在人工智能加速科学发现的浪潮中，多数方法仍依赖大量标注数据和大规模模型训练。然而，近期九问团队推出的ScienceDiscovery系统却走出了一条截然不同的路：它不训练模型、不调参数，仅靠树搜索驱动的递归自改进（RSI），就能在小时级自动写出通用积分器，并以极低成本发现物理科学规律。这一成果引发了学界对“无模型AI”科学发现范式的关注。
事件概览
2026年9月，量子位报道了九问ScienceDiscovery系统的最新进展。该系统通过树搜索算法驱动递归自改进（Recursive Self-Improvement，RSI），实现了对数学表达式的自动探索与优化。在典型实验中，系统在数小时内自动生成了能够涵盖多种数学函数的通用积分器，并成功从观测数据中归纳出若干物理规律，整个过程无需任何预训练模型，也无需人工调整超参数。
这一成果标志着AI在科学发现领域首次实现了“零样本+零调参”的自动推理能力。相比传统方法需要海量计算资源和数月训练周期，ScienceDiscovery以一种轻量级、可解释的方式完成了以往需要专家数月甚至数年才能完成的工作。
核心信息
树搜索驱动的递归自改进
ScienceDiscovery的核心机制是树搜索驱动的RSI。系统从一个初始的候选表达式集合出发，通过树搜索算法在表达式空间中不断探索、组合、变异和评估。每一次探索的结果都会反馈给搜索策略，形成递归的自我改进循环。这种机制的关键在于：它不依赖梯度下降或反向传播，而是通过符号推理和结构搜索来迭代优化。
正因为不涉及神经网络训练，ScienceDiscovery避免了模型训练对大量数据和计算资源的依赖，也免去了调参带来的试错成本。整个搜索过程完全基于启发式规则和符号操作，使得发现的规律天然具有可解释性。
小时级写出通用积分器
在数学领域，通用积分器是指能够自动求解多种函数的不定积分或定积分的算法。传统上，这类工具需要数学家手动编写规则或利用符号计算库。ScienceDiscovery通过树搜索，在数小时内自动探索了数千种可能的积分表达式组合，最终筛选出一组足以覆盖多项式、三角函数、指数函数及其复合形式的积分规则。这些规则虽然形式简洁，但功能强大，足以处理大多数常见积分问题。
值得注意的是，系统在搜索过程中并未使用任何预设的积分知识，完全从零开始。这一结果表明，树搜索结合RSI可以高效地发现数学中的深层结构关系。
低成本找出物理科学规律
在物理科学领域，ScienceDiscovery被用于从模拟观测数据中寻找基本规律。例如，给定一组包含时间、位置、速度等变量的数据，系统能够自动推导出牛顿第二定律或简谐运动方程等经典规律。与以往需要大量数据训练神经网络的方法不同，ScienceDiscovery仅需少量数据样本即可完成发现，且结果以显式方程形式呈现，便于物理学家理解和验证。
低成本体现在两方面：一是计算成本低，单次实验只需普通消费级GPU即可完成；二是人力成本低，无需专家手动设计特征或干预搜索过程。
影响与观察
对科学发现范式的重塑
ScienceDiscovery的出现，挑战了“AI必须依赖大规模模型”的固有认知。它证明，在符号推理和搜索结构化空间的领域，纯粹的符号方法可能比深度学习更高效、更可解释。这对于那些数据稀缺或机理复杂的科学问题——如量子化学、材料科学、高能物理——具有特殊意义。
此外，不训练模型不调参的特性意味着，任何具备基本编程能力的科研人员都可以直接使用该系统，无需掌握机器学习专业知识。这有望大幅降低AI应用于科学发现的门槛，加速跨学科协作。
局限性与未来方向
目前，ScienceDiscovery主要适用于问题的数学表达形式相对明确、搜索空间有限的场景。对于高度非结构化的数据（如文本、图像）或需要感知能力的任务，它难以直接应用。未来，将树搜索与深度学习的感知能力结合，可能是更强大的方向。
另外，RSI的递归深度如何控制、搜索陷入局部最优时如何跳出，仍是需要进一步优化的问题。但无论如何，ScienceDiscovery已经展示了一种无需训练即可实现自动科学发现的可行路径。
结语
九问ScienceDiscovery系统用树搜索驱动的RSI，在小时级内自动写出通用积分器并发现物理规律，且不训练模型、不调参数，这一成果为AI科学发现提供了新的范式参考。当AI不再需要海量数据和算力，而是通过符号推理与自我改进就能高效探索未知，科学研究的自动化进程将迎来新的加速器。未来，这类“轻量级、可解释”的AI工具或许会成为每个实验室的标配，让我们离真正的“AI科学家”更近一步。
信息来源：量子位，查看原始信息。本文由 AI ONLINE 基于公开资料整理，信息可能随时间变化，请以官方发布为准。