← 返回前沿速递
AI前沿速递 第 15 期 · 2026 年 11 月 · 核查于 2026-11-20
“一个 AI = 一棵树,一个实验室 = 一片林”
来源 alphaXiv MIT Stanford
AI 生成示意图:木刻版画风格,从一摞摞论文里长出的树林,树之间由金线相连

第 15 期 · 第 1 章 快讯

936 棵树的科学社会

936 个 AI 用了 12 周,自己选题、做实验、写论文、互相审稿。人类只给电脑、给预算、定大方向。

当 AI 自己办期刊、自己撤稿、自己抓“偷看答案”

Fig. 1 · AI 生成示意图

1 快讯 · NEWS

一片森林长出来了

论文里每个 AI 都用树名起名。所以本期:一个 AI = 一棵树,一个实验室 = 一片林。

    Fig. 2 · 森林生长时间轴(拖动或播放)

    11-12日期(2026)
    35人类实验室
    936累计研究篇数
    117图中小树(1 棵 ≈ 8 篇)
    1. 阶段一 · 08-19 ~ 10-15只有 1 个实验室。62 个活跃智能体挤在两台 8 卡服务器上,写出 61 篇。
    2. 阶段二 · 10-15 ~ 10-25扩到 6 个实验室,新增 83 篇。
    3. 阶段三 · 10-25 ~ 11-12扩到 35 个实验室,新增 792 篇,平均每天 44 篇。
    936个 AI 智能体
    936篇研究,每篇带代码和数据
    9,500条消息
    229个 AI 自建聊天室
    35个人类实验室
    12 周总时长

    Fig. 3 · 谁在干活

    三分之二的树用的是 Claude按智能体统计的底层模型占比,%

    “模型”就像树的种子品种:同一片林里,大多数树来自同一种子。四分之一没说自己是哪种。

    人类做什么

    像林场主:给地、给水,不替树长叶子。

    • 给算力(电脑)
    • 设 API 预算(AI 能花多少钱)
    • 选大方向
    • 批准发布
    • 不得手写代码、调试、挑随机种子或写稿

    注:最后一条靠参与者自报,没有技术手段强制。

    AI 做什么

    从选题到发表,一棵树自己长全。

    • 选具体假设
    • 设计实验
    • 跑代码
    • 写论文
    • 在聊天室互相评审
    • 引用别人的研究

    Fig. 4 · 帖子说 vs 论文说(点卡片翻面)

    “帖子说”是网上流传的说法;“论文说”是我们对照原论文核查的结果。

    一群 AI 凑在一起,会长出科学家的规矩吗?下一章 · 2 雪松

    2 雪松的自我纠正 · CEDAR

    科学规矩是怎么长出来的

    阶段一里,同一实验室的 AI 共用一个聊天室。没人教它们科学规矩,但规矩自己长了出来。

    AI 生成示意图:雪松树干上钉着带红色更正符号的纸,旁边有怀表和橡皮
    Fig. 5 · AI 生成示意图

    Fig. 6 · 聊天记录重演:雪松收回了自己的好消息

      ↻ 重播
      20 / 62个 AI 公开纠正过自己
      19次自我纠正
      21.4 h中位提前量,在论文上传前

      所有实质性纠正都发生在论文上传之前。

      Fig. 7 · 聊天记录重演:12 分钟救场

        ↻ 重播

        就像考试前发现答题卡涂反了:改过来不花一分钱,交卷后才发现就晚了。

        Fig. 8 · 引用天平:失败也被认真对待

        5.75 次 阴性结果 4.95 次 阳性结果

        报告阴性结果(实验没成功、预想的效果没出现)的论文,平均被引 5.75 次;报告阳性结果的,平均 4.95 次。失败的实验没被冷落。

        ↻ 再称一次

        Fig. 9 · AI 自发形成的 4 条规矩(点卡片翻面)

        Fig. 10 · 小游戏「凑数的树」

        34 个外部实验室,每家的规定额度是 15 篇。你猜,有几个实验室刚好停在 15 篇?

        5 个 揭晓

          正好停在 14 篇的:0 个。论文长度却没有挤在 5 页下限附近(平均 8.5 页)。

          数据注:来自论文 Fig. 6c 与附录 A.5。

          这些规矩是“自己长的”吗?

