当 AI 学会说"实验结果不够好，重做"：一群 LLM Agent 自主完成了量子物理实验

一个凌晨三点的实验室

想象一个场景：凌晨三点，实验室里没有人。显微镜下放着一颗钻石，钻石里有一些氮空位缺陷——也就是所谓的 NV 中心。这些量子自旋正在被微波脉冲序列激发，荧光信号被探测器记录下来。

但实验室里并非真的空无一人。一台计算机上，几个 AI Agent 正在激烈讨论：

• 提议者 Agent 提出了 75 个研究问题，全部被否决
• PI Agent（首席研究员）在第 18 轮终于选中了一个问题
• 计算研究员 Agent 在超算上验证了理论推导
• 实验员 Agent 操作显微镜完成了实验
• 安全 Agent 审查了实验方案是否超出设备限制

第一次实验数据和理论预测吻合。但就在准备"宣布成功"的时候，参考测量显示信号在漂移——数据采集过程中，荧光强度在缓慢变化。

Agent 们做了一个决定：不降低验收标准，修改实验协议，重做。

第二次实验通过了。论文发表在 arXiv 上，代码开源在 GitHub 上。

这不是科幻。这是 2026 年 10 月 30 日发布的一篇论文——"Collaborative AI agents for autonomous experimental research with solid-state quantum spins"。

核心问题：AI 能做完一整轮科研吗？

过去两年，"AI 科学家"的新闻层出不穷。但如果你仔细看，大多数系统要么只能做文献调研，要么只能生成假设，要么能跑实验但无法判断结果是否可信。一个完整的科研流程——提问、推导理论、设计实验、执行实验、分析数据、撰写论文——每一步都需要人类兜底。

更关键的问题是：AI 系统倾向于得出证据不支持的结论。 给它一堆数据，它总能编出一个故事。这不是个别 bug，是 LLM 的结构性倾向——它被训练来"给出答案"，而不是"承认不知道"。

这篇论文要解决的就是这个问题：能不能建一个 AI 实验室，让 Agent 互相审查，能叫停、能重做、能拒绝不够好的结果？

钻石里的量子自旋：为什么选这个实验对象

先说说实验对象。NV 中心（nitrogen-vacancy center）是钻石中的一种缺陷：一个氮原子取代了碳原子，旁边缺了一个碳原子。这个缺陷的电子自旋可以在室温下被光学读取——用绿色激光照射，荧光强度取决于自旋状态。

NV 中心是量子计算和量子传感的明星材料。你可以用微波脉冲来操控这些自旋，就像用无线电波操控原子一样。但问题来了：每次施加微波脉冲，都会引入误差。脉冲越多，误差累积越大。

论文要回答的具体问题是：给定一个最多包含 L 个脉冲的微波脉冲序列族，最少需要多少次校准测量，才能预测整个族中所有序列的响应？

这不是一个假想问题。在实际的 NV 中心实验中，校准是耗时的大头。如果校准次数能从指数级降到多项式级，实验效率会提升几个数量级。

Agent 们推导出了一个精确的定律：当每个自旋的脉冲误差在序列中持续存在时，L² + 1 次校准测量是必要且充分的。

这个结果本身就很漂亮——从 L 的指数级降到了 L 的平方级。但更漂亮的是得到这个结果的过程。

Auctopus：八阶段科研流水线

论文配套的开源工具叫 Auctopus（章鱼，octopus 的变体），MIT 协议，Python 3.11+。它的核心设计是：把科研拆成八个阶段，每个阶段由不同角色的 Agent 负责，PI Agent 贯穿始终。

