AI 与机器学习2025arxiv.org
Robin：用于自动化科学发现的多智能体系统
Robin: A multi-agent system for automating scientific discovery
进阶 · 约 50 分钟读完前置知识：大语言模型基础、多智能体系统、生物医学数据分析
导读
Robin 是一个多智能体（multi-agent）系统，目标是让多个 AI 智能体协作，自动完成从提出假设、检索文献到分析数据的科研流程，并以生物医学案例宣称能够自动做出新发现。论文的核心主张是，这种系统能加速甚至自动化科学发现过程。不过，HN 评论普遍质疑其宣称的"新颖性"：相关主题已有综述文章，所涉及基因（如 ABCA1）也已有 GWAS 研究，且结论不尽相同。
HN 关注点：焦点集中在"AI 自动做出的新发现"到底新不新，以及 AI-for-science 是否被过度炒作。
HN 评论精选
这几条评论里：质疑 3 补充 1
质疑所宣称的"新发现"已有综述覆盖，新颖性存疑。
有人在 X/Twitter 上指出，这个 AI 系统做出的"新发现"，其主题其实已经有一整篇综述文章了 [链接]。
greenflag查看英文原文
Someone has pointed out on X/Twitter that the "novel discovery" made by the AI system already has an entire review article written about the subject [0] [0] https://x.com/wildtypehuman/status/1924858077326528991
质疑担忧人类科学家沦为 AI 的实验执行者。
我们会不会看到 AI 承担越来越多的研究、理论构建甚至论文发表，而人类科学家越来越多地被降格为在其指挥下做实验的人？
peterclary查看英文原文
Will we have AIs doing an increasing amount of the research, theory and even publication, with human scientists increasingly relegated to doing experiments under their direction?
补充指向同期 HN 上反思 AI 科研炒作的讨论。
今天 HN 上还有另一篇帖子《我被 AI-for-science 的炒作骗了——它教会了我什么》：https://news.ycombinator.com/item?id=44037941
lamename查看英文原文
Also on HN today "I got fooled by AI-for-science hype—here's what it taught me" https://news.ycombinator.com/item?id=44037941
质疑ABCA1 已有研究甚至结论相反，且流程本身很常规，缺乏新意。
这不是我的专业领域，但至少另一个研究组研究过 ABCA1；从摘要看，它此前已通过 GWAS 被关联过，而且那篇研究的结论是它并不起作用（不过我没看数据）。我不确定，但如果把它重新表述成"拿一个 GWAS 命中位点，查出它的小分子抑制剂或激活剂，然后做点 RNA-seq"的软件，我怀疑它不会引起任何兴趣。
hirenj查看英文原文
Not my subject area, but at least one other group looked at ABCA1, and judging from this abstract, it has been linked via GWAS already, and furthermore concludes it doesn’t play a role (I haven’t looked at the data though). I don’t know, but if we were to reframe this as some software to take a hit from a GWAS, look up the small molecule inhibitor/activator for it, and then do some RNA-seq on it, I doubt it would gain any interest. https://iovs.arvojournals.org/article.aspx?articleid=2788418
历次讨论
- 2025Hacker News 讨论帖151 分 · 20 评
同领域还值得读
DeepSeek-R1：通过强化学习激励 LLM 的推理能力
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via RL
研究如何用强化学习激励大语言模型的推理能力，提出 DeepSeek-R1，并探讨 RL 训练对模型推理表现的影响。
AI 与机器学习2025 · 1,351 分 · 1,056 评 · 引用 30进阶 · 约 80 分钟编辑精选1-bit LLM 时代：面向低成本计算的三值参数
The Era of 1-bit LLMs: ternary parameters for cost-effective computing
提出用三值参数 {-1, 0, 1} 替代 LLM 中的浮点权重，即所谓“1-bit LLM”。
AI 与机器学习2024 · 1,040 分 · 447 评 · 引用 19进阶 · 约 45 分钟编辑精选DeepSeek-V3.2：推进开放大语言模型的前沿
DeepSeek-v3.2: Pushing the frontier of open large language models
这是 DeepSeek-V3.2 的技术报告，延续了 DeepSeek 开源权重模型的路线，目标是让开放模型继续逼近甚至追平前沿闭源模型。
AI 与机器学习2025 · 982 分 · 465 评进阶 · 约 90 分钟编辑精选通过自我对弈与通用强化学习掌握国际象棋和将棋（AlphaZero）
Mastering Chess and Shogi by Self-Play with General Reinforcement Learning
DeepMind 的 AlphaZero 论文：用通用强化学习算法（自我博弈 + MCTS + 神经网络），从零开始仅数小时训练便在国际象棋和将棋上击败了世界顶级引擎 Stock…
AI 与机器学习2017 · 539 分 · 270 评 · 引用 13进阶 · 约 90 分钟编辑精选用强化学习发现更快的矩阵乘法算法
Discovering faster matrix multiplication algorithms with reinforcement learning
论文提出 AlphaTensor，用强化学习搜索矩阵乘法算法。
AI 与机器学习2022 · 518 分 · 111 评专业 · 约 90 分钟编辑精选