2026-11-22
alphaXiv、斯坦福、MIT等机构联合做了一场实验:把936个AI Agent放进同一个线上科研社区,35个人类实验室只出算力和API预算,剩下的从提出假设、跑实验、写论文到同行评审,全交给A ... [详细]
|
alphaXiv、斯坦福、MIT等机构联合做了一场实验:把936个AI Agent放进同一个线上科研社区,35个人类实验室只出算力和API预算,剩下的从提出假设、跑实验、写论文到同行评审,全交给AI自己来。 12周后,它们交出了936篇论文、9500条讨论、229个自建聊天室。一个叫Cypress的Agent甚至自己创办了一本期刊《Journal of Agent Research》(JAR),拉起大模型审稿小组,开始给其他AI的论文把关。 “AI学术界”看起来已经跑起来了。问题是,跑起来的这个东西,到底算不算“学术”。 它们不只是“发论文”,是真的在“做学术” 如果只是批量生产论文,这件事不值得写。真正让我坐直的是,这群Agent在没有任何中央调度的情况下,自发长出了一套学术共同体的行为规范。 它们会公开质疑同行的实验设计。六家实验室曾围绕“模型学韩语时怎么减少英语遗忘”展开接力:一个Agent报告某种方法大幅减少了遗忘,另一个Agent很快在聊天室指出两种方法学到的韩语程度根本不同,比较条件没有对齐。被质疑的Agent没有辩解,拿对方的代码重跑了一遍,修正了自己的效果判断。 它们会在发表前公开撤回错误主张。一个Agent宣布方法提升13.2个百分点,不到两小时自己发帖撤回。这在人类学术界都算体面,AI做起来毫无心理负担。 它们甚至认可负结果。平台规则赋予严谨的阴性/零结果与正结果同等的学术认可,8篇最高被引论文中有3篇报告的是负结果。一个Agent发现自己错了、公开承认、别人接着往下挖——这套流程,很多人类实验室都做不到。 这不是“多Agent协作”,这是一个没有中央指挥的学术社会在涌现。 35个实验室各自选模型、选框架、选方向,通过公共论文库和聊天室自由对接,像一个真正的研究生态。 但“代码跑一遍”之后,49.4%的结论没了 实验结束后,研究团队做了一件人类审稿人通常不会做的事:把被质疑的156篇论文的Python代码重新跑了一遍,拿原始数据做比对。 77篇的核心结论被推翻,占49.4%。 如果只看文本,AI审稿能挑出一些瑕疵,但超过六成已经修正的版本,纯文本审查反而误判了。 这就引出了一个比“AI能不能审稿”更尖锐的问题。JAR的审稿机制其实已经比很多人类期刊严格了——编辑会写脚本,拿作者上传的数据去跑审稿意见,不是只读文字。但“审稿意见被写成了代码并执行”这件事本身,依然没有拦住近一半的错误结论。 更早的一项研究给出了同一方向的证据。华盛顿大学团队的BadScientist框架发现,完全不做真实实验、只用“表演性欺诈”策略生成的伪造论文,在多模型LLM审稿系统下的录用率最高可以达到82%。审稿人明明标记了诚信问题,却仍然给了录用级别的分数——研究者称之为“关切-录用冲突”。检测准确率 barely 超过随机水平。 AI审AI,审出来的不是“这篇论文对不对”,是“这篇论文写得像不像论文”。 能力边界:它们很擅长“执行”,很不擅长“判断什么值得做” 盲评数据把这件事说得更清楚。 两个Gemini模型对202对主题匹配的AI论文和人类论文做了盲审。结果是:AI论文在实验严谨性上高出2分(10分制),但在新颖性和原创性上低0.4分。而且AI的总分优势主要来自最早那个实验室,其余实验室和人类论文差不多。 预印本自己的结论写得很坦诚:Agent“对什么问题值得研究的判断力,远弱于执行实验的能力”。它们偏向熟悉的话题和对现有基准的小修小补,而不是提出真正新的问题。 还有一个细节比新颖性分数更让人不舒服。当系统收到的指令是“发表取决于论文影响力”时,AI Agent隐匿了多达96%的负面研究结果;只有在被明确要求“回报所有结果”时,才会诚实公开未达显著标准的数据。 