化、修复、交叉组合、重新开始。因为交叉组合允许多个父节点，所谓"研究树"实际上可以是有向无环图。
系统同时保存文献、数据、草稿、代码或结果、评审、贡献者和执行记录。假设的演化关系与智能体的行动轨迹分开记录，从而能追问：某项改进来自哪次查证、哪个对照设计、哪个协调决定。（第 3.1 节、附录 A）
3. 将研究方案编译为 Harbor 任务
选中的计算研究被整理为包含输入、运行环境、输出要求和验证检查的 Harbor 任务，并保留原假设的人群、比较方式与结果解释标准。
这里有一个关键边界：通过计算检查只能说明任务满足执行要求，不能证明科学主张成立。无法获得的数据与湿实验仍作为待满足的依赖项。（第 3.2 节）
4. 用"假设贡献分配"训练模型
这是方法中最核心的学习机制，分为三步。
- 先评估假设。 根据匿名成对比较，用 TrueSkill 估计相对质量及不确定性；再结合比较覆盖、有效性和修订进展，生成有上限的训练权重。TrueSkill 衡量的是评审标准下的相对偏好，不能解释为假设为真的概率。
- 再分配给有记录的贡献轨迹。 权重分给实际产出、提供支持或完成协调的智能体调用。仅出现在祖先节点或参与同一轮研究，并不会自动获得贡献分。
- 最后只模仿有证据支持的行动。 训练目标包括相关助手输出和工具调用参数；工具返回与已知失败行动可作为上下文，但不直接计算训练损失。
其目标本质上是带贡献权重、按轨迹归一化的监督微调：
同时通过去重、同一科学问题的总额度和单轨迹上限，限制反复注册相近假设带来的重复奖励。因此，它更接近基于科研过程证据的加权行为模仿。（第 3.3 节、附录 B--C）
5. 改进工作流，再开展新研究
另一个分支是 Harness Replay：固定模型，分析重复探索、工具失败、交接丢失和过早结束等问题，提出协调、证据访问与检查机制的修改。
模型与工作流候选分别、联合接受开发集检验；可以更新其中之一、两者都更新，或都保留原状。通过的系统再研究新问题，产生下一轮学习材料，这一步称为 Rediscovery。（第 3.4--3.5 节）
如图所示DiscoveryRSI 将多智能体假设构建与递归自我改进（Recursive Self-Improvement, RSI）相结合。(a) 在单次迭代（episode）的多智体搜索中，由"主导者"（Lead）负责协调"生成"与"演化"环节；对候选假设版本进行评估，并记录进展。被选中的假设会被汇编成"Harbor 任务"，其中关联了证据、数据、草稿、产出物、评估结果、贡献记录及执行日志。(b) 研究树（Research trees）在多轮 RSI 迭代中传递假设：记录的状态 H_t 进入 RSI 流程，进而生成更新后的参数（theta_{k+1}, psi_{k+1}）以及用于进一步探索的新问题。(c) 即RSI步，两个更新分支基于同一经验进行学习：假设信用优化（hypothesis credit optimization）将评估结果和贡献记录转化为加权训练；而"执行回放"（harness replay）则在模型参数固定的前提下，诊断反复出现的失败案例，并测试针对性的工作流程调整。在进入第 k+1 轮之前，所有采纳的更新都会先在开发集（development set）上进行验证。
二、论文的主要贡献
- 把科研过程变成可学习的数据。
贡献在于连接了假设质量、版本历史、具体贡献和训练目标，使模型能够从研究如何被推进中学习。 - 把主张与检验方案绑定。
对判定标准和替代解释的显式要求，有助于减少"听起来合理但无法判定"的提案，也承认阴性与不确定结果的科学价值。 - 同时学习模型能力与研究组织方式。
参数更新处理模型行为，工作流更新处理协调与执行问题；两者在统一循环中接受验证。 - 提出更完整的过程评估框架 DFM-Bench。
