OmniScientist：让AI科学家直接从原始多模态证据开展研究

导语

AI科学家系统正在从“会写研究计划、会调用代码”走向更完整的科研流程。不过，许多现有方案仍主要依赖文本、标签、代码或已经提取好的统计特征。当决定性信息存在于空间关系、时间变化、跨通道关联或实验过程本身时，智能体可能从一开始就没有看到足够的证据。OmniScientist瞄准的正是这一缺口：让系统直接面对异构原始数据，并把观察结果持续带入研究全过程。

核心要点

• 从原始证据开始。 系统面向图像、信号、音频、视频、三维结构、轨迹、表格、公式和图等数据形态，而不是只接收人工整理后的摘要或标量特征。
• 覆盖完整研究链路。 一个确定性流程由感知层与三个自治智能体协作，分别承担研究构思、实验执行和论文写作。数据观察可以影响研究问题、实验选择以及最终表述。
• 把检查机制写进代码。 OmniScientist设置了构思、严谨性和结论检查，尝试对新颖性筛查、统计有效性、执行来源和数值可追溯性进行程序化约束。
• 进行跨学科评估。 评测包含36个真实数据案例，覆盖5个学科家族、4类科学证据和多种模态。报告称，系统在36个案例中都完成了从原始数据到编译论文的完整路径，并取得平均6.3的总体论文评分。

意义与边界

OmniScientist的价值不只在于增加输入格式，而在于改变AI科学家的证据链：感知不再是研究开始前的一次性预处理，而是能够影响假设、实验和写作的连续环节。这种设计尤其适合需要同时处理视觉、时序、结构或多源测量信息的研究任务，也为“可审计的科研自动化”提供了一个系统化框架。

但“完成论文”仍然不同于“完成科学发现”。36个案例的端到端完成率说明流程具备可运行性，平均论文评分则反映了特定评测设置下的综合表现，不能单独证明结论正确、具有普适性或已经通过领域专家验证。未来更关键的问题包括：原始数据感知是否稳定、跨学科迁移是否可靠、自动生成的假设能否被独立实验复现，以及代码化检查能否覆盖真实科研中的隐性偏差。

总体来看，OmniScientist把AI科学家的竞争焦点从工作流覆盖推进到证据接入。它展示了一个方向：真正面向科研的智能体，需要能够读取复杂原始材料，也需要让每个结论都能回溯到数据、程序和计算过程。

来源：Hugging Face Daily Papers