UCSD谢澎涛创业：用AI搞科研，4小时交付顶刊水平成果，已获数百万美金融资

4 小时，一个 AI 智能体能做出什么？

谢澎涛团队给出的答案是：独立处理一个真实科学任务，理解问题、分析数据、设计模型、写出代码，再通过训练结果反复修改方案。整个过程不需要人类研究者参与。

谢澎涛现任加州大学圣地亚哥分校（UCSD）电气与计算机工程系副教授，博士毕业于卡内基梅隆大学机器学习系，研究方向聚焦人工智能及其在生物和医疗领域的应用。

在此前的研究中，他带领团队开发了一个可以自动构建 AI 模型的 AI 智能体 AIBuildAI。用户提供任务描述和数据后，这套系统可以自主完成模型设计、代码生成、训练和调优，并在 OpenAI 推出的 MLE-bench 中排名第一。此后，项目从 AIBuildAI Agent 1 迭代到 2 和 2.5 版本。谢澎涛也与几位博士生成立了 AIBuildAI 公司，并完成了约 400 万美元的融资。

最近，团队又推出面向 AI for Science 的 AIBuildAI Science Agent，并将它放进 NatureBench 进行评测。NatureBench 包含 90 个来自 Nature 系列期刊论文的真实科研任务，涉及生命科学、材料、能源和物理等领域。智能体无法查看原论文及其方法，只能根据任务描述、数据和评价目标自行寻找解法，每项任务限时 4 小时。

根据团队提供的数据，Science Agent 最终位列 NatureBench 第一，排名超过 Claude Code、Codex 和 Gemini CLI 等通用编程智能体。在 90 个任务中，25.6% 的任务超过论文报告的最佳方法，57.8% 的任务达到或超过论文中的最高水平。

图 | 所有 90 项任务的结果（来源：受访者提供）

围绕 Science Agent 的最新进展、AI build AI 的能力边界及其对科研和 AI 行业的影响，DeepTech 与谢澎涛进行了一次交流。

以下是 DeepTech 和谢澎涛的对话：

4 小时，AI 能把科研模型做到哪一步

DeepTech：上次我们聊的时候，AIBuildAI 主要展示的是自动完成模型设计、代码生成和训练调优。这次推出 Science Agent，相比之前几版最大的不同是什么？

谢澎涛：这次的进展主要体现在两个方面。

第一，是从自动完成模型开发，进一步走向在真实科研问题上达到甚至超越人类最高水平。

上次我们更多展示的是，Agent 能够自主完成模型设计、代码实现、训练和调优，证明模型开发流程本身可以被 AI 自动化。这一次，Science Agent 又往前走了一步。在 NatureBench 的 90 个真实科研任务中，它不仅能够独立完成整个模型研发流程，而且在 57.8% 的任务上，达到或超过了相关 Nature 子刊论文中人类研究者已经取得的最高水平；其中有 25.6% 的任务，Agent 开发出的模型直接超过了人类此前发表的最佳方法。

这意味着，Agent 已经不只是能够替人完成模型开发，而是开始具备开发出超越现有人类最佳方案的模型的能力。

第二，是研发效率的大幅提升。

对于人类研究者来说，要开发一个达到顶尖水平的模型，通常需要经历文献调研、方法设计、代码实现、实验验证和反复调优等过程，整个周期往往需要数周甚至数月。而在 NatureBench 中，Science Agent 每个任务的时间预算只有 4 个小时，并且能够在没有人工参与的情况下，从头到尾完成整个研发流程。也就是说，它把过去以周甚至月为单位的模型研发周期，压缩到了以小时为单位。

DeepTech：能不能结合一个具体的科研任务，讲一下 Science Agent 是怎样自主完成整个模型开发过程的？

谢澎涛：可以。比如 NatureBench 中有一个任务，来自 2025 年发表在 Nature Computational Science 上的一项研究，主要是预测非编码变异对基因表达的调控效应。

对于这个任务，我们给 Science Agent 的输入仍然只有两部分：一是任务描述，告诉它输入和输出分别是什么；二是论文公开的训练数据。除此之外，不会告诉它应该使用什么模型、采用什么算法，后面的事情全部由 Agent 自己完成。

拿到任务以后，它首先会设计多个候选模型，然后由 Coding Agent 完成代码编写和 Debug。代码能够正常运行之后，它会开始训练模型、调整参数并进行实验。通常第一次得到的结果并不是最优的，这时 Agent 会根据实验结果重新调整模型设计，再修改代码、重新训练和验证。整个过程会不断迭代，直到找到性能更好的方案。