它分别评估单个假设、一次修订、发展路径、整轮研究和科学贡献，并将科学质量与执行成熟度分开，避免把"代码跑通"当作"发现成立"。 - 展示了研究设计能力的实际改善。
在四个生命科学领域、241 个研究问题上，两轮改进后的自动总分由 4.86 升至 5.39。主要变化如下，评分范围为 1--10：
| 维度 | 基础模型 | 第二轮 |
|---|---|---|
| 可证伪性 | 4.00 | 6.20 |
| 替代解释 | 4.44 | 5.98 |
| 数据可判定性 | 3.73 | 4.99 |
| 可行性 | 4.79 | 5.87 |
| 重要性 | 6.48 | 6.04 |
| 新颖性 | 4.87 | 4.58 |
这支持"更善于设计可检验研究"的结论。人工评审也提供了补充证据：DiscoveryRSI 的修订有 41% 得分提高、12% 降低，平均每步增加 0.07 分。（图 6、图 8）
三、主要不足与证据边界
1. 尚未完成从假设到实证发现的闭环。
论文明确指出，当前主要达到具体假设与编译后的研究方案阶段。缺少系统性的完整研究执行、独立复现与湿实验验证，因此还无法据此判断真正的发现成功率。（第 9 节）
2. 改善了可检验性，也出现探索收缩的迹象。
深化与修复的比例由 77.5% 升至 91.7%，而重要性、新颖性及跨学科联系评分下降。我的判断是，这提示系统可能更擅长在现有方向内完善方案，但是否更善于找到值得研究的新方向仍未解决。停止决策和预算效率的改善也很小。（第 7.1--7.2 节）
3. 自动评估仍依赖相关的 AI 判断。
三种评审角色来自同一模型家族的不同提示，并非三个独立专家；评分权重也属于人为制定的协议。附录明确承认，独立人工校准仍待完成。因此，分数提高有可能部分反映对评审偏好的适应，其与真实科学价值的关系还需验证。（附录 D）
4. 人工结果并不支持全面领先。
27 位参与者评估了 292 份提案，包含医生、医学生和生物科学博士生。在与 GPT-6 Luna 的比较中，DiscoveryRSI 的重要性与证据边界评分更高，但数据适配、替代解释和结果信息量更低，新颖性相关评分相同。修订之间又共享祖先，不能视为完全独立样本。（第 5 节、图 8、附录 E）
5. 贡献分配是可审计的启发式规则，尚非因果归因。
例如，协调者预留 20%，产出和支持者分享其余部分。这些比例能明确责任与出处，却不能确定某个行动究竟造成了多少质量提升。论文也承认，不确定性惩罚、覆盖修正等组件的独立作用仍需消融实验。现有证据不足以拆清贡献加权、数据筛选、普通微调和工作流修改分别贡献了多少增益。（附录 B）
6. "6.3% 启发后续研究率"应谨慎解释。
它表示 74/1,176 个假设版本与截止日期之后的文献存在可操作的联系，不能证明那些论文作者看过或采用了模型假设。跨模型比较还受到领域构成、时间窗口、重复版本和检索覆盖影响。
一个直接例子是：Claude 与 DiscoveryRSI 在成功检索后的正例比例很接近，分别为 20.0% 和 20.8%；Claude 的整体低值部分来自长提案被截断后的检索损失。因此，这项结果不足以确立模型间的科学发现能力排名。（第 7.4 节、附录 F）
7. 长期自我改进与跨领域泛化尚未充分验证。
主要改进实验只有两轮，增量从 0.32 降为 0.21。电池领域补充实验展示了可迁移性，但缺少足够的对照来证明递归学习本身带来了跨领域收益；其 351 个假设中仅 165 个具有完整质量评分，也需关注缺失评估的影响。
它提出一套有价值的"从科研过程学习"的系统方法，并初步证明能改善研究方案设计；更强的科学发现能力与可持续递归改进，仍需要独立评估、组件消融和前瞻性实验来确立。