2026年的某一天,一个AI智能体正在分析单细胞数据,它提出了一个关于基因去噪的假设,写了代码,跑了实验,结果惨不忍睹。
问题来了:到底是假设本身就错了,还是代码写得有问题?
这个困境听起来很简单,但它困住了几乎所有自动化科研系统。你没办法从一次失败里读出两种不同的信号,一个是"这个想法根本行不通",另一个是"这个想法是对的,但实现方式拙劣"。如果分不清这两者,AI要么会白白放弃一个好想法,要么会在一个错误的方向上反复折腾实现细节。
这篇来自华为、莱顿大学和格罗宁根大学团队的论文,给这个问题起了个名字,叫做SwarmRSI。它想解决的不只是一个AI的困境,而是一整群AI科学家协作时暴露出来的更深层问题。
科研困境:一个人想不明白的事,一群人也未必能想明白
先说说这篇论文要解决的核心矛盾。
**递归自我改进**:指AI系统通过自己积累的经验来提升自身能力的过程,简单说就是让AI从自己做过的实验里学到东西,变得更擅长做科研。
单个AI智能体做科研,早就不是新鲜事了。但真正有意思的地方在于,现在不是一个AI在单打独斗,而是一群AI组成"智能体蜂群",有的负责提假设,有的负责写代码实现,有的负责分析实验证据。这些智能体理论上应该能共享经验,一个人发现的好东西,另一个人应该能用上。
**智能体蜂群**:由多个具备不同分工的AI智能体组成的协作系统,有的生成研究假设,有的负责代码实现,有的负责结果评估,像一个微型科研团队。
但共享经验这件事,说起来容易,做起来有两个大坑。
第一个坑,就是开头提到的归因问题。一个实验失败了,失败的原因到底是假设的方向错了,还是实现代码写得有问题?大多数自动化科研系统根本分不清这两种情况,它们要么把整个尝试直接扔掉,连带着可能正确的想法一起放弃,要么盲目地修修补补代码,却没意识到方向本身就是错的。
这就好比你去医院看病,医生只告诉你"你这次检查结果不正常",但不告诉你到底是哪项指标出了问题。你是该调整饮食,还是该换药,还是压根就是检测设备坏了?如果搞不清楚,你接下来的每一步调整都是在瞎猜。如果不区分这两种失败原因,后果是什么?论文里给出了答案:在他们后续的实验中,去掉这种区分能力后,整体表现的匹配SOTA率直接掉了10到13个百分点。
第二个坑更隐蔽。一个程序如果整体表现不佳,很可能被直接判定为"失败品"扔掉了。但这个程序里,说不定藏着一段写得特别好的代码,比如一个精巧的排序损失函数,或者一套消息传递机制,只是因为和程序其他部分搭配得不好,导致整体分数不及格。如果这个程序被彻底抛弃,那段好代码也就跟着一起消失了,哪怕它对另一个智能体的研究方向可能正是急需的那块拼图。
这就像一个创业团队,A组做了一个产品原型,市场反馈很差,团队直接把整个项目砍掉。但其实这个原型里有一个用户增长模块做得特别好,只是和产品其他部分不兼容。如果没人去翻这些被砍掉的旧代码,这个好模块就永远躺在垃圾箱里,直到B组几个月后又重新发明了一遍轮子。
这两个坑,构成了论文提出SwarmRSI的直接动机。研究者的思路其实很朴素:既然问题出在"信息没有被正确保留和传递",那就想办法把每一次实验的产物,无论成功失败,都原原本本地记下来,让后面的智能体能够翻出这些记录,按需取用。
接下来我们就看看,SwarmRSI具体是怎么做到这一点的。
反馈引导的蜂群突变:用别人的失败经验,决定你该改什么
SwarmRSI的第一个核心机制,叫做反馈引导的蜂群突变(Feedback-Guided Swarm Mutation)。
这个机制要解决的,正是前面说的归因难题:失败的时候,到底该修假设还是修代码。
