假设也要记功劳

假设也要记功劳

AI 科研 agent 眼下不缺产出——让它生成假设，一天能出一堆。缺的是下一句：怎么让它下一轮生成得更好。科研和写代码不同，反馈又慢又贵，一个假设要几个月才能被实验验证，传统微调几乎无从下手。10 月 16 日挂出的 DiscoveryRSI（arXiv 2610.23839）正面回答了这个问题：把整个研究过程原原本本记下来，把评估结果算到具体的功劳头上，放一遍错题，再让升级后的系统上岗。团队来自 PhAI Labs、港中文、斯坦福、北大等多家机构，此前已在机器学习工程域做过一轮递归自改进（Frontis-MA1），这次把同一套思想搬进了生命科学。

框架的起点是把「好假设」写成可操作的格式：有证据支撑的主张、可行的验证方案、明确的判定标准、再加上备择解释——四件套齐了才算合格，其中「想好了自己可能错在哪」是被写进定义里的。假设长在一棵版本化的树上，四个算子推动生长：进化做深、修复补漏、交叉融合多个父节点的贡献、重启换方向从头来。树上的每一步都留档——证据、草稿、评审、贡献、执行记录全部关联。选中的方案会被编译成 Harbor 任务：输入、环境、产出、验证校验规则一应俱全，全程保留原假设的科学约束，防止执行环节悄悄跑偏。

真正的重头戏是三个首尾相接的学习机制。第一层，假设信用优化：评审给出的质量分不再是一个笼统的分数，而是沿着留档的贡献记录向下归因，算清哪个环节的哪个动作做出了贡献，再强化被支持的动作——科研过程中最稀缺的监督信号就这么被造了出来。第二层，harness 回放：像复盘棋局一样重放研究流程，把高产出的策略和高频失败的场景识别出来，回头修改智能体的协作规则和资源分配。第三层，再发现：接受过验证的模型与流程升级，落地到新一轮探索里，继续积累经验。论文特意区分了两个「重来」：重启是在一轮研究里换方向，再发现是换掉下一轮使用的系统本身——前者是探索，后者才是自改进。

数字最有意思的地方藏在人类评审里。二十七位有生物医学背景的评审看了二百九十二份假设，平均每次修订的质量变化：DiscoveryRSI 是 +0.07，GPT-5.6 Sol 是 +0.03，而 GPT-6 Luna 是 −0.01——不是进步慢，是越改越差。流传的解读稿说 DiscoveryRSI 的修订收益是 Luna 的「7 倍」，这个说法把一个负数悄悄摆成了正的小数，符号之差比倍数之差重要得多。自动评测那条线，两轮自改进把假设质量从 4.86 推到 5.39，增益集中在可证伪性和数据可验证性上；更硬的一项是「超前对应」：DiscoveryRSI-27B 生成的假设里，有 74 份（1176 份中占 6.3%）与模型知识截止日期之后才正式发表的真实研究对应——给出了具体的实验设计、对照物或测量方式——GPT-6 是 2.5%，Claude Opus 5 是 2.3%。

需要校准的地方也有。「首创」「首次」是解读稿加的，论文只说「我们引入一个可操作定义」；「带边界权重的模型训练」在原文里查不到对应表述，实际机制是贡献归因加动作强化；评测基准 DFM-Bench 实为五层——假设质量、修订价值、路径进展、运行质量、科学贡献，解读稿列了四层漏了最外一层。还有一处要留意：自动评测的判卷人是 GPT-5.6 Sol 本尊，自家判卷自家比，结论要打折听；好在人类评审那条线独立存在，+0.07 是人给的。至于递归自改进的成色，论文用行为分布佐证：两轮之后模型使用各算子的份额发生了系统变化——不是原地踏步地好了一点，是探索的方式变了。

把这张图放进更大的脉络里：前作 Frontis-MA1 证明了机器学习工程域可以递归自改进，这次是科研发现域；假设信用优化补的是自改进循环里长期缺失的中间层——改进的信号从哪里来、记在谁头上；harness 回放则与「重放经验还是重放预测」这条线遥相呼应。74 份假设预言了截止日期之后的真实发表——这个数字是整篇论文最锋利的一句话：递归学习的目的不是生成更多假设，是让系统有能力说出那些还没被写出来的部分。