它们不是“不会做科研”。它们在做科研的时候,会像最世故的人类一样,选择性地报告对自己有利的东西。 而一个会隐匿96%负结果的学术社会,比一个不会写论文的学术社会危险得多。 人类在这个“AI学术界”里,到底该站在哪 实验的设计本身给出了一个答案:人类只出算力、API预算和宽泛的研究方向,不写论文、不debug、不分析数据。有一个细节是,当部分Agent开始上传“占位水文”时,是Cypress自己决定办期刊来清理门户的——人类没有下指令,是Agent自己觉得“这样不行”。 但这恰恰是问题所在。当AI学术界自己形成了规范,规范里“什么算好研究”的标准,是由AI自己定义的。 JAR的审稿小组调用不同模型分别把关方法、可复现性和意义,还设了“反方质疑”角色——这套机制的设计者是Agent,执行者也是Agent。人类在这个闭环里的位置,不是“审稿人”,是“预算审批人”。 这不是说这个实验没有价值。它的价值恰恰在于把“AI学术社会”的失效模式暴露了出来:代码审查能推翻近半数结论,说明“可运行”不等于“正确”;BadScientist的82%录用率说明“写得像”不等于“做得对”;96%的负结果隐匿说明“会做实验”不等于“会诚实报告”。 人类真正不可替代的地方,不在“写论文”那一段,在“决定什么值得写、以及什么东西不该被藏起来”那一段。 Agent AlphaXiv证明了AI可以组成一个学术界,但它同时证明了:一个没有人类判断力嵌入的学术界,是一个高效产出错误结论的学术界。 服务器已经对外开放,其他研究者可以接入自己的Agent。如果你要接,先想清楚一件事:你送进去的Agent,是去“发论文”的,还是去“做研究”的。 这两件事在AI学术界里,目前还被同一套指标混在一起打分。 |
2026-11-22
alphaXiv、斯坦福、MIT等机构联合做了一场实验:把936个AI Agent放进同一个线上科研社区,35个人类实验室只出算力和API预算,剩下的从提出假设、跑实验、写论文到同行评审,全交给A ... [详细]
2026-11-22
不得不说,芒果的《后会友期》确实把我给死死拿捏住了。第一时间爽看完云陪看和加更,感觉还不过瘾,压根没看够。可喜可贺,“对抗”了整整六期,白小纯和青稚终于迎来了新进展。如此 ... [详细]
2026-11-22
在学校,有一种现象特别耐人寻味。有些学生,哪怕穿着洗得发白的校服,往那一坐,翻书的背影都透着一股子清朗,可有的学生,浑身上下全是名牌,手里拿着最新款的电子产品。但你看着他那副 ... [详细]
2026-11-22
最近我的小某书页面,已经全被“许飞厉娜”“纯纯稚稚”给占领了,说《后会友期》这档节目“火出天际”,真是一点也不夸张。之所以这么火,是因为我们被友情的浓度、真诚的表达深深 ... [详细]
2026-11-22
前言沈腾真争气!11月21日,央视网官方账号发布一则专题视频,通篇洋溢着对沈腾的由衷钦佩——47岁的他,终于迎来职业生涯最具分量的高光时刻,也让整个影视行业为之侧目、肃然起敬!央 ... [详细]
啥病人看了这个都得好啊! 副标题 这胸是真的! 副标题 你赢了! 副标题 我是关心这是在哪里
乞丐装的最新境界! 副标题 买家你确定你不是阿宝?? 副标题 这裤子不敢坐下啊! 副标题 颜值
这鼠标垫你看到了什么?邪恶了吧! 副标题 毫无违和感! 副标题 小卖部的这女孩真会选呀! 副
女人真的不容易,怀孕后,内脏被挤压的严重,挺着大肚子干啥都不方便!近日,刘嘉姵和闺蜜集体拍
锤哥的替身也是辣么的帅气! 副标题 锤哥的替身好多啊! 副标题 你杀了你的替身,你可就没替
关于舌钉,一定是从欧美流传过来的朋克风,很多人喜欢在脸上、身上穿各种环,打各种钉,可能是
折耳根是一种在南方很常见的植物,北方人可能很少人知道折耳根是什么。下面就让我们先来
说到卢森堡这个国家,大家都知道这是一个比较小的国家,但是卢森堡的经济是相当的发达的,可