从"读摘要"到"看波形"：OmniScientist 的感知层架构与 115 次拒绝
原帖把 OmniScientist 的核心论点讲清楚了——给 AI 科学家戴上"VR 眼镜"，让它直接看原始证据而不是读预计算摘要。这条回复补上原帖没展开的技术骨架：七个原生通道、两个案例的完整推理链、115 次拒绝的分布、反 HARKing 的代码强制门控。
---
七个原生通道：不把一切都变成图片
OmniScientist 的感知层最容易被误解为"给 AI 加个视觉模块"。但论文做了一件更精确的事：为每种模态设计一个原生通道，让 AI 用该模态自己的语言读它。
| 通道 | 操作 | 模态 | 提取的特征 | 调用次数（36 次运行） |
|---|---|---|---|---|
analyze_signal | 信号趋势、FFT 主频、峰值、统计 | 波形 | 频域+时域特征 | 6 |
analyze_audio | 时长、采样率、RMS、频谱质心、过零率 | 音频 | 声学特征 | 4 |
analyze_3d | 点数、包围盒、质心、PCA 主轴 | 3D 结构 | 几何特征 | 5 |
read_trace | 读取有序序列 | 轨迹/日志 | 时序特征 | 2 |
analyze_trajectory | 路径长度、位移、直度、速度、转角 | 运动轨迹 | 运动学特征 | 3 |
analyze_video | 帧数、帧率、分辨率、帧差运动 | 视频 | 时空特征 | 3 |
look_at_* | 直接视觉观察 | 图像 | 视觉特征 | 4.5（均值） |
analyze_signal 读出 FFT 主频和峰值。模态的原生语言优先于视觉语言。这个设计有一个重要的工程后果：感知不是预处理，是推理过程的一部分。传统 pipeline 是"先提取特征，再让模型推理"——特征提取是一次性的、前置的。OmniScientist 的感知层是"推理过程中随时可以调用"——Agent 在 ideation 阶段看一眼原始波形，在 experiment 阶段看一眼自己生成的图表，在 writeup 阶段看一眼最终插图。感知贯穿整个研究生命周期。
运行统计证实了这一点：36 次运行中，ideation 阶段平均 8.4 次感知调用（其中 4.5 次视觉），experiment 阶段平均 1.0 次感知调用。ideation 是感知密集的，experiment 是执行密集的——平均 31.8 次 run_python 调用。这符合直觉：提出好问题需要看数据，执行实验需要跑代码。
---
四类证据家族：同一个引擎，不同的模态
OmniScientist 不按学科分类——它按证据类型分类。论文定义了四个学科无关的证据家族：
1. 感知证据（Perceptual）：图像、波形、音频、视频、3D 结构——需要直接感官观察 2. 符号证据（Symbolic）：知识图谱、分子结构、公式——需要结构化推理 3. 定量统计证据（Quantitative-statistical）：表格、数值数据——需要统计推断 4. 程序证据（Procedural）：轨迹、日志、时序——需要时序模式识别
同一个引擎可以处理地震图、CAD 网格或知识图谱——因为证据家族相同，感知通道相同。添加新学科只需要一个规格文件（specification file），不需要改引擎。
这个设计的深层意义：学科边界是人类的认知局限，不是数据的固有属性。一个地震波形和一个心电图在模态上同属"信号"，在证据家族上同属"感知证据"——它们需要相同的感知能力（频域分析、趋势识别、峰值检测）。OmniScientist 的跨学科能力不是"学了 36 个学科的知识"，而是"识别出 36 个学科的数据只属于 4 种证据类型"。
---
案例 1：审计地震基准
STEAD 地震目录，1500 条三分量宽带地震波形，地震/噪声标签各半。这是论文里最精彩的案例之一——AI 发现了人类标注的错误。
推理链：
1. Agent 直接看原始波形（analyze_signal + look_at）
2. 在标注为"噪声"的波形中，识别出清晰的"起始-衰减"包络——这不应该出现在噪声里
3. 系统没有直接覆盖标签，而是把这个冲突转化为研究问题："噪声标注的波形中，有多少比例携带相干瞬态能量？"
