2026年最大的看点不是某个框架再快几毫秒，而是"自主科研智能体"真的把端到端学术闭环跑通了：从读文献、提假设、写代码、跑实验、画图、写成论文，一直到投稿被同行评审接收——全程无人类干预。Sakana AI 的 AI Scientist v2 产出的论文在 ICLR 2025 Workshop 通过盲审，Google 的 AI co-scientist 论文于 2026 年 5 月登上 Nature 且部分假设在湿实验中被验证，DeepMind 的 AlphaEvolve 进入 Google 生产环境优化数据中心调度。但闭环的尽头恰恰暴露出最尖锐的问题：当 Agent 自己写、自己审、自己改，盲审的公信力地基正在被掏空。本文沿着"想法生成 → 文献检索 → 实验执行 → 论文写作 → 同行评审"五栈实测主流自主科研智能体，拆解它们的真实能力边界、成本账本与变现路径。
| 维度 | AI Scientist v2 | AI co-scientist | PaperQA2 / Aviary | AlphaEvolve | Stanford Virtual Lab |
|---|---|---|---|---|---|
| 出品方 | Sakana AI（东京） | Google DeepMind | FutureHouse（旧金山） | Google DeepMind | Stanford University |
| 核心架构 | 单 Agent + 模板无关树搜索 | 多 Agent 锦标赛 + 监督者 | 工具型 RAG + RL 体育馆 | 进化算法 + LLM 变异算子 | 多科学家 Agent 协作网 |
| 闭环范围 | 想法→实验→论文全闭环 | 假设生成与论证（不写论文） | 文献综述（超人类水准） | 代码/算法发现与优化 | 研讨→设计→湿实验建议 |
| 上手难度 | 开源、可本地复现（中） | 闭源、Gemini API（低门槛但黑箱） | 开源 Python 包（低） | 闭源白皮书（仅原理） | 开源研究代码（中高） |
| 单次成本 | ~$15/篇（v1 基线，v2 更高） | 按 Gemini token 计费 | 本地免费 / 检索成本 | 内部算力（无公开报价） | 多 Agent token 叠加 |
| 真实验证 | ICLR Workshop 盲审通过（后撤稿争议） | Nature 2026.5 + 湿实验验证 | 文献综合基准超人类 | 数据中心上线、矩阵乘法记录 | 纳米抗体设计案例 |
| 最适合 | 快速产出探索性论文 | 药物重定位/假设挖掘 | 文献综述与证据整理 | 算法/工程优化 | 跨学科课题头脑风暴 |
v1 时代最大的工程债是人类模板依赖——研究者得手写一个实验脚手架（如 diffusion 模型代码），Agent 只能在脚手架缝隙里做"增量式发现"。v2 的核心跃迁是用一个全新的 agentic 语言模型（基于 Sakana 的持续预训练）配合 template-free 架构取掉了这根拐杖：它直接以代码为实验介质，在一个多阶段树搜索（multi-stage tree search）里自己探索实验路径、回溯、剪枝，再产出一篇结构完整的 LaTeX 论文。
# AI Scientist v2 典型启动（开源仓库 SakanaAI/AI-Scientist-v2）
python ai_scientist.py \
--experiment "nano-tag-independent" \
--model "sakunaai/..." \
--multi-stage-tree-search \
--writeup_model "..."
它最炸裂的成就是产出了首篇通过 ICLR 2025 Workshop 同行评审的纯 AI 论文，单篇成本仍处在十几美元量级，对学术工业化是降维打击。但优点也是它最大的软肋：闭环跑得太顺，反而让评审界恐慌。2026 年 3 月围绕它"登上 Nature"的争议、21% 评审意见被质疑同质化、以及那篇论文的主动撤稿，都说明"能跑通"和"算科学发现"之间隔着一条还没说清的河。变现评估：这是当下最适合包装成"AI 科研训练营"的项目——开源可复现、单篇成本可控、产出物直观，但必须配套"可复现性审计"模块，否则容易教出一批只会跑脚本、分不清发现与复述的人。
co-scientist 把"做科研"建模成一场结构化的多 Agent 辩论锦标赛：一个 supervisor（监督者）Agent 负责调度，下面挂着一群功能化角色——生成假设的 generation、负责反驳的 reflection、做排序的 ranking、找反例的 review、做近邻去重的 proximity、最终成稿的 evolution。每个候选假设都要在这些 Agent 之间反复博弈、被攻击、被打分，活下来的才输出。
flowchart LR
Q[研究问题] --> SUP[Supervisor Agent]
SUP --> GEN[Generation 生成假设]
SUP --> REF[Reflection 反思]
SUP --> RANK[Ranking 排序]
SUP --> REV[Review 审查]
SUP --> PROX[Proximity 去重]
GEN & REF & RANK & REV & PROX --> EVO[Evolution 演化]
EVO -->|淘汰弱假设| SUP
EVO --> H[高置信假设]
H --> LAB[湿实验验证]
它的杀手锏不在写论文，而在把假设逼到可被证伪。2026 年 5 月 Nature 发表的论文显示，co-scientist 提出的若干药物重定位与抗菌靶点假设，被外部湿实验独立验证为有效——这是自主科研智能体首次拿到"硬证据"背书。优点是 Gemini 驱动、API 即用、辩论结构天然抑制单一 Agent 的幻觉；缺点是完全闭源黑箱，你无法复现它的锦标赛内部状态，也无法把它的"置信度"接进自己的质控流程。变现评估：适合制药、生物方向的咨询与 PoC，但因为闭源，做训练营只能讲思想、不能动手，天花板偏低。