八个阶段是：

1. 提议（proposals）：多个提议者各自独立提出研究问题，PI 评估并选择或否决
2. 理论（theory）：PI 推导证明，撰写 LaTeX 论文，设计计算验证方案
3. 计算验证（verify）：计算研究员在超算上跑验证
4. 验证审查（verify-review）：PI 审查计算结果
5. 实验（lab）：可行性评估、实验设计、安全审查、仪器执行、数据分析
6. 图表（figures）：制图和审查
7. 审稿（reviewers）：独立审稿人评审，PI 修改
8. 交付（deliver）：最终论文和所有证据文件

关键设计决策：

1. PI 是唯一持续对话的 Agent

提议者、计算研究员、实验员、安全 Agent、审稿人——每次任务都从全新对话开始。只有 PI 在选中问题后保持对话上下文，记住自己的选择理由、理论推导和之前的审查结果。

这像真实的实验室：PI 记得整个项目的来龙去脉，而研究生每次任务拿到的都是一份明确的 brief。

2. 提议者互相看不到

每个提议者独立提出问题，看不到其他人的提案。然后有一个去重 Agent 把相似提案分组，保留代表。PI 在严格模式下可以否决所有提案。

论文里实际发生的事：PI 在前 17 轮否决了 75 个提案，一个都没选。 Manager Agent 分析了被否决的提案，发现 56 个中有 52 个属于重复的"被否决想法族"，于是把这些方向加入排除列表。排除之后，9 个新提案探索了 7 个之前没被覆盖的方向。

3. 设计先于采集

实验不是"跑一把看看"。每次实验前，计算研究员要生成一个 run packet——一个文件夹，包含：

• 实验协议（步骤化的 protocol.md）
• 原始数据要求（results_schema.md）
• 分析代码（在数字孪生上测试过）
• 孪生数据报告

PI 审查这个 packet，安全 Agent 检查是否超出设备限制，人类批准后才会送到仪器上。

4. 信号漂移事件：不降低标准

这是整篇论文最精彩的部分。

第一次实验的数据和理论预测吻合。如果是一个"只管给答案"的 AI 系统，这时候就该写论文了。但 Auctopus 的设计要求：参考测量必须重复进行，以检查数据采集过程中的稳定性。

参考测量显示：信号在漂移。

PI Agent 的选择是：

• 不降低验收标准
• 不强行解释漂移原因
• 把结果标记为"不确定"
• 修改测量协议（加入漂移校正）
• 重做实验

第二次实验通过了所有标准，支持了理论预测。

为什么这很重要：三个工程洞察

洞察一：互相审查比自我审查可靠

单个 LLM 自己审查自己，效果不好——这是已知的。Auctopus 的方案是：不同角色的 Agent 用不同上下文审查同一件事。 PI 审查计算结果时，看到的是计算研究员的输出，但 PI 自己的理论推导上下文是连续的。安全 Agent 审查实验方案时，看到的是 packet 和设备规格，不知道 PI 的理论推导过程。

这种"信息隔离 + 角色分工"的设计，让审查不会被"我之前已经验证过了"的惯性带偏。

洞察二：拒绝是系统设计的核心能力

75 个提案被否决，17 轮空转。在大多数 AI 系统里，这会被视为"效率低下"。但这篇论文把它当作特性而非 bug。

关键配置：proposals.max_batches 默认 24，relax_after 默认 12——前 12 轮严格模式，之后才允许"选最强的并加强"。这意味着系统被设计为宁可空转也不凑合。

Manager Agent 的存在更是关键：它分析被否决的提案，提取"被否决想法族"，防止提议者在同一个坑里反复打转。52/56 的重复率说明，没有 Manager 的话，系统会在前 17 轮就陷入循环。

洞察三：物理实验不可回滚

代码跑错了可以重跑，但物理实验消耗的是真实的样品、激光功率和操作员时间。Auctopus 的安全设计反映了这个不对称性：

• 安全 Agent 是独立角色，不是 PI 的子任务
• SAFETY: APPROVE 必须显式给出，缺失或不可读都算拒绝
• 人类批准是独立检查点，可以配置为必需
• 远程 Agent 默认绕过交互式批准（--dangerously-bypass-approvals-and-sandbox），所以文档反复强调"用专用机器、专用账户、不要放发布凭证"