**假设(Hypothesis)**:指一个具体的建模或算法机制,比如"用负二项分布混合模型来做空间聚类",它描述的是研究方向,而不是具体的代码实现。
**程序(Program)**:指把假设落地成可执行代码的具体实现,同一个假设可以对应多种不同的程序实现方式。
SwarmRSI的做法是,让智能体在决定下一步动作时,参考整个蜂群积累的反馈信息。具体来说,系统会观察两类信号。一类是跨实例的表现差异,就是说同一个假设在不同的测试数据集上,有的地方表现好,有的地方表现差,这种参差不齐的结果,往往意味着假设本身需要调整,因为一个真正靠谱的研究方向,应该在大多数场景下都说得过去。另一类信号是实现层面的执行失败,比如代码跑不通、报错、或者评估结果缺失,这种情况更可能是实现出了问题,而不是方向错了。
基于这两类信号,系统区分出两种修订模式。
一种叫H-突变,就是修改假设本身,换一个新的研究方向去实现。另一种叫P-突变,保留原有假设不变,只是修复或优化它的代码实现。这两种修订各自对应不同的触发条件,也产生了截然不同的效果。
论文里的消融实验证明了这两种模式都很重要,且缺一不可。去掉H-突变后,匹配SOTA的比例下降了10.0个百分点,去掉P-突变后,下降幅度更大,达到13.3个百分点。
这两个数字放在一起看,很有意思。程序修复比假设修订更关键,这说明在实际科研场景里,很多时候"想法是对的,但执行没跟上"的情况,比"想法本身就有问题"更常见。
研究团队在NatureBench基准上做了更细致的追踪分析。他们发现,在用DeepSeek-V4-Pro跑的一组实验里,被后续改进救活的失败实现比例达到了35%,而对比的AIDE系统只有12%,Arbor系统只有5%。换句话说,同样是遇到失败,SwarmRSI能把近三分之一的"死局"重新救回来,变成新的最佳结果,而竞争方法只能救回十分之一左右。
这背后其实隐含着一种对"失败"的重新定义。很多科研系统把失败当成终点,SwarmRSI把失败当成信息,它只是在告诉你"这条路这样走不通,但别的走法可能通"。
有一个具体案例特别能说明问题。在NatureBench的00917任务里,系统连续9次尝试都没能提升最优结果,眼看就要陷入僵局。接着系统连续做了两次假设突变,先是把程序的读出方式改成了归一化分配机制,然后又改成了带饱和吸收收益的读出方式,结果一下子从落后状态跃升到超越SOTA。这个过程如果按常规思路,连续9次失败很容易被判定为"此路不通",但系统没有放弃假设本身,而是不断调整它的呈现方式,最终找到了突破口。
互补蜂群重组:别人用剩下的零件,可能正是你缺的那一个
光解决"修哪里"的问题还不够,SwarmRSI还要处理那个被扔掉的好代码的问题。这就是第二个核心机制:互补蜂群重组(Complementary Swarm Recombination)。
这个机制包含两个具体操作,一个叫"重新嫁接"(rebase),一个叫"交叉重组"(crossover)。
先说重新嫁接。当一个假设存在尚未解决的实现需求时,系统会去其他智能体那里找一个合适的程序基座,把这个假设嫁接到新的代码基础上重新实现。这个操作的关键在于,它保留了假设的内容不变,只是换了一个更合适的"身体"去承载它。
这就好比你有一个很棒的商业点子,但第一次创业时团队技术实力不够,产品做得粗糙,失败了。几年后你遇到了一个技术过硬的新团队,你把同样的点子讲给他们听,他们用更好的技术栈重新实现了一遍,结果成功了。点子本身没变,变的是承载它的基础设施。如果没有重新嫁接这个机制,你的好点子就会永远和那次糟糕的实现绑定在一起,没人会想起来再给它一次机会。
论文里有个具体例子特别生动。在任务00795中,系统提出用某个来源程序的分子功能预测器去替换当前实例的对应模块,但一开始提交的输出和之前完全一样,说明实现根本没生效,这个请求被记录下来,暂时搁置。过了几步之后,程序基座升级了,系统重新回到这个未解决的假设,用新的基座去实现它,这次禁用了排序损失项,并采纳了来源程序的检查点规则。结果,目标预测器的F值从0.5032提升到0.5087,整体改进指标从负0.06388变成负0.06186。这个假设存活了很久,直到遇到合适的实现基础才真正发挥作用。