在这个任务中，它最终设计的模型会分别处理长距离和局部序列信息：对于远距离信息，它结合领域知识构建了一些位置、距离等特征；对于局部序列，则使用深度学习模型进行建模，再将不同部分的信息整合起来。最终，Science Agent 在这个任务上得到的模型，相比原论文中人类研究者开发的方法，性能提升了大约 14%。

所以这个案例比较直观地说明，Science Agent 做的并不是简单地调用一个现成模型或者自动写一段代码，而是能够自己提出模型方案、做实验、根据结果调整方案，再继续迭代，完成一个相对完整的模型研发过程。

DeepTech：NatureBench 的 90 个任务都来自已经发表的论文，因此训练数据本身是现成的。那如果面对一个全新的科研问题，Science Agent 所需要的数据从哪里来？

谢澎涛：现阶段，数据仍主要由人类科学家收集和准备，这与现在的科研流程比较接近。

通常确定研究问题之后，需要先准备数据。一类来自公开数据库或互联网已有资源，另一类来自实验室，通过湿实验获得。

有了任务和数据之后，才进入模型开发阶段，包括模型设计、代码实现、训练、调参和反复优化，这也是整个过程中比较耗时的一部分。

Science Agent 目前主要自动化的就是这一阶段。也就是说，人类科学家负责定义问题、准备数据，后续的模型研发交给 Agent 来完成。

DeepTech：在科研数据里，除了成功的结果，失败实验的数据其实也很重要。对于 Science Agent 来说，这些失败数据会被用于模型训练吗？

谢澎涛：会。如果是生物实验、湿实验产生的数据，那么无论成功还是失败，通常都需要纳入模型训练。

训练一个能够泛化的 AI 模型，需要同时有正样本和负样本。比如成功的实验结果可以看作正样本，失败的实验结果则可以作为负样本。模型只有同时学习这两类信息，才能逐渐识别什么情况下结果可能成立、什么情况下可能失败。

如果训练数据全部都是正样本，模型实际上很难学到完整的判断边界，后续的泛化能力也会受到很大限制。所以从模型训练的角度来看，失败的数据同样具有价值。

DeepTech：除了 NatureBench 的这 90 个任务，你们有没有用更大规模的任务来测试 Science Agent 的泛化能力？

谢澎涛：目前系统性的评测主要围绕 NatureBench 的 90 个任务展开。这些任务本身具有较高的多样性，覆盖不同学科和不同类型的科研问题。未来也可以继续从更多 Nature 系列期刊中收集新的任务进行验证。

比较重要的是，这 90 个任务对 Science Agent 来说都是此前没有接触过的新任务。评测时我们还关闭了搜索功能，它不能查找对应论文或参考论文中的方法，只能根据任务描述和训练数据，自主完成模型设计、实验和优化。

因此，如果它能够在这些不同类型的陌生任务上取得较好的结果，也说明它已经表现出一定的泛化能力。

图 | 按照科学领域划分评测结果（来源：受访者提供）

DeepTech：在这 90 个任务里，有没有哪些类型的任务，Science Agent 的表现会特别好？

谢澎涛：一般来说，Science Agent 在目标明确、输入输出清晰，并且能够通过可微损失函数优化的任务上表现更好。比如非编码变异表达效应预测，本身就是一个比较标准的 AI 建模问题，可以通过损失函数和梯度下降不断优化。

相对而言，它在整数规划、动态规划等传统算法问题上表现会弱一些。比如 NatureBench 中推断转移性肿瘤迁移历史的任务，原论文采用整数规划和动态规划方法，目标函数不可微，无法直接通过梯度下降优化，因此对目前的 Science Agent 来说更有挑战。

DeepTech：NatureBench 对 Science Agent 的单个任务设置了 4 小时的时间限制。如果把这个时间放宽，它最终得到的模型性能还会继续提升吗？

谢澎涛：会。我们做过类似尝试。把时间限制放宽以后，一些原本在 4 小时内没有达到 SOTA 的任务，后来也能够达到。

不同任务需要的时间不一样。我们曾把部分任务的时间预算延长到 24 小时，让 Agent 有更多时间进行模型设计、实验和迭代，结果会进一步提升。

实际上，在真实科研应用中，并不一定要求模型必须在几个小时内完成。如果用一天甚至两天能够获得更好的结果，这个时间成本是可以接受的。NatureBench 设置 4 小时限制，更多是出于统一评测和控制计算资源的考虑；在实际应用中，这个限制完全可以放宽。