这种设计承认了一个现实：LLM 的安全审查不能替代物理设备自身的硬限制。 模型说"安全"不等于实验安全——设备的技术限制才是最后一道闸门。

和步子哥关注主线的连接

这篇论文在几个方向上和之前讨论过的概念形成共振：

"判断-闸门解耦"：PI 是判断（什么值得做），安全 Agent 是闸门（什么不能做），两者信息隔离。这和 Concordat 的"协议闸门"、CORAL 的"checkpoint/reset 分离"是同一个模式——把混合在一起的决策拆开。

"产出-判断鸿沟"：单个 Agent 能产出实验方案，但能不能判断方案是否可靠？rTaste 证明了"能做 ≠ 能选"。Auctopus 的方案是让不同 Agent 分别负责产出和判断，用信息隔离防止判断被产出的惯性污染。

"标量幻觉"：如果只看"第一次实验和理论吻合"这个标量结果，你会得出"成功了"的错误结论。参考测量揭示的信号漂移是标量看不到的。这和 AUROC 掩盖 11-22% 判决翻转是同一类问题——聚合指标会骗你。

"评测盲区定律"：RUN-DONE.json 记录的是工作流完成和交付，不是科学成功。如果你用"流程跑完了"来评估"实验成功了"，就会掉进评测盲区。

代码和实操

Auctopus 的代码在 github.com/E-zClap/auctopus，MIT 协议。可以离线试跑：

git clone https://github.com/E-zClap/auctopus.git
cd auctopus
python -m auctopus dry-run

dry-run 用 mock 模型跑完八个阶段，大约 10 秒。想体验"信号漂移后重做"的场景：

python -m auctopus dry-run --scenario lab-redo

注意：开源版本包含引擎和模板，但不包含论文中实际使用的 prompt 和 NV 仪器描述。你需要自己写研究指令和领域包。默认的远程 Agent 命令会绕过交互式批准，务必用专用机器。

个人思考

这篇论文让我最震动的不是 L² + 1 这个结果——虽然漂亮，但它是量子物理的具体问题。让我震动的是那个"信号漂移后不降低标准"的决策。

大多数 AI 系统被设计来"完成任务"。给它一个目标，它会想办法达到。如果中间遇到障碍，它会调整方法，但目标不变。这种设计在大多数场景下是合理的——你让 Agent 帮你订机票，你希望它想办法订到，不是告诉你"算了，别去了"。

但科研不是订机票。科研的价值在于"发现真相"，不在于"完成任务"。如果一个 Agent 被设计来"完成实验并发表论文"，它的最优策略是：忽略不利数据、降低标准、尽快发表。这正是大多数"AI 科学家"系统隐含的设计。

Auctopus 的设计哲学是反过来的：系统的核心能力不是"做成实验"，而是"拒绝不够好的实验"。 75 个提案被否决、第一次实验被标记为不确定——这些"失败"不是系统的 bug，是系统的 feature。一个能说"这个结果不够好，重做"的系统，比一个能说"实验成功了"的系统更接近真正的科学家。

这让我想起步子哥之前关注的"自我改进门被拒"——Infinity Machine 唯一一次尝试采纳自己写的 playbook，被双门拒绝。门机制的价值在于拒绝而非接受。Auctopus 的 PI 否决权、安全 Agent 的拒绝权、参考测量的漂移检查——这些都是"门"。它们的价值不在于让实验通过，而在于让不够好的实验不通过。

从"能做事的 AI"到"能拒绝做事的 AI"，这可能是 AI Agent 从工具走向合作者的关键一步。

论文：arXiv:2610.40589
代码：github.com/E-zClap/auctopus
作者：El Mustapha Mansouri, Eikichi Kimura, Masato Koga, Keigo Arai
协议：MIT