[AI]《Accelerating Scientific Discovery with Autonomous Goal-evolving Agents》Y Du, B Yu, T Liu, T Shen... [Cornell University & The Ohio State University & Yale University] (2025)

科学发现的本质，往往不在于寻找答案，而在于如何定义问题。

目前的AI科学家代理大多在优化预设的固定目标函数。然而在真实的科研场景中，这些目标函数往往只是复杂现实的蹩脚代理。当AI过度追求这些不完善的指标时，就会陷入奖励作弊的陷阱：分数很高，但在现实中却毫无价值。

本文发布了SAGA（Scientific Autonomous Goal-evolving Agent），试图打破这一瓶颈。

SAGA的核心逻辑在于：目标不应该是死板的输入，而应该是动态演化的过程。

它采用了独特的双层架构。外环是慢思考，由LLM代理组成，负责分析当前的优化结果，洞察失败模式，并提出新的、更合理的科学目标，最后将其转化为可执行的代码。内环是快执行，负责在当前目标的指引下，快速搜索最优的候选方案。

这种架构模拟了人类科学家迭代假设的过程：观察实验，修正目标，再次实验。

在抗生素设计任务中，SAGA表现出了惊人的进化能力。传统的优化算法往往会为了追求活性而生成结构极其复杂、根本无法合成的分子。SAGA的分析代理敏锐地捕捉到了这种趋势，自动引入了合成可得性和药理特征约束，最终找到了既具活性又具备成药潜力的全新支架。

在材料科学领域，SAGA同样大放异彩。它不仅考虑材料的硬度或磁性，还能自动将供应链风险、热力学稳定性等现实约束纳入考量。通过这种多维度的动态平衡，SAGA设计出的永磁材料和超硬材料在密度泛函理论验证中表现优异，超越了现有的专业生成模型。

SAGA的设计哲学体现了对人类经验的尊重。它提供了三种模式：
Co-pilot模式：科学家与AI深度协作，实时修正目标的演化方向。
Semi-pilot模式：科学家仅提供高层反馈，由AI负责具体的逻辑实现。
Autopilot模式：AI全自动完成从目标定义到方案优化的全过程。

这种灵活的自动化层级，让AI不再是一个黑盒工具，而是一个可以沟通、可以理解科研意图的数字合伙人。

真正的科学突破往往发生在目标发生偏移的瞬间。SAGA的意义在于，它让AI学会了在迷雾中调整航向。它告诉我们，AI Agent的未来不只是更强的算力，而是更深邃的判断力。

智能的最高体现，不仅是解决难题，更是理解什么才是真正值得解决的难题。

arxiv.org/abs/2512.21782