科学自古以来就充满了这样的例子：重大发现往往是在违背严格计划的情况下做出的——偶然的观察、意外的结果和研究的旁支，常常比预先设定的目标更有价值。然而，为科研工作而设计的现代自主系统，其构建原则却是“给智能体一个任务和最终指标——它自己就能取得突破”。2026年8月提交至arXiv的一篇最新预印本论文表明，这种范式为何注定失败：只优化最终结果的智能体式自动研究人员，本质上是在做模糊测试，却未能利用模糊测试器最重要的经验——中间覆盖率信号的价值。
可规划突破的错觉
在大多数现代自动研究系统中，科学发现被视为一个优化问题。系统给智能体设定一组实验和最终基准，并期望分数最大化能带来新知识。问题在于，最终评估是一个稀疏信号。它只在最后出现一次，无法说明哪些中间步骤是有用的。当智能体仅因最终结论而获得奖励时，它不可避免地会过拟合测试条件，开始盲目采样相似变体，而不敢冒险探索不熟悉的模式。
这种方法类似于一场考试：先给学生一份问题清单，然后只根据答案的正确性评分，却忽略了他如何寻找解决方案。如果学生死记硬背了典型题目，他会在训练样例上表现良好，但不太可能发现新的物理定律。同样，以最终分数为目标的智能体找到的并非新东西，而只是证实已知数据的内容。
模糊测试作为自动研究的模型
该预印本的作者提出了一个出人意料的类比：解决科学问题的研究智能体，面临着与用于寻找软件漏洞的灰盒模糊测试器相同的稀疏反馈。模糊测试器远非总能立即发现错误。如果它只收到“有错误/无错误”的信号，其工作将毫无意义：大多数运行都以无结果告终。
模糊测试的秘诀在于，每次程序运行不仅根据是否崩溃来衡量，还根据代码覆盖率来衡量。这种密集信号使得部分进展可见：即使未发现漏洞，一条新的执行路径也是向前迈出的一步。模糊测试器利用覆盖率来变异输入数据，并决定将资源投入到哪些分支上。它不会对完成的运行进行排序，而是主动将搜索引导至未探索的区域。
在科学中，类似的机制完全可以这样运作。每个实验，即使从最终假设的角度看是失败的，只要它扩展了认知地图——即关于理论空间中哪些部分已被检验、哪些仍是空白区域的知识——就是有价值的。
有效研究智能体的两个条件
要使自动研究人员真正进行探索而非采样，它需要两种相互关联的能力。
- 廉价的密集信号。每个实验在最终科学验证可用之前，都应提供一个可观测的认知进展指标。这不一定是对真理的精确度量，而更像是新颖性、未知性或偏离当前世界模型的指示器。
- 反馈必须驱动行动。获得的信号必须影响下一个干预措施的选择。如果智能体只是将进展记录在日志中，却继续在同一区域采样，则益处甚微。进展信号必须像模糊测试器变异测试用例那样，变异研究的“输入数据”。
重要的是，密集信号是方向而非最终判决。因此，最终验证仍然是必要的：它使用免受适应性重复使用影响的证据来评估论断。否则，一个数千次适应信号的智能体，可能会偶然产生一个虚假发现，该发现仅因过拟合而通过验证。
实验：搜索与采样的对比
该工作的作者在模拟物理环境中验证了这些想法。AI智能体需要发现一个隐藏的物理定律。其中一个智能体的设计使其跟踪自身的中介认知进展——类似于“对可能解释空间的覆盖率”。其他智能体则使用经典的最终结果优化。
结果表明，跟踪进展的智能体成功发现了隐藏定律。基础优化方法则失败了：它们反复采样已有数据并对其过拟合，始终不敢检验冷门模式。这证实了自主研究的关键瓶颈不在于生成假设的能力、模型的能力，甚至不在于数据量，而在于反馈架构。
这意味着什么
将科学自动研究人员与模糊测试器进行比较，不仅仅是一个隐喻，而是一项工程原则。如果我们希望AI做出真正的发现，就不能只给它一个稀疏目标然后等待。我们需要设计密集信号，使即使是缓慢的进展也变得可见，然后允许智能体利用这些信号进行探索。
这种方法改变了科学中对失败的态度：不仅成功的实验有价值，任何缩小未知空间的步骤都有价值。从某种意义上说，这让我们回到了人类科学实践的方式：科学家从一个部分结果走向另一个部分结果，偶尔这些路径汇聚成无法预先计划的重大突破。自主研究系统似乎也必须学习这一点——不是规划发现，而是创造条件，使发现成为可能。