再说交叉重组。它处理的是另一种情况:一个程序整体表现一般,但在某些具体测试实例上其实是赢家。
**交叉重组(Crossover)**:这个概念借用自遗传算法,指把两个或多个"亲本"程序中表现各自更优的部分组合成一个新程序,类似生物繁殖中染色体的互换过程。
交叉重组的做法是,针对每一个子任务或数据实例,找出历史上表现最好的那个程序,如果它在某个具体实例上超过了当前程序,就把这部分的实现"借"过来,拼接进当前程序里,其余部分维持原样。
这就像做菜。你手头有三份不同的食谱,A食谱的汤底特别好喝,B食谱的调味特别到位,C食谱的火候控制特别精准,但单独看每一份食谱整体做出来的菜都不算顶尖。交叉重组的做法是,把A的汤底、B的调味和C的火候组合在一份新食谱里,拼出一道真正出色的菜。如果不做这种拼接,你永远只能在三道各有缺陷的菜里选一道将就吃,永远吃不到那道本该存在的完美料理。
论文里同样给出了具体案例。在任务00639中,交叉重组把三个不同来源程序的分支组件拼接到了一起,组合出的新程序在六个评估实例上都保留了各自最优来源的表现,最终达到了匹配SOTA的水平。更妙的是,后续的一次重新嫁接操作,激活了这个拼接程序里原本存在却从未被执行到的消息传递和排序损失代码,进一步把改进指标从0.0575提升到了0.0644。
这个细节值得多说一句:那段代码其实早就"存在"了,只是因为入口路由没有正确指向它,一直处于"休眠"状态。系统没有重新发明这段代码,而是找到了唤醒它的办法。这就是互补蜂群重组真正的价值,它让那些被埋没的、写好了却没派上用场的代码,有机会在合适的时机重新被激活。
消融实验显示,去掉整个重组机制后,匹配SOTA比例从44.4%掉到37.8%,超越SOTA的比例更是从15.6%直接腰斩到7.8%。这说明,重组机制对提升解决方案质量的贡献,主要体现在把表现"拉到更高水平"而不只是"保住基本盘"。
递归蜂群演化:谁该先出手,由一个会算账的调度器决定
前两个机制解决了"该修什么"和"该借什么"的问题,但还有一个问题没解决:在任意一个时刻,系统该把资源投给修改假设,还是投给修改程序?这就是第三个核心机制,递归蜂群演化(Recursive Swarm Evolution)要回答的问题。
这个机制的核心是一个叫做H/P选择的调度策略,它决定下一步该在假设层面动手还是在程序层面动手。
**折扣UCB指数(Discounted-UCB)**:一种源自多臂老虎机算法的决策策略,UCB全称是"置信上界",它在"选择过去表现好的选项"和"尝试探索不够的选项"之间做平衡,折扣则意味着越久远的历史数据权重越低,更看重最近的表现。
这个决策公式里综合考虑了三个因素:最近每单位计算成本带来的改进幅度、这个方向被尝试的折扣次数,以及这个方向上积压的未解决需求有多少。简单说,系统在算一笔账,这笔投入最近划不划算,试得够不够多,有没有很多人在等它出结果。
调度本身还有一些优先规则,比如没试过的方向优先,等待太久的方向优先,这保证了系统不会一直执着于某一个看起来回报率高的方向,而冷落了另一个同样重要但暂时没被重视的方向。
这就像一个风投基金在管理投资组合。基金经理手里有两个项目,一个是成熟期的扩张项目,一个是早期的种子项目。经理不能只看哪个项目眼下回报率高就一直加码,还得考虑这个项目有多久没被认真评估过了,以及有多少合作伙伴在等待这个项目给出下一步动向。如果只按短期回报率分配资源,早期项目永远得不到足够的关注,最终整个组合会失衡。
消融实验显示,去掉这个自适应调度机制、改成固定的"假设修改一次、程序修改一次"交替模式后,匹配SOTA比例下降了8.9个百分点,是所有消融项里降幅最大的一个,平均改进指标的下降幅度也是最明显的。这说明,决定"先做哪件事"这件事本身,价值不比具体怎么做低。