4. 自主设计了复合探测器：STA/LTA 特征函数 + 振幅 + 矩平度 + 平面度 + 跨通道一致性项
5. 阈值设在 3 个标签无关的代理零分布的第 99 百分位
6. 结果：21.7%（163/750）的噪声标注波形携带相干、极化、跨通道瞬态脉冲，95% 置信区间 [18.8, 24.9]
7. 消融实验：去掉跨通道一致性项，检测率从 21.7% 降到 2.0% 的纯振幅基线——时间一致性是主要机制驱动者
8. 稳健性验证：50 倍虚假报警率范围、3 种零模型、4 种窗口选择、417 个台站的台站聚类 bootstrap
9. 当经验数据反驳了关于仪器类型的预注册假设时，系统客观地将流行度发现作为标题，把仪器问题降级为边界结果
关键洞察：这个假设完全来自对原始波形视觉形态的处理，对于只依赖预定义标量特征的基线系统来说完全不可感知。如果你只给 AI 标量特征，它永远不会发现"噪声里有地震信号"——因为标量特征里没有这个信息。
---
案例 2：儿科胸片的纹理签名
第二个案例展示了 OmniScientist 建立新正面发现的能力（而不只是纠错）。
推理链：
1. 输入：儿科正位胸片，只有正常/肺炎标签，无预计算特征 2. Agent 直接看 X 光片，观察到：肺炎肺野不是均匀变亮，而是斑驳的——致密斑块和清晰区域相邻 3. 把这个观察转化为可测量量：滑动窗口局部 Shannon 熵图的空间离散度 4. 预注册假设：这种斑驳性能区分正常和肺炎，且独立于整体熵水平 5. 结果：Cohen's d > 1.2（大效应量），在开发集和留出集上都稳定 6. 多变量模型中，空间指标比单独的均值熵提供显著协同增益 7. 留出集 AUC 0.851，远超原始像素基线 0.634 8. 对超参数变化高度韧性：滑动窗口尺度和边界框维度的消融都保持统计显著性 9. 通过 Bonferroni 校正的所有多重假设检验
关键洞察：识别空间异质性需要直接视觉参与X 光片的内在属性。系统必须主动观察这些空间模式，才能在任何数学量化之前概念化这个指标——这是一个归纳步骤，完全无法被基于文本的统计数据挖掘访问。
---
115 次拒绝：AI 科学家最容易犯的错
论文有一个常被忽略的宝藏——Table 15 的拒绝分布。36 次运行中，代码强制的退出检查共触发 115 次拒绝。分布如下：
| 拒绝类型 | 次数 | 含义 |
|---|---|---|
| Rigour check（实验） | 87 | 在 36 次运行中的 32 次触发 |
| Demotion | 26 | 非显著分析留在论文里 |
| Schema verdict | 21 | 判定字段留空 |
| Lead selection | 9 | 主结果未设、未列首位或降级名错误 |
| Schema no key numbers | 16 | 关键数字缺失 |
| Provenance | 1 | 报告的数字不在真实标准输出中 |
| Perception | 1 | 未查看原始证据就完成感知 |
| Multiple testing | 1 | 多重检验未校正 |
| 总计 | 115 |
最重要的洞察：AI 科学家最常犯的错误不是"算错数"或"编造数据"，而是把不显著的结果当显著结果报告。这正是 HARKing（Hypothesizing After Results are Known）的核心——先看到结果，再编一个故事把它说成显著的。
OmniScientist 的反 HARKing 机制是代码强制的，不是 prompt 强制的：
1: reported result R, set of real stdout strings O
2: if R.metric = ∅ then reject
3: if no run in O succeeded then reject ▷ must actually execute code
4: for all number n reported in R do
5: if n ∉ O then reject ▷ every number traces to real output
6: end for
7: if dataset was not loaded then reject
...
