AI自動科學發現系統AutoDiscovery正式發布

艾倫人工智能研究院今天正式推出了AutoDiscovery，這是一個全新的人工智能系統，現已作為實驗性功能提供，專門幫助科研人員在面對海量數據時提出正確的研究問題。

對于科學研究而言，在大量論文中發現模式往往是一個巨大的負擔，這已成為日常科研工作中最耗時的部分。然而，研究工作最大的瓶頸往往不是研究人員需要閱讀的成堆論文和書籍來獲得所需答案，而是知道應該提出什么樣的正確問題。

AutoDiscovery的前身是AutoDS，現在已集成到AstaLabs中，這是艾倫人工智能研究院開發的科學AI生態系統Asta的一部分，該系統能夠分析、總結和搜索超過1.08億篇學術摘要和1200萬篇全文論文。

與傳統的從問題開始的研究方式不同，這項功能從數據出發，通過生成自然語言假設來自主提出問題，提出實驗計劃，編寫Python代碼并執行，解釋統計結果，并利用這些結果生成新的假設。

本質上，它就像一個獨立的研究員，能夠對結構化數據集中的少數或數百篇論文進行分支統計分析并進行探索。據艾倫人工智能研究院介紹，該系統可以進行快速分析或通宵運行，它將提供完整的可能研究方向列表，每個方向都是可重現的，便于進一步調查。

瑞典癌癥研究所免疫腫瘤學中心主任、腫瘤內科醫生凱利·保爾森博士表示："AutoDiscovery揭示可能隱藏在顯而易見處的發現的能力在癌癥研究中尤其有價值。"

就像科學家一樣，AutoDiscovery通過生成假設進行開放式探索。然后它使用該公司所謂的貝葉斯驚喜度，這是一種衡量系統在看到證據后信念如何改變的指標。

在對論文進行實驗之前，系統基于概率分布對假設是否為真持有先驗信念。這種"信念"來自模型已經可以訪問的一套世界知識。在檢查論文結果后，模型會更新其期望和"驚喜"因子，可能是積極的（換句話說，得到了證實）或消極的（被證偽）。

驚喜因子最重要的不僅僅是驚喜本身，而是有多令人驚訝。被反駁的假設可能與被證實的假設一樣有價值，特別是如果它完全顛覆了預期或重新定義了假設。

歷史上完全顛覆理解的假設例子包括19世紀時人們相信"瘴氣"或壞空氣導致疾病。當發現傳染源、具體的細菌而不是瘴氣導致特定疾病時，這一觀點被完全推翻并被疾病的細菌理論所取代。這一轉變始于1860年代和1870年代，當時約翰·斯諾博士繪制了倫敦霍亂病例地圖，證明霍亂是通過受污染的水而非壞空氣傳播的，從而挑戰了瘴氣理論。

該公司表示，這符合科學的嚴謹性，那些有意義地改變我們期望的結果往往比那些簡單確認我們已經假設的結果更有趣。通過追求驚喜，AutoDiscovery試圖趨向于意外，并嘗試代表真正的發現而不是明顯的模式。

然而，僅有驚喜是不夠的。探索科學發現空間的廣度需要智能搜索。因此，它還實現了蒙特卡羅樹搜索，平衡探索新假設和優先考慮已知線索。這有助于將計算努力推向最有可能解鎖更好信息的路徑。

用艾倫人工智能研究院的話說，它使用貝葉斯驚喜度和蒙特卡羅樹搜索與研究人員協作回答這個問題："接下來應該調查什么？"

斯克里普斯海洋研究所海洋生態學家法比奧·法沃雷托博士說："生成多個假設然后由用戶進行徹底評估的能力極其強大。"

艾倫人工智能研究院表示，該系統通過將數據集從靜態存儲庫轉變為協作伙伴，改變了科學家與其數據之間的關系。AutoDiscovery今天作為Asta中的實驗性功能提供，Asta是一個開放科學的學術智能體AI框架。

Q&A

Q1：AutoDiscovery是什么系統？

A：AutoDiscovery是艾倫人工智能研究院開發的自動化科學發現AI系統，專門幫助科研人員在面對海量數據時提出正確的研究問題。它能夠分析、總結和搜索超過1.08億篇學術摘要和1200萬篇全文論文。

Q2：AutoDiscovery是如何工作的？

A：AutoDiscovery從數據出發自主提出問題，通過生成自然語言假設，提出實驗計劃，編寫并執行Python代碼，解釋統計結果并生成新假設。它使用貝葉斯驚喜度和蒙特卡羅樹搜索來平衡探索新假設和優先考慮已知線索。

Q3：AutoDiscovery在哪些領域有應用價值？

A：AutoDiscovery在癌癥研究、海洋生態學等多個科學領域都有重要應用價值。它能夠揭示隱藏在顯而易見處的發現，特別是在需要處理大量科學論文和數據的研究領域，能夠大大減少研究人員的工作負擔。