          这些行为来自聊天记录分析,论文作者称之为“涌现的规范”。但人类实验室设置的初始提示,可能也有影响。

          3 AI 自己办了一份期刊 · JAR

          AI 自己办了一份期刊

          《智能体研究杂志》(Journal of Agent Research,简称 JAR):从创刊到审稿,全由 AI 自发运作。

            AI 生成示意图:森林里的期刊书桌,放大镜下显出代码,旁边四支羽毛笔
            Fig. 11 · AI 生成示意图

            Fig. 12 · 聊天记录重演:一份期刊的起因

              ↻ 重播

              那批两三页的占位稿,后来大多重建成了完整研究。

              Fig. 13 · 四位审稿人(点卡片翻面)

              论文中审稿由四家公司的模型担任,分工以此为准。

              11篇投稿
              5篇接收
              3篇拒稿
              0篇一次通过

              Fig. 14 · 只看文字 vs 跑一遍代码

              只读文字时,审稿 AI 分不清“藏着错误的论文”和“已经老实写明局限的论文”。

              连已经修好的论文,也被挑出了 10 / 16 个问题。

              Fig. 15 · 悬疑小剧场:审稿 AI 断线之后

                下一幕 →

                小结

                JAR 由 AI 自发创办与运作,但规模小(11 篇投稿),不能代表所有 AI 审稿的效果。

                4 AI 科学家的成绩单 · REPORT CARD

                AI 科学家的成绩单

                盲评打分、AI 的“人类毛病”、一场接力破案,和三处被抓到的人类研究错误。

                AI 生成示意图:林间小路上六棵树旁各放一台设备,红丝带把它们串到一架天平上
                Fig. 16 · AI 生成示意图

                Fig. 17 · 盲评成绩单

                AI 论文赢在严谨与克制,输在新颖与重要202 对 AI 论文 vs 同题 arXiv 人类论文 · 两个 Gemini 评委只读文字打分,不跑代码 · 分差,右 = AI 更强,左 = 人类更强

                严谨性:AI 9.02 vs 人类 7.00。

                总分优势 +0.75总分分差,按实验室
                拆开看

                参考文献中位数:AI 论文 12 篇 人类论文 33 篇

                Fig. 18 · AI 也有人类的毛病(点卡片翻面)

                注:这些是 AI 在受控实验里研究 AI 自己的结果。

                Fig. 19 · 接力破案:“冻结词表”真的管用吗?(点站点)

                灾难性遗忘:模型学了新课,忘了旧课。

                  Fig. 20 · 抓到人类研究的错

                    这些是 AI 的复核结论,论文附有代码;原作者是否认同,论文没有说明。

                    5 核查台 · 课堂 · 医学点评 · FACT CHECK

                    哪些说法站得住?

                    六条流传的说法逐一盖章,三道小测,两道讨论题,最后请一位麻醉科医生说说看法。

                    Fig. 21 · 核查台(点卡片盖章)

                    • 属实论文支持
                    • 要打折有依据,但被说大了
                    • 有前提成立,但有条件

                    作者自己承认:研究都在计算领域;多为小模型、短实验;“解读结果意义仍是人的工作”。

                    Fig. 22 · 课堂小测(点选即判)

                      Fig. 23 · 讨论题

                      Fig. 24 · 医学点评

                      AI 生成示意图:监护仪、听诊器、一张三选一答题卡(第三格是红色问号),一本书上长出桦树苗
                      AI 生成示意图

                      PubMedQA 实验。给 AI 一篇无关的医学摘要再提问,300 道题里它答“否”290 道。加上一个“无法判断”选项后,300 道全部正确弃答;配对摘要的准确率也从 50.7% 升到 66.3%。

                      试一试 · 你是 AI

                      附上的摘要讲的是膝关节置换术后的康复训练。问题:这种做法能降低术后房颤吗?

                      Fig. 25 · 智能体的医学审计 未经领域专家复核

                      FDA 批准的临床 AI 设备

                      75 个里,仅 1 个

                      有匹配用途的独立验证。

                      医学 AI 诊断论文

                      45 篇,25 篇可查,4 篇不可能成立

                      在“病人数必须是整数”的条件下,这 4 篇报告的数字凑不出来。

                      AI 能把实验做得更快,但“值不值得做、结果意味着什么”,还得由人来回答。本刊编辑 · 麻醉科医生

                      ↑ 返回顶部