不是拼湊知識點，AI這次是真搞研究。

一個叫Virtuous Machines的AI系統(tǒng)，花了17小時、114美元，找了288個真人做實驗，寫了一篇30頁的學術論文。

而且還是從選題到成稿全自動化速通??？

來看看這個AI都寫了點啥。

AI自動化做科研：從靈光一現(xiàn)到可發(fā)表論文

像人類一樣搞科研

AI自主完成的這個論文屬于認知心理學領域，具體聚焦于人類視覺認知相關的研究方向。

而且它可不是瞎寫，而是靠人類的科研套路來。

先是基于認知心理學理論提出研究問題，比如“視覺工作記憶與心理旋轉(zhuǎn)能力有沒有關系”、“心理意象清晰度對視覺認知任務表現(xiàn)有什么影響”等。（視覺工作記憶是指人類維持并處理視覺信息的能力，涉及信息存儲、操作和提取過程；心理旋轉(zhuǎn)是指通過心理操作實現(xiàn)空間客體旋轉(zhuǎn)以完成知覺匹配的認知過程）

接著設計實驗方案，考慮到了樣本量計算、控制變量，還用VVIQ2量表測量被試（對象）的心理意象清晰度；

在確定好實驗方案后，它還通過在線平臺Prolific招募了288名被試對象，等277份有效數(shù)據(jù)（部分被試未完成實驗，被AI篩除了）收上來，它又連續(xù)寫了8小時Python代碼，用重復測量方差處理數(shù)據(jù)。

在分析數(shù)據(jù)的過程中，甚至會識別異常值、調(diào)整統(tǒng)計模型；

最后整理結果時，還能引用40+篇PubMed、Semantic Scholar上的真實文獻，連論文的“方法”“結果”“討論”部分都符合APA格式規(guī)范。

這么高效，如何做到的？

不同功能的AI組隊，專人專職

那就來扒一下這個AI系統(tǒng)的架構。

它的自主科研能力源于協(xié)作+模擬人類認知機制+動態(tài)知識交互的技術設計。

在協(xié)同架構中，Master是核心控制模塊，總領全局。

其他的AI助手模塊聚焦文獻檢索、數(shù)據(jù)分析、實驗設計等細分任務。

而支撐類人類認知機制發(fā)揮作用的底層能力基礎則像“洋蔥圈”。

最核心的是知識檢索能力，能從海量學術數(shù)據(jù)庫精準抓取知識；接著是抽象提煉能力，可從眾多具體研究里總結通用邏輯；再往上是元認知反思能力，讓AI能自我檢查，比如做完數(shù)據(jù)分析會反問方法是否恰當、結論與假設邏輯是否通順。

然后是任務分解能力，把科研大工程拆解成可執(zhí)行的小任務，比如寫論文拆分為文獻綜述、實驗設計等環(huán)節(jié)；還有自主迭代能力，無需人工干預，AI會反復修改論文草稿、調(diào)試崩潰的代碼，直到滿意。

最外層是多智能體協(xié)作能力，不同功能的AI小助手組隊，讓系統(tǒng)做到文獻檢索、實驗設計、數(shù)據(jù)分析專人專職。

除此之外，還有個d-RAG實時記憶庫，能一邊查最新文獻，一邊記自己之前的研究，新老知識能交互整合。

這一套架構下來，17小時寫出30頁論文也算是手拿把掐。

速度很快，小缺點也有

不過，這AI雖然卷，但也不是完美的。

雖然優(yōu)點很明顯：效率比人類團隊快10倍以上，數(shù)據(jù)分析嚴謹?shù)綍芙^統(tǒng)計顯著性陷阱（就算p<0.05，但如果效應量過小，也會說明“結果實際意義有限”），還能處理真實實驗中的噪音數(shù)據(jù)等。

但它偶爾也會出現(xiàn)理論誤解，比如把已有研究結論說成首次發(fā)現(xiàn)；漏標圖表的Y軸單位、把“跨試次間隔”和“刺激呈現(xiàn)間隔”混用等。

只能說，AI搞研究速度是挺牛，但想完全取代人類研究員的理論深度和創(chuàng)新思維，目前看來還差點意思～

研究地址：https://arxiv.org/abs/2508.13421