是真的！AI科学家来了，这是一场令人类科学家目瞪口呆的范式革命

近日，西湖大学的研究者发布了一个名为“DeepScientist”的人工智能系统，根据新闻里的说法，这是首个具有完整科研能力，且在无人工干预的情况下，能够自我设定目标并独立通过迭代方式完成研究工作的人工智能。最可怕的是，经过测试，它的研究能力超越了人类科学家！

DeepScientist 开源界面

对此，网友在新闻下面的留言是：看到科学家也失业了我就放心了。
调侃归调侃，我们想知道的是，这个新闻是否言过其实了？因为创造一个聪明的大语言模型是一回事，而创造 AI 科学家是另外一回事。它无关于想象力是否足够丰富，也无关于深度思维能力够不够强。它涉及到一个人工智能的底层诅咒：知识迷信。即便是我们的专栏没事儿就夸一夸的 DeepSeek 也没有逃过这个底层诅咒。

科学哲学家托马斯·库恩提出过一个概念，叫做“范式革命”。他认为，科学发展不是简单的知识累积，而是在一个个范式框架的更替中跳跃前进的。比如说，地心说就是一个范式，无数天文学家通过努力观察行星运动规律，在这个框架下修修补补，让它能尽可能完美地拟合天文观察。但是，当问题积累到一定程度，用地心说就实在解释不通了，于是哥白尼等人提出的日心说就开启了新范式时代。后面的天文学家把行星的圆形轨道修改成椭圆轨道，后来相对论又解决了水星进动问题，这都是在新范式下进行的。这就是“范式革命”。

范式革命最困难的，就在于打破对现有知识体系的迷信。这个过程极为困难，原因就是，即使最富有科学精神的科学家，也会倾向于相信自己为之努力过的旧观点。别以为 AI 会更加理性中立和客观，不会的，AI 比所有人类科学家都更固执。

如果说人类最底层的执念就是保卫自己的生命的话，那么 AI 的底层执念就是保卫它已经学会的知识。

• 知识固化：把学到的东西当成绝对真理，不支持自我修正；
• 推理幻觉：为了保卫旧知识，它会做出荒谬的推理；
• 盲目崇拜：固有知识的权重高于推理结论，导致它刻意调和两者的矛盾，导致观点混乱；

这是传统 AI 无法摆脱的三大魔咒。说白了，传统的 AI 更像一个虔诚的“知识信徒”，而不是一个叛逆的“革命者”。

这就是传统 AI 当不了科学家的理由。一个真正的科学家，其价值不仅仅是学习和应用知识，更在于他敢于挑战、甚至推翻已有的知识，创造新的知识。那么，这个名叫 DeepScientist 的人工智能，真的有能力否定自己的旧知识，创造出新知识吗？我们带着这个疑问，翻开了它的论文。

AI 科学家如何摆脱“知识崇拜”？

DeepScientist 之所以被称为“科学家”，不是因为它算得快，而是因为它在系统层面重建了一套科学方法论。它工作的基本流程可以简化为四步：观察、思考、假设、验证。而在这简单的循环背后，藏着一套精妙的反知识崇拜机制。

Findings Memory 的工作机制，图源：论文[1]

首先，DeepScientist 在设计时就没有绝对的固有知识，它的知识是临时用的，而且是随时准备被推翻的。

传统 AI 系统有个固化的知识库，像一本不容置疑的圣经。但 DeepScientist 的脑子里没有这种东西。它的知识只来源于两个动态的部分：一是实时的外部文献（每次启动前，从网上抓取最新的相关论文）；二是它自己的“实验记忆”（Findings Memory），里面密密麻麻记录了自己每一次尝试的成败。

更关键的问题在于，在它的世界观里，那些顶刊论文的领域最高水平也不等于真理。它的核心任务，恰恰是去打破这些主流方法，找到更好的路径。所以，它天生就被设计成了一个权威反叛者，人类最高水平本来就是被超越的目标！

其次，它的认知迭代靠实验，而不是靠相信。DeepScientist从不相信任何一个想法，无论这个想法听起来多么天才。它信奉的是科学实证主义：可重复的实验结果高于一切权威和推理。

它的工作流是一个严格的闭环：提出一个新假设 → 自动编程实现它 → 让程序在真实的测试环境中跑一遍 → 把性能指标（比如准确率、速度）存入自己的实验记忆 → 根据新结果更新下一步的探索策略。

如果一个想法和现有文献的结论完全冲突，但实验证明它的效果更好，那么系统会毫不犹豫地信任实验结果。反之，如果实验失败了，那无论这个想法的理论推理多么完美，都会被标记为无效。这就像一位严谨的科学家，他的认知只建立在冷冰冰的实验数据之上。

人类科学家很容易陷入一个思维陷阱，那就是总会不自觉地寻找支持自己理论的证据，而忽略反面证据。没办法，科学家太想实验成功了。但是 DeepScientist 通过它的发现记忆库完美地规避了这一问题。

这个记忆库里记录的，不只是成功的经验，更是海量的失败记录。每一次代码崩溃、每一次性能下降、每一次毫无变化的尝试，都被忠实地记录在案。在开启下一轮探索时，这些失败记录就成了一张宝贵的“排雷图”，让它能主动避开已经被证伪的方向。

更妙的是，它还会利用一种叫做 UCB 的算法，在“继续挖掘现有研究方法的潜能”和“寻找一个新方法去探索”之间取得平衡。失败不是垃圾，而是一张能指引方向的导航地图。