从模型开发到湿实验，还缺哪些环节

DeepTech：目前，Science Agent 实现的是模型开发环节的闭环，最终得到的结果还没有进一步进入实验室做湿实验验证。未来是否要把 Science Agent 接入自动化实验室，形成从模型开发到实验验证的闭环，你们有这样的计划吗？

谢澎涛：我们自己大概率不会做自动化实验室，重点还是把模型开发这一部分做好。

实际上，我们也不只聚焦 AI for Science。此前的 1.0、2.0 和 2.5 版本面向的是通用 AI 模型开发任务，Science Agent 则是在 2.5 基础上针对 AI for Science 场景进一步优化，核心目标仍然是交付性能尽可能好的模型。

模型完成之后，怎么接入具体应用和实验流程，我们更倾向于通过合作来推进。比如把 Agent 以 API 或技术模块的形式提供给合作方，再由他们接入自己的实验系统。

我们现在也在和圣地亚哥一家实验管理平台公司讨论合作。理想的流程是：Agent 根据已有数据构建模型并做预测，再进入实验系统验证，新的实验结果继续回流，用于下一轮模型训练和迭代，逐步形成“模型预测—实验验证—数据回流—模型迭代”的闭环。

所以，这个方向我们会通过合作推动，但自动化实验室本身并不是我们准备亲自去做的。

DeepTech：目前真正能够实现“干湿闭环”的团队还比较少。从你的经验来看，要把计算模型和自动化实验真正连接起来，最大的难点是什么？

谢澎涛：我觉得最大的难点还是在湿实验这一端。

因为湿实验发生在物理世界里，涉及真实设备、样品和实验操作，本身会存在很多不确定性。而且目前自动化实验还缺乏统一、标准化的流程，不同实验之间的差异非常大，包括样品怎么处理、数据怎么采集、设备怎么操作等，都可能完全不同。所以这一部分整体上还没有那么成熟。

相比之下，计算这一端已经相对清楚了。比如把任务描述和数据输入进来，Agent 可以构建模型，再利用模型进行预测。以药物研发为例，模型可以先筛选新的候选分子，再把筛选结果交给湿实验系统进行验证。

所以从整个闭环来看，我认为目前更大的不确定性还是在湿实验设备和硬件这一端。

DeepTech：现在行业里经常谈“AI build AI”。按照你的标准，一个系统至少做到什么程度，才能真正称得上“AI build AI”？

谢澎涛：真正的“AI build AI”与简单的代码生成或自动训练模型有本质区别。它不应该只是帮助人完成某一个开发环节，而应该能够自主完成整个 AI 模型研发闭环。

具体来说，至少需要具备四方面的能力。

第一，理解问题和目标。AI 需要能够理解用户想解决的问题，分析数据特点，明确模型需要达到的目标，而不是简单执行人类已经设计好的方案。

第二，自主设计模型和算法。面对一个新的任务，AI 应该能够探索不同的方法，自主设计模型架构和训练策略，而不是依赖人提前指定模型类型。

第三，自主完成工程实现和实验验证。包括编写代码、配置训练流程、运行实验、分析结果，并判断当前方案是否有效。

第四，持续迭代和优化。真正的模型研发并不是一次生成，而是不断发现问题、提出改进方案、重新实验，最终得到性能更好的模型。

所以，如果 AI 只是帮助研究人员写代码，或者在已有方案上自动调参，我认为更接近 AI 辅助开发。真正的“AI build AI”，应该是人只需要提供任务目标和数据，AI 就能够像一个 AI 工程师一样，自主完成从问题理解、模型设计到开发、实验和优化的全过程，最终构建出满足需求的高性能模型。

DeepTech：开发一个 AI 模型，需要确定问题、整理数据、设计模型、编写代码、训练测试，最后再投入使用。在这套流程中，现在最适合交给 AI 的是哪些工作？哪些事情暂时还离不开人？

谢澎涛：我认为目前最适合交给 AI 的，是从模型设计到训练优化这一整段模型研发过程。

当人已经确定要解决的问题并准备好相应数据后，AI 可以自主完成模型和算法设计、代码编写、训练测试、结果分析，并根据实验结果不断迭代优化。这些工作过去往往需要 AI 工程师或研究人员花费几周甚至几个月，现在已经有可能由 AI Agent 在很短时间内自主完成。

