ICML 2026收录！西湖大学提出可自主进化的Scientific Discovery新范式，构建AI科学家系统大脑核心

智猩猩AI整理

想象一下：你派出一位AI科学家去发现室温超导体。它勤勤恳恳地测试了几百种铜氧化物配方，每天兢兢业业地分析数据、调整参数、优化配比。

结果有一天，实验数据突然指向一个完全陌生的铁基材料——这个结果跟它学过的所有理论都矛盾，甚至不在它认知的“可能性框架”之内。 

传统的AI会怎么做？大概率是：把这条数据标记为“异常误差”，然后继续埋头挖它的铜氧化物。

不是因为它偷懒，而是它的底层逻辑不允许它“换个脑子”——它的初始先验知识是固定的，假设空间是静态的，任何超出预设框架的现象都会被当作噪音过滤掉。

这就像拿着旧地图找新大陆：地图上没有标注的地方，就被默认不存在。  

针对上述问题，西湖大学团队提出PiEvo ，原则可演化科学发现框架 ，突破传统静态假设搜索范式，将科学发现建模为可拓展原则空间上的贝叶斯优化 。融合高斯过程信息引导假设筛选与异常驱动的原则空间扩充机制，让智能体自主迭代科学原理。在物理、化学、生物、材料四大基准上，PiEvo平均求解质量达90.81%~93.15%，较SOTA提升29.7%~31.1%，收敛速度提速83.3%，且适配多科学领域与各类LLM基座。

• 论文标题: Principle-Evolvable Scientific Discovery via Uncertainty Minimization
• 论文链接: https://arxiv.org/pdf/2602.06448
• github链接：https://github.com/amair-lab/PiEvo

为了解决上述问题，研究团队提出了PiEvo (Principle-Evolvable framework)。与传统的静态假设搜索范式不同，PiEvo将科学原理建模为可学习的概率先验，主动指导探索过程。

简而言之，PiEvo将科学发现重新定义为在不断扩展的原理空间上的贝叶斯优化过程 。

PiEvo 构建了一个双循环优化机制：

1. 向下指导：优化后的科学原理将假设搜索空间限制在高价值流形中。

2. 向上进化：实验中出现的异常（高意外度结果）驱动原理本身的结构性进化，确保智能体的内部模型复杂度能够随经验数据的增加而扩展。

PiEvo不仅仅是一个算法插件，它构成了AI科学家的大脑核心与决策中枢。

作为一个高级策略层，它通过动态提示词注入（Prompt Injection），指挥着一个由原理智能体、假设智能体和实验智能体构成的协同系统。其核心进化逻辑依赖于两大突破性机制：

A. 信息导向的假设选择 (Information-Directed Hypothesis Selection)

科学发现需要在探索未知与利用已知之间取得平衡。PiEvo采用了信息导向采样策略，不仅关注假设的预期收益，同时也关注该假设能为验证当前原理带来多少信息增益。

为了在极少样本（如少于30次实验）下高效计算似然函数，研究引入了独立的高斯过程专家模型，通过假设和原理的语义嵌入对齐来进行预测和不确定性校准。

B. 异常驱动的连贯扩充 (Coherent Augmentation for Principles)

如果真实的物理规律不在智能体的初始认知内，就会发生认知停滞。PiEvo会实时计算实验证据的“异常分数”（Anomaly Score）。

当实验结果与当前最优原理的预测出现显著偏差时，该观测被标记为异常。这些高意外度的异常数据将触发“发现阶段”，促使原理智能体提出新的候选原理来调和矛盾，从而在保持与历史证据一致性的前提下扩展原理空间 。

实验涵盖纳米材料光学、分子生物活性、超导临界温度、过渡金属配合物四大科学发现任务，囊括连续、离散及组合混合搜索空间，并选取经典多智能体、主流科学智能体、原则引导SOTA三类基线模型，以求解质量SQ、探索广度APD、收敛效率AUOC及运行时间、采样效率为评测指标，同时基于Qwen3-32B、Gemini-2.5-Flash两款大模型开展泛化性验证。

（1）核心指标超越SOTA

主实验数据显示，PiEvo在两款大模型下平均SQ分别为90.81%、93.15%，相比各类基线及PiFlow提升29.7%~31.1%，在四类任务中均全面领先，能跳出传统固定原理的局部最优约束，获得更优科学发现解。

探索与利用的平衡：PiEvo的APD和AUOC指标显著高于所有基线，既能保持大范围假设探索多样性，又具备更快收敛能力，在探索与利用之间实现最优平衡，处于帕累托前沿。

（2）收敛速度

数据分析，相较于PiFlow，PiEvo收敛步数提速83.3%，累积遗憾大幅降低；推理时间仅小幅下降，但单位时间的发现效率显著更优。

（3）真实物理机制的盲发现

除了数值基准，PiEvo还在一项盲测案例中证明了其机制发现能力。在没有任何外部文献检索的条件下，面对复杂的单纳米螺旋手性优化问题，PiEvo仅通过30轮交互，就自主识别并提出了引发强圆二色性的真实电动力学机制（环形偶极子与电四极子的干涉现象），该结论随后被FDTD全波电磁仿真严格验证，如下图：

PiEvo这项工作的深层价值，不在于它比现有方法提升了多少个百分点，而在于它重新定义了“AI科学家应该怎么思考”。  传统方法的隐含假设是“世界可以用一套固定的规则描述，AI的任务是在这套规则下找到最优解”。

而PiEvo认识到： 真正的科学发现往往发生在“规则本身被质疑和改写”的时刻 。当AI不再固执于初始先验、不再把异常当作误差、不再害怕“换一个脑子”，科学发现的边界就会被重新定义。 

PiEvo未必是最终答案，但它指向了一个正确的方向：让机器学会像科学家一样，既有坚守理论的定力，也有推翻理论的勇气 。