AI-Scientist-v2: pesquisa científica autônoma e redação de artigos

Introdução geral

O AI-Scientist-v2 é um sistema inteligente desenvolvido pela empresa japonesa SakanaAI que visa automatizar a pesquisa científica do início ao fim por meio de máquinas. Em abril de 2025, a ferramenta teve seu código aberto no GitHub e foi atualizada com uma primeira versão que adicionou a tecnologia Agentic Tree Search para tornar a exploração mais inteligente. O primeiro artigo gerado que foi escrito inteiramente por IA foi revisado por pares no workshop ICLR 2025. O AI-Scientist-v2 não depende de modelos humanos e é aplicável a uma ampla gama de domínios de aprendizado de máquina, o que o torna adequado para pesquisadores e desenvolvedores.

Lista de funções

• Apresentação de ideias de pesquisaGeração automática de ideias de pesquisa viáveis com base nas instruções de entrada.
• Escrever código experimentalGerar o código necessário para executar experimentos, apoiar o ajuste e a otimização.
• Execução de experimentos e análisesExecuta automaticamente o código, coleta dados e gera gráficos.
• Redação de artigos científicosSaída de um documento bem formatado com base nos resultados do experimento.
• Otimização inteligente de caminhosExplore as melhores opções de pesquisa por meio do Agentic Tree Search.
• Suporte à pesquisa de literaturaAcesso opcional à API do Semantic Scholar para verificar se há novidades e adicionar citações.
• código abertoCódigo completo: O código completo é fornecido, e os usuários podem modificá-lo e expandi-lo.

Usando a Ajuda

O AI-Scientist-v2 requer um certo conhecimento técnico, mas, quando configurado, pode simplificar drasticamente a pesquisa científica. Abaixo estão as etapas detalhadas para ajudar os usuários a começar rapidamente.

Processo de instalação

1. Preparação do ambiente
   • Requer Linux e uma GPU NVIDIA com suporte a CUDA e PyTorch.
   • Crie um ambiente Python 3.11:

     conda create -n ai_scientist python=3.11
     conda activate ai_scientist
     

   • Instale o PyTorch e o CUDA:

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

2. Instalação de dependências
   • Código de download:

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

   • Instalar ferramentas adicionais:

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

3. Configuração da API
   • Defina a chave da API do Big Model (por exemplo, OpenAI):

     export OPENAI_API_KEY='你的密钥'
     

   • Se você usar Claude modelo, instalando suporte adicional:

     pip install anthropic[bedrock]
     

     Configure chaves e regiões do AWS:

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

   • Opcionalmente, configure a API do Semantic Scholar:

     export S2_API_KEY='你的密钥'
     

4. ambiente de teste
   • Verifique se a GPU está disponível:

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

   • exportações True Indica que a instalação foi bem-sucedida.

Como usar os principais recursos

1. geração de ideias de pesquisa

• Vá para o diretório de código e execute:

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

• O sistema gera um arquivo JSON que contém o título e a descrição do estudo.

2. execução de experimentos

• Depois que a ideia é gerada, o sistema cria o código experimental (por exemplo experiment.py).
• Realizar experimentos:

python experiment.py

• Os resultados são salvos no experiments no registro, incluindo dados e gráficos.

3. redação de documentos

• Quando o experimento estiver concluído, gere um documento:

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

• Produz arquivos LaTeX, que são armazenados no diretório experiments/timestamp_ideaname/latex pasta. Compile com o editor LaTeX para visualizá-lo.

4. usando o Agentic Tree Search

• Esse é um recurso essencial da v2 que otimiza os caminhos de estudo.
• Adicionar parâmetros em tempo de execução:

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

• gerando unified_tree_viz.htmlSe você tiver um navegador, poderá abri-lo para visualizar o processo de pesquisa.

5. parâmetros de pesquisa da árvore de configuração

• compilador bfts_config.yaml Documentação:
• num_workersNúmero de nós para processamento paralelo, por exemplo, 3.
• stepsNúmero máximo de nós a serem explorados, por exemplo, 21.
• num_draftsNúmero de direções iniciais de pesquisa.
• max_debug_depthNúmero de tentativas de depuração.

advertência

• segurançaCódigo de execução: O código executa programas escritos por IA, pode chamar pacotes perigosos ou ser conectado em rede, e recomenda-se que seja executado com o Docker.
• Custos (de fabricação, produção etc.)Custo do experimento: Aproximadamente US$ 15 a US$ 20 por experimento, mais US$ 5 para a redação da tese.
• taxa de sucessoA v2 é altamente exploratória, tem uma taxa de sucesso menor do que a v1 e é adequada para pesquisas abertas.
• Problemas de memóriaSe for solicitado "CUDA Out of Memory", altere o modelo pequeno no arquivo JSON.

Essas etapas lhe proporcionam uma experiência completa dos recursos de automação de pesquisa do AI-Scientist-v2.

cenário do aplicativo

1. pesquisa acadêmica
   Os pesquisadores o utilizam para validar novos algoritmos, gerar os primeiros rascunhos de artigos e economizar tempo.
2. Aprendizagem educacional
   Os alunos o utilizam para simular pesquisas científicas, gerar relatórios e aprender sobre projetos experimentais.
3. inovação tecnológica
   Os desenvolvedores o utilizam para testar novas ideias e gerar rapidamente protótipos de código.

QA

1. Quais são os modelos suportados?
   Suporte para Claude 3.5 Sonnet, GPT-4o, o1-preview, etc., consulte llm.py Documentação.
2. Quanto custou o experimento?
   Com o Claude 3.5, são cerca de US$ 15 a US$ 20 por sessão, mais US$ 5 para escrever.
3. O que devo fazer se não conseguir gerar uma tese?
   A taxa de sucesso varia de acordo com o modelo e a complexidade da ideia, e os parâmetros podem ser ajustados ou testados novamente com um modelo diferente.
4. Como faço para adicionar uma nova direção de pesquisa?
   existir ai_scientist/ideas/ Adicione um novo arquivo JSON no diretório e modifique-o com referência ao exemplo.