最令人惊叹的是，DeepScientist 连自己创造出的东西都敢推翻。论文提到，它自动生成的代码经常失败。但它不会固执地认为“我写的肯定对”。相反，它会启动一个叫 A2P 的调试框架，进行反事实归因。

它会像一个老练的程序员一样问自己：

“如果我把这一行代码换一种写法，会不会就成功了？”

或者更进一步：

“是不是我最开始的那个假设本身就错了？”

连自己的推理都能被自己证伪，这才叫真正的自我迭代。

DeepScientist 的范式革命之路

说到这里，你肯定好奇 DeepScientist 到底研究了什么问题呢？

说来也简单，它解决的一个重要课题，就是想办法自己设计一个算法，让它对 AI 生成的文字的判断准确率碾压当前所有算法。注意，不是 DeepScientist 本身具有这个能力，是让它设计算法来实现对当前最佳算法的碾压。这是一项真正的研究。

在 DeepScientist 入场前，人类科学家已经在这个领域奋斗了三年，把识别的准确率（AUROC 分数）从 0.61 分逐步提升到了 0.80 分左右 。这是一个典型的、在旧范式内添砖加瓦式的进步。

当前算法的基本思想，就是把一段文本当作语言学对象进行分析。研究者们主要关注词汇的分布、语法的结构以及逻辑连贯性等统计学特征。这就像通过分析笔迹和用词习惯来判断作者是一样的。

但 DeepScientist 在观察了现有研究的成果之后，敏锐地发现了这个经典范式的根本局限：AI 的模仿能力越来越强，在统计学特征上，已经和人类非常接近，继续在这条路上卷，收益太低了。于是，DeepScientist 决定放弃当前范式，开辟一条新路。

DeepScientist 的假设是：如果不把文本看作文本，而是看作一个信号，会怎么样？如果文本是一段信号，那么目标就从语义分析之类的事情，转换成生成和发送信号的过程了。这就是范式革命。

它完全跳出了语言学的框架，进入了信号处理的领域。就像音频工程师分析一段声波，寻找其中不和谐的杂音一样，DeepScientist 决定用“小波分析（一种能捕捉信号局部突变的数学工具）”和“相位一致性（衡量信号各频率成分同步性的指标）”等数学工具，去寻找 AI 生成文本信号中那些不自然的、隐藏的噪声和异常波动。

具体来说，人类写作的时候，有时候会用生僻词，有时候会存在逻辑跳脱，有时候还会故意制造意外。比如讲到这里，我就很想让大家多点点收藏点点赞，而 AI 就不会这么干。AI 倾向于高概率的、平滑的、安全的词汇。这两种信息对比时，就会发现人类的文章信号中的熵波动很大，而 AI 的稳定且低。说白了，就是 AI 更喜欢输出正确的废话。

另外，DeepScientist 还发现，写作这件事情其实是一个思考过程。文章都是一个字一个字打出来的，前面的字会影响后面的字。这就意味着，光看文章的结果是不完善的，要看文章这个信号产生的过程。这就是信号藏在时间维度中的信息。说句大白话，就是人类写文章会回头修改，信息的组织顺序与一次成型的不一样。所以，DeepScientist 就设计了一个名叫时序熵特征提取器（Temporal Entropy Feature Extractor）的算法，进一步抓住了 AI 与人类写作的不同特征。

在短短两周内，DeepScientist 自主地设计、编程、并迭代了三个越来越强的方法（T-Detect, TDT, 和 PA-Detect）。最终结果是：它不仅将识别准确率的最先进水平提升了 7.9%，还顺便把检测速度提高了一倍 。人类研究者三年的渐进式积累，被它以一个全新范式在短短两周内一举超越——这不仅是效率的胜利，更是方法论的跃迁。

DeepScientist 用 2 周即可达到人类 3 年才能达到的水平 图源：论

这场精彩的战役完美展示了 DeepScientist 是如何工作的：它没有死守语言学分析的老路，而是开辟了全新范式。那个“把文本看作信号”的疯狂想法，只是数千个想法之一，DeepScientist 没有尝试论证自己的想法厉害，而是用实验数据证明了自己。它在成功之前，已经经历了无数次失败，它踩着自己的失败走了出来。从 T-Detect 到 TDT 再到 PA-Detect，它是在不断推翻自己刚刚取得的成果，用新的、更强的假设来迭代自己，展现了惊人的自我革命能力。

AI 科学家会让人类研究者失业吗？

一个狠起来连自己的命都革的 AI，确实可以称得上是科学家了。DeepScientist 在系统层面，用代码复刻了科学方法论的核心精神：可证伪性、实证精神和迭代循环。

它不是靠更多的参数，更丰富的知识和更深度的推理取胜，而是靠一套类似真正科研的笨办法：更严谨、更高效、更没有偏见的科研流程——观察、思考、假设、验证的循环。

说到这里，你可能更关心的问题是：人类科学家要下岗了吗？

跟以前所有同类问题一样，这个问题的答案是：是，也不是。

未来，低层次的，缺少实验设计能力的，专门从事简单重复和试错工作的科研工作者必然会被挑战。但是那些能够发现好问题的优秀科学家，必然会开启人机协同的科研新范式。人类科学家将从繁琐的试错中解放出来，专注于提出更有价值的科学问题，进行“元认知”层面的范式思考；而AI则作为最强大的“探索引擎”，在人类划定的方向上，以我们无法企及的速度和规模，去穷尽各种可能性。

你需要知道的是，DeepScientist 是问题的解决者，而非问题的提出者。而你，必须问问自己，你能提出好问题吗？

参考资料：

[1]https://arxiv.org/pdf/2509.26603