除了调度,这个机制还承担了另一个关键职责:把每一次实验的结果,无论成功、失败还是毫无进展,都原封不动地记录进一个**共享研究图谱**里。
**共享研究图谱**:一个记录系统中所有智能体历史尝试的数据结构,每条记录包含被测试的假设、父代和产出程序、实验结果以及执行证据,图谱的边则标记了假设与程序之间的关联以及代际传承关系。
去掉这个共享图谱后,匹配SOTA比例下降了7.8个百分点。这个数字背后的含义是,智能体之间互相"看得见"彼此的历史,本身就是一种生产力。
实测表现:三个基准测试,四项全面领先
说了这么多设计理念,终于到了拿数据说话的环节。
SwarmRSI在三个基准测试上做了评估:OpenProblems(六个单细胞分析任务)、NatureBench(90个科学编码任务,覆盖蛋白质生物学、细胞组学、物理建模、分子设计、关系推理和生物医学建模六大领域)和MLE-Bench Lite(22个机器学习工程竞赛任务)。
在OpenProblems上,使用DeepSeek-V4-Pro作为底层大模型,SwarmRSI的平均得分达到74.2,而对比方法TusoAI只有67.1分。换成Gemini 3.1 Pro Preview作为底层模型,分数进一步提升到76.2,这是所有对比方法里最高的成绩。
在NatureBench上,SwarmRSI的匹配SOTA比例达到44.4%,这是参与对比的所有方法中最高的。和同样使用DeepSeek-V4-Pro的Arbor系统相比,高出7.8个百分点;和AIDE系统相比,高出16.7个百分点,这两项差异在统计检验中都达到了显著水平。
在MLE-Bench Lite上,SwarmRSI的任意奖牌率(拿到铜牌、银牌或金牌中任意一种的比例)达到81.8%,同样领先于对比的Arbor和MLEvolve系统。
有意思的是,更换底层大模型后,SwarmRSI依然保持了领先优势。无论用DeepSeek-V4-Pro还是Gemini 3.1 Pro Preview,匹配SOTA的比例都稳定在44.4%,这说明这套方法的有效性不依赖于某一个特定的大模型,而是框架设计本身在起作用。
另外值得一提的是,论文还统计了使用的计算资源。在达到更好效果的同时,SwarmRSI消耗的token数量反而比TusoAI和Arbor更少,这意味着它不是靠"烧算力"堆出来的优势。
失败分析:93.3%的失败,其实是"诚实的尝试"
一个诚实的科研系统不该只展示成功,SwarmRSI的研究团队专门找了两位具有生物信息学工程博士学位的标注员,人工审查了35个失败的任务轨迹,一共644次失败尝试,两位标注员的一致性达到Cohen's κ = 0.92,这是一个相当高的可靠性水平。
**Cohen's κ**:衡量两个独立评分者判断一致程度的统计指标,数值越接近1说明两人的判断越一致,0.92通常被认为是"几乎完全一致"的水平。
分析结果显示,93.3%的失败属于"忠实的干预但没有收益",也就是说,实验被正确地设计和执行了,只是结果没有改进。剩下6.7%才是真正的实现或执行问题。
这个比例其实挺耐人寻味的。它说明大多数失败并不是系统犯了低级错误,而是真正意义上的"假设被认真测试过,但没成立"。科研的大部分时间原本就是在排除错误的可能性,SwarmRSI的失败分布其实反映了一种健康的探索节奏。
但论文也提到了一个反例,暴露出单看分数可能带来的陷阱。在任务00838中,一次提出的氨基酸替换方案,被下游代码意外覆盖掉了,导致评估环节实际上根本没有测试到这个提案,但系统依然返回了一个"有效"的分数。这正是为什么反馈引导的蜂群突变机制要去读取实现证据,而不只是看最终得分,分数本身有时候会撒谎。
生物学家的真实验证:从虚拟实验到实验台
这篇论文最让人印象深刻的地方,可能不是那些百分比数字,而是生物学家真的把SwarmRSI生成的两个程序复现了出来,用在了真实的免疫学分析里。
