AI自动科学发现系统AutoDiscovery正式发布

艾伦人工智能研究院今天正式推出了AutoDiscovery，这是一个全新的人工智能系统，现已作为实验性功能提供，专门帮助科研人员在面对海量数据时提出正确的研究问题。

对于科学研究而言，在大量论文中发现模式往往是一个巨大的负担，这已成为日常科研工作中最耗时的部分。然而，研究工作最大的瓶颈往往不是研究人员需要阅读的成堆论文和书籍来获得所需答案，而是知道应该提出什么样的正确问题。

AutoDiscovery的前身是AutoDS，现在已集成到AstaLabs中，这是艾伦人工智能研究院开发的科学AI生态系统Asta的一部分，该系统能够分析、总结和搜索超过1.08亿篇学术摘要和1200万篇全文论文。

与传统的从问题开始的研究方式不同，这项功能从数据出发，通过生成自然语言假设来自主提出问题，提出实验计划，编写Python代码并执行，解释统计结果，并利用这些结果生成新的假设。

本质上，它就像一个独立的研究员，能够对结构化数据集中的少数或数百篇论文进行分支统计分析并进行探索。据艾伦人工智能研究院介绍，该系统可以进行快速分析或通宵运行，它将提供完整的可能研究方向列表，每个方向都是可重现的，便于进一步调查。

瑞典癌症研究所免疫肿瘤学中心主任、肿瘤内科医生凯利·保尔森博士表示："AutoDiscovery揭示可能隐藏在显而易见处的发现的能力在癌症研究中尤其有价值。"

就像科学家一样，AutoDiscovery通过生成假设进行开放式探索。然后它使用该公司所谓的贝叶斯惊喜度，这是一种衡量系统在看到证据后信念如何改变的指标。

在对论文进行实验之前，系统基于概率分布对假设是否为真持有先验信念。这种"信念"来自模型已经可以访问的一套世界知识。在检查论文结果后，模型会更新其期望和"惊喜"因子，可能是积极的（换句话说，得到了证实）或消极的（被证伪）。

惊喜因子最重要的不仅仅是惊喜本身，而是有多令人惊讶。被反驳的假设可能与被证实的假设一样有价值，特别是如果它完全颠覆了预期或重新定义了假设。

历史上完全颠覆理解的假设例子包括19世纪时人们相信"瘴气"或坏空气导致疾病。当发现传染源、具体的细菌而不是瘴气导致特定疾病时，这一观点被完全推翻并被疾病的细菌理论所取代。这一转变始于1860年代和1870年代，当时约翰·斯诺博士绘制了伦敦霍乱病例地图，证明霍乱是通过受污染的水而非坏空气传播的，从而挑战了瘴气理论。

该公司表示，这符合科学的严谨性，那些有意义地改变我们期望的结果往往比那些简单确认我们已经假设的结果更有趣。通过追求惊喜，AutoDiscovery试图趋向于意外，并尝试代表真正的发现而不是明显的模式。

然而，仅有惊喜是不够的。探索科学发现空间的广度需要智能搜索。因此，它还实现了蒙特卡罗树搜索，平衡探索新假设和优先考虑已知线索。这有助于将计算努力推向最有可能解锁更好信息的路径。

用艾伦人工智能研究院的话说，它使用贝叶斯惊喜度和蒙特卡罗树搜索与研究人员协作回答这个问题："接下来应该调查什么？"

斯克里普斯海洋研究所海洋生态学家法比奥·法沃雷托博士说："生成多个假设然后由用户进行彻底评估的能力极其强大。"

艾伦人工智能研究院表示，该系统通过将数据集从静态存储库转变为协作伙伴，改变了科学家与其数据之间的关系。AutoDiscovery今天作为Asta中的实验性功能提供，Asta是一个开放科学的学术智能体AI框架。

Q&A

Q1：AutoDiscovery是什么系统？

A：AutoDiscovery是艾伦人工智能研究院开发的自动化科学发现AI系统，专门帮助科研人员在面对海量数据时提出正确的研究问题。它能够分析、总结和搜索超过1.08亿篇学术摘要和1200万篇全文论文。

Q2：AutoDiscovery是如何工作的？

A：AutoDiscovery从数据出发自主提出问题，通过生成自然语言假设，提出实验计划，编写并执行Python代码，解释统计结果并生成新假设。它使用贝叶斯惊喜度和蒙特卡罗树搜索来平衡探索新假设和优先考虑已知线索。

Q3：AutoDiscovery在哪些领域有应用价值？

A：AutoDiscovery在癌症研究、海洋生态学等多个科学领域都有重要应用价值。它能够揭示隐藏在显而易见处的发现，特别是在需要处理大量科学论文和数据的研究领域，能够大大减少研究人员的工作负担。