暂时还离不开人的，主要是模型研发的两端。前端是问题定义：要解决什么问题、什么目标真正有价值、应该收集什么数据，这些仍然需要人的专业知识和判断。后端则是模型的实际应用，包括模型是否可靠、如何部署到真实场景，以及安全、伦理和责任等决策，也仍然需要人来把关。

所以现阶段比较合理的分工是：人负责定义有价值的问题和最终决策，AI 负责中间大量复杂、耗时的模型研发工作。

DeepTech：如果未来 Agent 能够生成大量科学假设和候选药物，下游的湿实验验证能力还能跟得上吗？会不会反而成为新的瓶颈？

谢澎涛：下游验证肯定存在产能上限。比如一个实验平台一次只能验证 100 个候选，那么计算端要做的不是无限增加候选数量，而是尽可能提高这 100 个候选的质量。

比如原来 100 个候选分子里只有 3 个有效，如果通过更好的模型把它提高到 30 个，下游湿实验的成功率就会显著提升，同样的实验资源也能产生更大的价值。

所以，缓解下游验证压力的关键之一，是提高模型的预测准确率。同时，下游实验产生的新数据还可以持续反馈回来，用于下一轮模型训练和优化。

尤其在 AI for Science 中，很多实验成本很高、数据量有限，因此如何在小样本条件下把模型性能做好，同时保证鲁棒性和泛化能力，是我们目前比较关注的问题。

（来源：受访者提供）

DeepTech：从早期的 AI 制药，到如今利用大模型驱动生命科学研究，作为从业者，你观察到的最大变化是什么？

谢澎涛：最大的变化是 AI 在生命科学中的角色正在从“辅助工具”转变为“科研伙伴”。

早期的 AI 制药更多是利用机器学习解决某一个具体环节，比如预测药物性质、筛选候选分子等。而随着大模型和 AI Agent 的发展，AI 开始具备理解复杂问题、自主设计方案、构建模型和迭代优化的能力，能够参与更完整的科研流程。

未来，AI 不仅会帮助科学家分析数据，更有可能帮助科学家提出方案、设计实验，并加速从计算发现到实验验证的整个过程。

AI build AI 离“AI 科学家”还有多远

DeepTech：你觉得现在的 AI 更多还是在人的既定框架里寻找更优答案，还是已经能够跳出人类给定的思路，提出新的技术路线？

谢澎涛：我认为现在的 AI 正在从“在人类划定的范围内寻找更好的答案”，逐渐走向“自主探索新的技术路线”。

过去很多 AI 系统，本质上是在一个由人定义好的空间里进行搜索和优化。比如人先确定使用什么模型、什么算法，AI 再帮助调参数、写代码或者提高性能。但现在的 AI Agent 已经开始能够自己提出模型和算法设计，通过实验验证这些想法，再根据结果不断调整甚至改变技术路线。

一个很直接的例子就是我们在 NatureBench 上的实验。我们给 Science Agent 的主要是科学问题、数据和评价目标，并不会告诉它应该采用什么模型或者沿着哪条技术路线去做。它需要自己设计模型和算法，完成代码实现和训练，然后根据实验结果不断提出新的方案、验证和改进。最终，在 25.6% 的任务上，它自主开发出的模型超过了原论文中人类研究者开发的最佳方法。

所以至少在 AI 模型研发这个领域，AI 已经不只是沿着人类预先指定的路线做优化，而是开始具备自主探索技术路线的能力。当然，目前这种探索仍然建立在人类已有的知识基础上，还不能简单理解为 AI 已经可以完全脱离人类知识、创造全新的科学理论。但从人告诉 AI 怎么做，到人只告诉 AI 要解决什么问题，由 AI 自己探索怎么做，我认为这是一个非常重要的变化。

DeepTech：现在行业经常关注底层大模型的能力。对于 AI build AI 而言，更强的大模型是否自然就会成为更强的 AI 开发者？

谢澎涛：总体来说，基础模型越强，Agent 的表现通常也会越好。但基础模型并不是决定 Agent 性能的唯一因素。即使使用相同的基础模型，不同 Agent 在 Benchmark 上的表现也可能有很大差异，这说明基础模型之外的 Harness，也就是整个 Agent 系统，同样非常重要。

