自动科学研究新突破：MDA整合模型发现与实验设计

当科研智能体已经能够完成读论文、编写实验代码、执行测试并分析数据这些流程后，如今又向前迈进了关键一步：不再被动等待人类分配实验任务，而是能够自主规划最具区分价值的下一轮科学实验。

MDA系统的核心设计

这套名为模型发现智能体（Model Discovery Agent，MDA）的系统，将自动科研的闭环进一步完善。面对多个都能解释现有观测数据的候选科学假设，MDA不再只是依赖人类投喂新数据，而是先通过大模型生成合理的机制假说，再用贝叶斯方法维护每个候选的不确定性，主动挑选出最能区分不同假设的关键实验。

当新的实验结果返回后，系统会实时更新对各个候选机制的判断；如果现有的所有假设都无法匹配新数据，MDA还会重新扩展假说空间，确保不会遗漏关键的潜在机制。

精细化的实验决策逻辑

在MDA的架构中，大模型和贝叶斯推断承担着不同的核心角色：大模型负责生成初始的候选机制集合，而最终的假说筛选则由贝叶斯推断完成。通过序贯蒙特卡洛方法，系统会为每个候选模型推断参数的后验分布，同时计算边际似然，让不同候选的排序不再依赖大模型的主观判断，而是基于模型证据获得客观的结构后验。

在测试基准中，研究团队还加入了显式的复杂度先验，进一步压制那些仅仅通过增加自由度来换取拟合优势的模型，避免过拟合的问题。

基于得到的后验分布，MDA开始决策下一场实验的设计。系统的核心判断依据是信息价值：也就是不同候选模型在哪些实验条件下预测分歧最明显，且这种差异不会被观测噪声所掩盖。

实验的信息价值越高，就越值得优先执行。对于连续的实验空间，MDA还会通过CMA-ES算法搜索最优的实验设计方案。如果新实验持续产生较大的预测残差，说明当前的假说空间可能遗漏了重要机制，此时系统会重新调用大模型扩展候选池；当模型后验已经高度集中，且预测残差足够低时，系统则会清理重复的候选假说，优化整体的计算效率。

消融实验显示，MDA的各个组件分别解决了不同的瓶颈问题。在CHEMBENCH测试中，加入M-open设定后，整体的符号准确率从36%提升到50%，并让组合机制的恢复成为可能；再结合CMA-ES算法和自适应候选池后，完整配置最终达到了56%的准确率，后两者主要改善了高难度任务的表现。

多基准测试的验证结果

在多个标准化测试基准中，MDA的优势得到了充分验证。

首先在FORCEBENCH测试中，最直观的差异体现在实验效率上：仅经过8次实验，MDA的数值通过率就达到了约93%，而相同预算下的纯大模型智能体仅能达到约31%。常规的原生智能体平均需要41次实验，才能达到MDA在8次实验时的预测误差水平。

在更严格的精确形式恢复率指标上，MDA的表现为74%，而纯大模型智能体仅为31%。即使将完全相同的13种候选实验菜单交给纯大模型智能体，8次实验后的数值通过率也仅为22%，说明MDA的优势并非来自预设的实验列表，而是源于其科学的实验选择逻辑。

在Yukawa环境测试中，短距离的探测数据无法区分不同的候选模型，只有将探测范围拓展到屏蔽长度之外，不同模型的预测才会出现明显分叉。加入这组长距离数据后，真实机制才能在准确性与贝叶斯描述长度的权衡中胜出，这也证明了MDA主动选择实验条件的价值。

CHEMBENCH测试则暴露了另一个常见的科研误区：低预测误差并不等同于找到了正确的机制。该基准覆盖了57种单一或组合的酶动力学机制，在36个任务的分层子集上，约8次实验后MDA的符号准确率就升至约56%，并在此后进入平台期；而匹配后的同类智能体在60次实验后仅达到约42%的准确率。

在高难度的非竞争性抑制任务中，相关工具找到了均方根对数误差低至0.001的表达式，但却没有恢复出真实的动力学结构，这也凸显了仅依赖预测误差进行机制筛选的局限性，而MDA的多维度筛选逻辑则有效避免了这一问题。

在部分可观测的NEURONBENCH测试中，MDA的表现同样亮眼。大模型首先根据表型提出了包括Ih、T型钙通道、D型钾通道以及基础Na/K/漏电流模型在内的候选机制集合，在常规的去极化刺激下，这些模型难以被区分；而MDA通过信息价值选择了超极化条件，此时只有Ih通道会出现明显的电压sag现象，也就是超极化期间的缓慢去极化回升。仅通过这一次针对性实验，系统的后验分布就集中到了正确的机制上。

当加入通道噪声后，原本的确定性Hodgkin–Huxley模型变成了随机微分方程，此时边际似然无法直接计算。如果直接使用忽略随机性的确定性似然，随着噪声增强，系统甚至会高置信度选择错误的模型；而粒子滤波能够保持正确的判断，但计算成本很高。为了降低计算成本，研究团队训练了一维卷积网络，从模拟轨迹中学习摘要统计量来构造合成似然，在不同噪声强度下，该方法的模型选择准确率基本接近粒子滤波，但单次决策的计算速度提升了约10^4倍。

MDA还会将观测模型本身纳入选择范围，在粒子滤波和两类低成本合成似然之间权衡区分能力与计算成本：一类使用人工设计的摘要统计量，另一类使用神经网络学习的表示。如果低成本近似给出的后验判断与粒子滤波的校验结果不一致，系统会回退到更稳健的粒子滤波方法。在完整的随机NEURONBENCH测试中，模型化预测器仅经过3次实验就将误差降低了约4倍，比基于上下文学习的预测精度高一个数量级，此时的均方误差约为4.6，已经接近单次试验噪声下限4.0。

当单次实验本身的噪声较大时，MDA还会将实验重复次数纳入设计考量：预算究竟应该用于尝试全新的实验，还是重复最具区分力的已有实验，也成为了实验设计的一部分。

当前方法的局限性

不过，MDA距离真实实验室中的全自主科研还有明显的距离。目前的验证主要集中在合成基准和预先定义的设计空间中，尚未在真实的物理实验环境中完成大规模验证。

基础模型的能力也会影响MDA的优势大小。在跨不同大模型的测试中，MDA的数值通过率保持在约89%–94%，精确形式恢复率约为74%–83%；但当使用更强的Fable 5模型时，纯大模型智能体在精确形式恢复指标上反而超过了MDA。这说明MDA并不保证在所有结构恢复指标上都胜过强大的纯大模型智能体，其更稳定的优势在于在紧凑的实验预算下，通过模型证据筛选候选假设，并通过针对性实验持续减少不确定性，提升干预预测的可靠性。

总体而言，MDA的架构分工清晰明确：大模型负责扩大假设空间，贝叶斯推断负责用证据筛选假说，而实验环节则负责持续消除不确定性。当科研流程逐渐实现自动化后，下一步最值得获取的实验证据是什么，也开始进入自动科研的闭环范围。