AI Scientist-v2：让 AI 自己完成从想法到论文的全流程科研

AI Scientist-v2：让 AI 自己完成从想法到论文的全流程科研

总结

AI Scientist-v2 是由 Sakana AI 打造的端到端自主科研智能体，能够自动生成科研假设、设计实验、分析结果并撰写完整论文。2025 年，它产出了全球首篇完全由 AI 从零撰写的论文，并通过 ICLR 研讨会双盲同行评审（得分 6/7/6），正式开创”AI 自主科研”这一新范式。与 v1 依赖人工模板不同，v2 引入渐进式 Agent 树搜索（Agentic Tree Search），能在无预设模板的情况下自主探索跨机器学习领域的开放科研问题。

功能与原则

AI Scientist-v2 的核心能力覆盖科研全流程：

• 假设生成：AI 自动提出研究想法和假设
• 实验执行：自动运行代码实验、记录结果
• 结果分析：对实验输出进行统计分析
• 论文撰写：生成符合学术规范的完整论文（含摘要、引言、方法、实验、结论）
• 同行评审模拟：内置评分机制对论文质量打分

设计原则是”去除模板约束”——v2 不依赖人类撰写的论文模板，而是让 AI Agent 在树搜索引导下自由探索科研空间，由实验管理器（Experiment Manager Agent）协调整个流程，找到值得深挖的研究方向。

认可度

• GitHub Star：约 6,700+（截至 2026-08-13），同期 v1（AI-Scientist）约 14,100+
• Sakana AI 累计 Star 超 14,000，团队成员来自 Google DeepMind 和 Transformer 原始论文团队
• 核心里程碑：2025 年 4 月，v2 生成的论文以 6/7/6 分通过 ICLR 2025 Workshop 同行评审，为全球首例
• 技术报告发表于 Publasana AI，GitHub 列跑的 ICLR2025 实验记录公开展示

链接

GitHub：https://github.com/SakanaAI/AI-Scientist-v2

原作者

Sakana AI（@SakanaAI）—— 由 Transformer 论文联创作者 Llion Jones 等人创立的 AI 研究公司，专注Nature-Inspired Intelligence 与进化模型融合方向。团队成员来自 DeepMind、Meta AI 等顶级研究机构，在 GitHub 上运营多个高影响力开源科研项目（AI-Scientist 系列、Evolutionary Model Merging 等）。

介绍

AI Scientist-v2 是 AI Scientist 系列的第二代系统。第一代 v1（Star 14,100+）开创了 AI 自动写论文的范式，但依赖人类提供的论文模板；v2 则在此基础上彻底去除了模板限制。

v2 的核心创新是渐进式 Agent 树搜索（Progressive Agentic Tree Search）。系统以一个高层研究主题为起点，由实验管理器 Agent 引导树搜索过程，自主决定向哪些方向深挖、跳过哪些死路。每一次节点扩展都对应一个真实的实验运行，AI 自己写代码、自己跑实验、自己解读结果。当树搜索完成，系统将所有有价值的研究发现整合成一篇完整论文，并进行内部评分和评审。

这个系统的意义超越了”写论文”本身——它代表了一种全新的科研生产方式：人类只需要给一个方向，AI 就能完成从假设产生到学术写作的全部中间环节。

特点

• 无模板科研：完全脱离人工撰写模板，AI 自主探索科研空间
• 渐进式树搜索：实验管理器引导树搜索，逐步聚焦有价值的科研方向
• 多模型支持：支持 OpenAI GPT-4o、Google Gemini、Anthropic Claude（通过 AWS Bedrock）等多种 LLM 后端
• Docker 隔离执行：运行 AI 生成的代码在沙箱环境中，确保安全
• 全流程自动化：从研究想法 → 实验设计 → 代码执行 → 结果分析 → 论文撰写，全链路无需人工介入
• 可扩展的论文生成：通过配置文件调整树搜索的广度、深度、并行度，适配不同硬件条件

使用方法

环境要求：Linux + NVIDIA GPU + CUDA + PyTorch + Anaconda

安装步骤：

# 创建 conda 环境
conda create -n ai_scientist python=3.11
conda activate ai_scientist

# 安装 PyTorch with CUDA
conda install pytorch torchvision torchaudio pytorch-cuda=12.4 -c pytorch -c nvidia

# 安装 PDF/LaTeX 工具（论文生成需要）
conda install anaconda::poppler
conda install conda-forge::chktex

# 安装依赖
pip install -r requirements.txt

# 配置 API Key（选择一种）
export OPENAI_API_KEY="YOUR_OPENAI_KEY"
export GEMINI_API_KEY="YOUR_GEMINI_KEY"
# 或使用 Claude（通过 AWS Bedrock）
pip install anthropic[bedrock]
export AWS_ACCESS_KEY_ID="YOUR_AWS_KEY"
export AWS_SECRET_ACCESS_KEY="YOUR_AWS_SECRET"
export AWS_REGION_NAME="your-aws-region"

基本使用：

第一步：准备研究主题文件（Markdown 格式）

# Title: Improving Transformer Efficiency
# Keywords: efficiency, transformers, optimization
# TL;DR: 探索提升 Transformer 效率的新方法
# Abstract: 本研究聚焦...

第二步：生成研究想法

python ai_scientist/perform_ideation_temp_free.py 
  --workshop-file "ai_scientist/ideas/my_topic.md" 
  --model gpt-4o-2024-05-13 
  --max-num-generations 20 
  --num-reflections 5

第三步：启动主流程（树搜索 + 实验 + 论文生成）

# 在 bfts_config.yaml 中配置并行度和步数
# 然后运行主 pipeline
# （具体命令取决于配置文件和实验设置）

使用场景与人群

适用场景：
– 机器学习研究方向的快速探索（验证想法可行性）
– 学术论文初稿生成（节省”写稿-改稿”循环时间）
– 科研人员辅助工具（AI 提供假设，人来判断价值）
– 大规模科研思路筛选（树搜索并行探索多条路径）

目标用户：
– ML/NLP 研究者（特别是需要快速验证科研假设的博士生、研究员）
– AI 科研团队（用 v2 做”思路预筛选”，聚焦人工深耕方向）
– 对 AI 科研前沿感兴趣的技术观察者

输入与输出案例

输入示例（研究主题文件）：

# Title: Scalable Oversight in Large Language Models
# Keywords: alignment, RLHF, scalability
# Abstract: 探索如何让人类反馈在大模型时代可规模化扩展

输出示例：

v2 在给定”LLM 可扩展监督”主题后，通过树搜索自主生成了多个研究方向，最终选择”基于过程奖励的监督信号扩展”方向，完整输出包括：

• 3 个候选研究假设
• 每个假设对应的实验代码（Python + PyTorch）
• 实验结果图表（自动生成的 PNG）
• 一篇 8-10 页的完整 arXiv 风格论文（LaTeX 源码 + PDF）
• 内部评审评分（以 6/7/6 通过为例，评估项包括创新性、实验完整性、写作质量）

已发表的里程碑论文（ICLR 2025 Workshop）：论文完全由 AI 生成，在双盲评审中得分 6/7/6，超过人类接收门槛，论文全程无人类修改参与。

警告：AI Scientist-v2 会执行 LLM 生成的代码，务必在 Docker 等隔离环境中运行，防止意外代码风险。

GitHub: https://github.com/SakanaAI/AI-Scientist-v2