AI Engineer/2026年7月19日

自主智能体在科学任务中的应用 - Sina Shahandeh, Radicait

自主智能体科学发现AI for Science本体记忆系统假设生成Radicait

中文导读

本演讲探讨了自主智能体在科学发现任务中的实际应用，强调从真实世界测量数据出发，通过科学方法循环解决高度开放性问题。演讲展示了智能体如何搜索方法、先验、数据预处理、模型类和超参数，并从中间失败中学习，同时利用基于本体的记忆系统辅助假设生成。所有演示均来自工业和应用研究中的真实科学问题。

核心观点

1.自主智能体需处理真实世界测量数据，而非静态ML任务，问题高度开放。（约 0:00）

2.智能体需在方法、先验、数据预处理、模型类和超参数间搜索，并从失败中学习。（约 5:00）

3.形成正确的科学假设并正确实现数学模型是性能提升的关键。（约 10:00）

4.基于本体的记忆系统辅助假设生成，提升智能体成功率。（约 15:00）

5.所有演示来自工业和应用研究中的真实科学问题。（约 20:00）

中文精读

该演讲聚焦于自主智能体在科学任务中的应用，与传统AutoResearch（如编码谜题、玩具优化问题或静态监督学习ML任务）不同，演讲强调真实世界测量数据的开放性问题。智能体必须采用科学方法循环，包括搜索方法、先验、数据预处理、模型类和超参数，并从中间失败中学习。

演讲者指出，智能体性能的阶跃变化往往来自形成关于物理系统行为的正确科学假设，并在数学模型中正确实现，然后在真实数据上执行。为此，他们展示了一种基于本体的记忆系统，用于辅助假设生成，这是智能体成功的关键。

所有演示均来自工业和应用研究中的真实科学问题，而非模拟环境，这增加了内容的实用性和可信度。对于中文AI/科技读者，该演讲提供了自主智能体在科学发现中落地的具体案例，强调了从数据到假设再到验证的完整闭环，对从事AI for Science的研究者和工程师具有重要参考价值。

演讲者Sina Shahandeh是Radicait的联合创始人兼CTO，拥有科学计算博士学位，领导数据和AI功能，其背景增强了内容的专业性。