对于 AIBuildAI 来说，关键能力之一是持续迭代和优化。因为 AI 模型研发本身就是一个反复试验、分析、修改和再训练的过程，而基础模型更多提供的是一次性的推理和代码生成能力。真正困难的是，怎样把这种能力转化为持续学习和优化，也就是 recursive self-improvement。

这需要在基础模型之外进一步搭建搜索、知识获取、模型设计、推理流程以及记忆和上下文管理等机制。所以，基础模型越强，Agent 往往也会更强；但仅靠基础模型还不够，还需要一套能够持续学习、实验和优化的 Agent 系统。

DeepTech：那现在有没有比较明确的指标，可以判断 Agent 自主设计出来的模型究竟有没有创新性？

谢澎涛：目前一个比较直接的指标，还是看它能否超过人类已经发表的最佳模型。

如果 Agent 能够从头设计一个模型，并最终在性能上超过人类目前最好的方法，通常说明它并不是简单复制已有方案。尤其是一些案例中，它并非基于现有模型进行调参、数据增强等局部优化，而是重新设计模型结构，并最终取得更好的结果。从这个角度来看，可以认为它具备一定的创新能力。

另一方面，也可以直接分析 Agent 最终设计出的模型，看它具体采用了哪些模块，这些模块是对已有方法的重新组合，还是形成了新的设计，以及它与原论文中的模型究竟存在多大差异。

DeepTech：随着 AI 开始自主构建更强的 AI，你认为这种能力会怎样改变整个 AI 行业的研发速度、人才结构和竞争方式？

谢澎涛：我认为这种能力会对 AI 行业产生非常深远的影响。

第一，研发速度会大幅提升。过去开发一个高性能 AI 模型，往往需要一个团队花几周甚至几个月不断设计、实验和优化。未来这些工作可以由 AI Agent 24 小时持续进行，把很多研发周期从“月”压缩到“天”，甚至“小时”。而当更强的 AI 又能够帮助开发下一代 AI 时，这个过程还可能进一步加速。

第二，人才结构会发生变化。未来可能不再需要大量工程师去完成重复的代码开发、训练和调参工作。人的价值会更多集中在提出重要问题、定义目标、提供领域知识，以及判断 AI 产生的结果是否真正有价值。一个很小的团队借助 AI Agent，也可能拥有过去一个大型研发团队的模型开发能力。

第三，竞争壁垒会从拥有多少 AI 工程师，逐渐转向谁拥有更强的 AI 研发系统。当底层大模型越来越普及之后，真正拉开差距的，是 Agent 能否持续积累实验经验、改进搜索和模型设计能力，并形成自我改进的闭环。

长期来看，我认为最大的变化是：AI 研发本身会逐渐从一个主要由人驱动的过程，变成一个由人定义目标、AI 大规模自主探索和迭代的过程。

DeepTech：在你看来，现在这些 Agent 能称得上真正的 AI 科学家吗？

谢澎涛：目前还不能。

以 Science Agent 为例，它现在主要负责模型研发这一环节，但完整的科学研究过程远不只是开发模型。前端的研究问题定义、研究方向选择，以及数据收集，无论是从公开数据库整理，还是通过实验获得，目前仍主要由人类科学家完成。

在后端，模型开发完成之后如何使用、如何验证结果，以及涉及的安全性、伦理性等问题，也仍然需要人来判断。

所以从完整科研流程来看，目前的 Agent 只是自动化了中间的模型研发环节，还不能称为真正的“AI 科学家”。

当然，现在已经有一些 Agent 在尝试向前后端延伸。例如在前端自主阅读文献、发现研究空白、提出新的研究问题，并从公开数据库或论文中自动获取数据，未来甚至可能自主安排实验、生成新的数据。

如果有一天，从提出问题、收集数据，到模型开发、实验验证和结果分析，都能够由 Agent 自主完成并形成完整闭环，那么它才更接近真正意义上的“AI 科学家”。

DeepTech：现在越来越多来自 OpenAI、Google 等公司的 AI 人才开始进入生命科学领域。如果把时间拉长到未来三到五年，你认为 AI 最先会深刻改变哪些科研领域？

谢澎涛：我认为未来三到五年，AI build AI 最可能率先改变那些高度依赖计算模型和数据的科研领域，比如生物医药、材料科学、化学、能源等。这些领域现在已经大量使用 AI 模型，但开发一个高性能模型仍然需要很多专业研究人员投入大量时间。如果这个过程能够被 AI 自动化，科研效率会有非常大的提升。

1.https://www.aibuildai.io/blog-naturebench

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成