第一个案例关于肠上皮细胞。SwarmRSI针对contrastiveVI任务演化出的程序,会从每个感染细胞中减去其健康邻居的均值,再对残差做进一步分析。在Haber肠道数据集上,生物学家测量了肠细胞的真实RNA表达,发现蠕虫感染第10天的样本中,MHC-II相关基因的表达分数明显高于沙门氏菌感染的样本,均值分别是1.17和0.34。
更关键的是,生物学家做了一个局部一致性检验:在SwarmRSI演化出的表征空间里,MHC-II信号的局部相关性(Spearman相关系数)达到0.77和0.69,而在传统的RNA主成分分析表征里只有0.65和0.40。这说明SwarmRSI的程序捕捉到了比常规方法更精细的生物学结构。
第二个案例关于脾脏的空间组织。基于CytoCommunity任务,SwarmRSI演化出的程序结合了基于表型的解剖学先验和受空间约束的马尔可夫随机场模型,把评估指标从0.045提升到了0.102。生物学家用这个程序的分区结果,和专家手工标注的脾脏解剖区域做了比对,还进一步发现了一个有意思的现象:在手工标注的边缘区中,有20%到21%的B细胞实际上处在髓系/红系细胞富集的邻域环境里,这和既往文献(Goltsev等人2018年的研究)报道的B220和CD79b蛋白水平会随局部邻域变化的现象相呼应。不过经过位置和表型匹配校正后,这些蛋白标志物在不同邻域间并没有表现出一致的变化方向,这提示空间邻域信息对这几个标志物的预测价值其实有限。
这两个案例说明的事情是,AI生成的科研工具不是只能停留在基准测试的分数上,它真的可以走进实验室,产出能被人类科学家采信和复用的结果。
写在后面
读完这篇论文,最触动我的其实不是那些领先几个百分点的benchmark数字,而是那段"休眠代码被重新唤醒"的细节。一段消息传递和排序损失的代码,写好了却因为入口路由问题从未真正运行过,静静地躺在程序里,直到几步之后被重新嫁接操作意外激活。
这让我想起很多工程团队里真实发生过的事:某个功能模块被写出来了,因为种种原因从未真正上线,代码库里躺着,直到几年后另一个项目重新翻出来,发现"原来这里早就有现成的东西"。SwarmRSI做的事情,本质上是把这种"考古式发现"变成了系统的日常运作方式,而不是依赖运气。
还有一个细节值得单独说一下:论文里提到,"失败"里有93.3%其实是"忠实地做了,但没有收益"的诚实失败。这个数字让我意识到,我们对AI科研系统的期待可能一直有点偏,总是希望它每次尝试都能"成功",但真正靠谱的科研探索,失败率本来就应该是高的,重要的不是避免失败,而是能不能从每一次失败里提取出有用的信号,用在下一次尝试上。
这篇论文没有解决的问题也很明显:重新嫁接操作依赖的是"匹配需求标签和程序机制标签"这种启发式规则,它衡量的并不是一个程序真正能做什么,而只是表面标签对不对得上。如果两个程序标签相似但底层逻辑完全不同,这种匹配会不会把错误的拼接误认为是合理的重组?论文没有展开讨论这一点,这或许是后续工作值得深挖的方向。
Q&A
Q1:SwarmRSI是什么?
A:SwarmRSI是一个让多个AI科研智能体协同进化的框架,核心是让智能体之间共享假设、代码和实验证据,通过反馈引导突变、互补重组和递归演化三个机制,解决失败归因不清和有用代码被埋没这两个难题。
Q2:SwarmRSI相比其他AI科研系统的优势是什么?
A:在NatureBench基准上匹配SOTA比例达44.4%,超过Arbor和AIDE等对比系统;在OpenProblems上平均分达到76.2;还有生物学家真实复现了它生成的程序,用于肠道和脾脏免疫学分析,证明结果具有实际科研价值。
Q3:SwarmRSI如何判断实验失败是假设问题还是实现问题?
A:系统观察两类信号,跨实例表现不一致通常指向假设需要调整,而执行失败或代码报错则指向实现需要修复,分别对应H-突变和P-突变两种修订模式,消融实验显示两者缺一不可。