PaperQA2 把"读论文"这件最耗科研工时的事做到了基准上的超人类——它是一个工具型 RAG Agent，能对海量 PDF 全文做检索、抽取、引用，并产出带可点击引用的 Wikipedia 式综述，每句话都能溯源到具体论文段落。它的姊妹项目 WikiCrow 则尝试自动写出整本百科。更关键的是 FutureHouse 把 PaperQA2 重构成了 Aviary 的一个环境——Aviary 是一个专门为"科学任务语言 Agent"设计的 RL 训练体育馆，让 Agent 不只是被 prompt，而是被强化学习训练。
# PaperQA2 典型用法（future-house/paper-qa）
import asyncio
from paperqa.agents import Agent
async def main():
agent = Agent() # 内置检索 + 工具调用循环
answer = await agent(
"汇总 CRISPR 脱靶效应的主要降低策略，按引用计数排序"
)
print(answer.session.context) # 每条结论带 sources/quotes
asyncio.run(main())
优点是开源、可本地部署、引用可溯源，是少数能直接塞进企业知识库的科研 Agent；缺点是它只解决"读"，不解决"做实验"和"写论文"，是闭环里的一环而非全部。Aviary 则把 FutureHouse 的野心暴露出来：他们不满足于 prompt 工程，而在训练能做科研的 Agent 本身。变现评估：PaperQA2 是本组里最适合做 SaaS 的——文献综述即服务、专利检索即服务、医学证据整理即服务，需求刚性、合规可控、变现路径清晰。
AlphaEvolve 是另一个范式：它不模拟科学家，而是模拟进化。整个系统是一个进化算法，但传统进化里的"随机变异"被换成了 LLM 提出的有语义的代码变异——LLM 看到当前种群里表现最好的程序，提出"我觉得这里可以换一种数据结构"，生成变异体；一个自动化评估器对所有变异体打分；分数高的进入下一代。数百代演化后，种群里会沉淀出人类没想到的解。
flowchart TB
POP[种群: 一组候选程序] --> SEL[选择 Top-k]
SEL --> CTX[构造上下文: 最优解 + 历史日志]
CTX --> LLM[LLM 作为变异算子]
LLM --> MUT[生成变异体代码]
MUT --> EVAL[自动评估器打分]
EVAL -->|分数| POP
EVAL --> REC[刷新历史最优记录]
它最硬的成绩包括改进了矩阵乘法的已知记录，以及优化 Google 数据中心的调度与 MapReduce 分片——后者已经在 Google 生产环境上线（2026 年 5 月公开的生产化更新）。优点是不需要科研直觉，只需要一个能自动判分的评估器，因此在算法、组合优化、硬件综合等领域极其能打；缺点是它本质是"代码优化器"，离"科学发现"的语义还很远，且评估器难写——评估器写错，整个进化方向就跑偏。变现评估：更适合芯片、量化、调度类工程团队内化，难做成通用训练营。
Stanford 的 Virtual Lab 走的是多角色协作路线：它模拟一个真实实验室——有一个 PI（导师）Agent，下面挂着若干专精不同方向的 scientist Agent，再加一个 scientific advisor。任务来了，PI 分派，科学家们各自动脑、开会辩论、投票决策，产出一份协作设计。已公开的案例包括纳米抗体设计等。
它的价值在于用社会性对抗单一 Agent 的盲点：不同角色的 Agent 会从不同视角质疑同一个结论，相当于内置了一个同行评审环节。优点是开源、可定制角色画像、特别适合跨学科头脑风暴；缺点是 token 成本随角色数线性叠加，且"多 Agent 开会"很容易演变成礼貌性附和而非真辩论，需要刻意设计对抗 prompt。变现评估：适合做成"AI 课题组"产品——给中小企业/研究者提供一对多的智囊团，按角色订阅。
把上面五个能力拼起来，你会发现自主科研智能体把闭环跑通的同时，也把一个结构性矛盾摆上了桌面。AI Scientist v2 那篇通过盲审的论文随后被主动撤稿；2026 年围绕"AI 论文登上 Nature"的讨论中，21% 的评审意见被质疑存在同质化与敷衍；co-scientist 的锦标赛虽然漂亮，但黑箱置信度无法被第三方复算。问题的核心是：当 Agent 能自己写、自己改、甚至未来能自己审，"同行评审"这套公信力机制赖以生存的"人类作者责任"前提就被架空了。
工程上的对冲正在出现：强制代码与数据可复现（AI Scientist v2 开源实验脚本即为此）、要求声明 LLM 参与度、把自动评审器从"打分"降级为"挑可复现性漏洞"而非"给接收意见"。这条线决定了自主科研智能体到底是个加速器还是个注水机——而它目前还没被任何一家跑通的系统真正解决。
对想动手的团队，最务实的路径是把开源件拼成一条流水线：用 PaperQA2 做文献检索与证据 grounding，用 AI Scientist v2 做想法生成与实验执行（代码沙箱隔离），用 Aviary 给自己的 Agent 做强化学习微调，再用一套确定性评审检查清单做收尾。
flowchart LR
A[研究问题] --> B[PaperQA2\n文献检索+引用]
B --> C[AI Scientist v2\n想法生成+实验树搜索]
C --> D[代码沙箱\n隔离执行+可复现]
D --> E[Aviary\nRL 微调策略]
E --> F[自动评审检查\n可复现性/数据完整]
F --> G[人类终审\n责任锚点]
G --> H[论文/报告]
关键设计有三：一是代码执行必须隔离（容器或 microVM），否则实验跑飞会污染宿主；二是每条结论强制引用溯源，PaperQA2 的 quotes 字段是天然质控；三是保留一个"人类终审"闸门——不是为了阻挡自动化，而是为了把法律与科学责任锚定到一个能被追责的人身上。这套栈的开发成本最低，但天花板取决于你能把"自动评审检查"做到多严，这是整个 DIY 方案的分水岭。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。