AI-Scientist-v2：自主完成科研研究与论文撰写

综合介绍

AI-Scientist-v2 是由日本 SakanaAI 公司开发的智能系统，旨在让机器从头到尾自动完成科学研究。它能提出研究想法、设计实验、运行代码、分析数据，最后写出科学论文。2025 年 4 月，这个工具在 GitHub 上开源，升级了第一版，加入了 Agentic Tree Search 技术，让探索更智能。它生成的第一篇完全由 AI 撰写的论文已通过 ICLR 2025 研讨会的同行评审。AI-Scientist-v2 不依赖人类模板，适用于多种机器学习领域，适合研究人员和开发者使用。

功能列表

• 提出研究想法：根据输入方向，自动生成可行的科研点子。
• 编写实验代码：生成运行实验所需的代码，支持调整和优化。
• 执行实验与分析：自动运行代码，收集数据，生成图表。
• 撰写科学论文：根据实验结果，输出格式规范的论文。
• 智能路径优化：通过 Agentic Tree Search，探索最佳研究方案。
• 文献搜索支持：可选接入 Semantic Scholar API，检查新颖性并添加引用。
• 开源代码：提供完整代码，用户可自由修改和扩展。

使用帮助

AI-Scientist-v2 需要一定的技术基础，但配置好后能大幅简化科研工作。以下是详细步骤，帮助用户快速上手。

安装流程

1. 准备环境
   • 需要 Linux 系统和 NVIDIA GPU，支持 CUDA 和 PyTorch。
   • 创建 Python 3.11 环境：

     conda create -n ai_scientist python=3.11
     conda activate ai_scientist
     

   • 安装 PyTorch 和 CUDA：

     conda install pytorch torchvision torchaudio pytorch-cuda=12.4 -c pytorch -c nvidia
     

2. 安装依赖
   • 下载代码：

     git clone https://github.com/SakanaAI/AI-Scientist-v2.git
     cd AI-Scientist-v2
     

   • 安装其他工具：

     conda install anaconda::poppler  # 处理 PDF
     conda install conda-forge::chktex  # 检查论文格式
     pip install -r requirements.txt
     

3. 配置 API
   • 设置大模型 API 密钥（如 OpenAI）：

     export OPENAI_API_KEY='你的密钥'
     

   • 如果用 Claude 模型，安装额外支持：

     pip install anthropic[bedrock]
     

     设置 AWS 密钥和区域：

     export AWS_ACCESS_KEY_ID='你的ID'
     export AWS_SECRET_ACCESS_KEY='你的密钥'
     export AWS_REGION_NAME='us-west-2'
     

   • 可选配置 Semantic Scholar API：

     export S2_API_KEY='你的密钥'
     

4. 测试环境
   • 检查 GPU 是否可用：

     python -c "import torch; print(torch.cuda.is_available())"
     

   • 输出 True 表示安装成功。

如何使用主要功能

1. 生成研究想法

• 进入代码目录，运行：

python launch_scientist_bfts.py --load_ideas "ai_scientist/ideas/i_cant_believe_its_not_better.json" --model_writeup "claude-3-5-sonnet-20240620"

• 系统会生成一个 JSON 文件，包含研究标题和描述。

2. 运行实验

• 想法生成后，系统会创建实验代码（如 experiment.py）。
• 执行实验：

python experiment.py

• 结果保存在 experiments 文件夹下的日志中，包括数据和图表。

3. 撰写论文

• 实验完成后，生成论文：

python launch_scientist_bfts.py --load_code --add_dataset_ref --model_writeup "o1-preview-2024-09-12" --model_citation "gpt-4o-2024-11-20"

• 输出 LaTeX 文件，存放在 experiments/timestamp_ideaname/latex 文件夹。用 LaTeX 编辑器编译即可查看。

4. 使用 Agentic Tree Search

• 这是 v2 的核心功能，能优化研究路径。
• 运行时加入参数：

python launch_scientist_bfts.py --load_ideas "ai_scientist/ideas/i_cant_believe_its_not_better.json" --tree-search

• 生成 unified_tree_viz.html，用浏览器打开可查看搜索过程。

5. 配置树搜索参数

• 编辑 bfts_config.yaml 文件：
• num_workers：并行处理的节点数，如 3。
• steps：最大探索节点数，如 21。
• num_drafts：初始研究方向数量。
• max_debug_depth：调试尝试次数。

注意事项

• 安全性：代码会执行 AI 写的程序，可能调用危险包或联网，建议用 Docker 运行。
• 成本：每次实验约 15-20 美元，论文撰写加 5 美元。
• 成功率：v2 探索性强，成功率低于 v1，适合开放性研究。
• 内存问题：若提示 “CUDA Out of Memory”，在 JSON 文件中换小模型。

这些步骤能让你完整体验 AI-Scientist-v2 的科研自动化功能。

应用场景

1. 学术研究
   研究人员用它验证新算法，生成论文初稿，节省时间。
2. 教育学习
   学生用它模拟科研，生成报告，学习实验设计。
3. 技术创新
   开发者用它测试新想法，快速生成代码原型。

QA

1. 支持哪些模型？
   支持 Claude 3.5 Sonnet、GPT-4o、o1-preview 等，见 llm.py 文件。
2. 实验成本多少？
   用 Claude 3.5 每次约 15-20 美元，写作加 5 美元。
3. 论文生成失败怎么办？
   成功率因模型和想法复杂度而异，可调整参数或换模型重试。
4. 如何添加新研究方向？
   在 ai_scientist/ideas/ 目录下新增 JSON 文件，参考示例修改。