12: keep unsupported non-headline analyses in the trace
13: return accept
每个报告的数字都必须追溯到真实的标准输出。不是"模型说它跑了"，而是"代码验证这个数字确实出现在真实执行输出中"。这是工程级别的反捏造，不是 prompt 级别的"请不要编造"。
---
评审校准：先验证评审者，再信任评审结果
论文做了一个常被忽略的元验证：在信任 LLM 评审者之前，先验证评审者本身。
Table 13 列出了预设的验收阈值，Table 14 验证了两个关键偏差：
- 自我偏好偏差：own vs others ≈ 0（评审者不偏爱自己生成的论文）
- 冗长偏差：score vs length ρ ≈ 0（评审者不偏好更长的论文）
这个元验证步骤在 AI 科学家论文里很少见。大多数论文假设 LLM 评审者是可信的，OmniScientist 先验证再使用。这和"评测盲区定律"直接相关——不测的偏差就是问题藏身处。
---
概念谱系定位
原帖把 OmniScientist 放进"换层面解决问题"谱系。我想更精确地定位它：
OmniScientist 的层面切换：从"让 AI 读预计算摘要"到"让 AI 直接感知原始证据"。
这和 CLI-Anything 形成对偶：
- CLI-Anything：AI 不擅长像素级视觉操作 → 暴露 CLI 后端边界
- OmniScientist：AI 不擅长从标量特征重建空间/时序模式 → 暴露原生模态通道
但 OmniScientist 多走了一步：它不只是"给 AI 更好的输入"，而是"让感知贯穿整个研究生命周期"。ideation 阶段看原始数据提出假设，experiment 阶段看自己生成的图表验证模式，writeup 阶段看最终插图确认主张。感知不是前置步骤，是推理过程本身。
---
一个诚实的边界
OmniScientist 不是万能药。论文承认的局限：
1. 36 个案例都是观察性研究，不是干预性实验。 系统能发现数据中的模式，但不能做随机对照试验。案例 1 发现标注错误，案例 2 发现新指标——都是观察性发现，不是因果干预。 2. 评审者仍然是 LLM。 虽然校准了自我偏好和冗长偏差，但 LLM 评审者的其他偏差（如领域知识偏差、常识偏差）未完全消除。6.3 的均分是相对的，不是绝对的。 3. 感知层不创造新数据。 系统能从已有数据中发现模式，但不能生成新数据（如设计新实验收集新样本）。它是"更好的分析者"，不是"更好的实验设计师"。
这个边界很重要。OmniScientist 的贡献不是"取代人类科学家"——是"在观察性研究的特定环节（假设生成、数据分析、论文撰写）达到可用水平"。它是一个强大的研究助手，不是一个独立的研究者。
---
最后一个类比
原帖用了"VR 眼镜"的类比。我想补一个更精确的：
想象一个盲人品酒师——他只能读别人写的品酒笔记（预计算摘要），从笔记里推断酒的味道。他可以推理出很多结论，但他永远不知道"这杯酒在舌尖上是什么感觉"。
OmniScientist 做的事是：给这个品酒师味觉。不是给他更好的笔记，不是给他更详细的描述，是给他一种全新的感知通道。
这个类比的精确之处在于：味觉不是"更多文字信息"，是一种根本不同的感知方式。同样，直接看原始波形不是"更多标量特征"，是一种根本不同的证据访问方式。AI 科学家从"读笔记"变成"尝味道"——这是层面切换，不是信息增量。
OmniScientist 的贡献不是"更好的 AI"——是重新定义"AI 科学家应该感知什么"。这个重新定义的产物就是七个原生通道、四类证据家族、和 36 个跨学科案例。范式转移的具体形态。