引言：为什么AI科学家会在起步阶段停滞不前
现代语言模型已经学会了相当好地处理科研工作中的日常事务：它们能生成假设、编写实验代码，甚至起草论文初稿。然而，当试图自动化整个研究周期时，却出现了一个意想不到的瓶颈——即需要阐明研究问题本身的早期阶段。
大多数现有的AI科学家在这一步会求助于专有模型的商业API。这就像一个黑匣子：提出的建议源于模型的参数化知识和预先针对生成想法调整过的文献检索。几乎无法核实结论基于哪些事实。再加上特定模型产生幻觉和系统性偏差的风险——结果就是，研究的起点可能不仅是随机的，而且是没有根据的。
另一个痛点则是隐私问题。科学家们并不总是愿意将他们的工作成果发送到外部API，尤其是涉及未申请专利的想法或敏感话题时。因此，越来越多的关注转向了不脱离研究基础设施的本地化方法，这并不令人意外。
正是在这里，由Sarvesh Gharat和Junpei Komiyama开发的SGHA系统登场了。他们的预印本于2026年8月18日发布在arXiv上。作者提出了一种完全自主的科学空白发现流水线，该流水线在本地开源模型上运行，无需调用任何外部API。但让我们来了解一下它是如何工作的。
SGHA的工作原理：从语料库到研究问题
与那些只是以自由形式“思考”的典型智能体不同，SGHA依赖于科学语料库的显式结构。第一阶段是将文章集合转化为带有证据关联的文章对象和类型化证据图。简而言之，每篇出版物都被分解为实体和关系：它做出了哪些论断，它依据了哪些工作，哪些实验证实了其结论。
然后，系统在此图中寻找未解决的结构模式——即潜在的空白。这些不仅仅是文本匹配，而是可以在事实材料上验证的“漏洞”：例如，两个研究领域明显相关，但没有人尝试过将它们结合起来。重要的是，每个候选空白在成为完整的问题陈述之前，都要经过可行性检查。
从模式到问题族
SGHA的输出是研究问题族，每个问题族都指明了：
- 假设；
- 目标；
- 成功标准；
- 遗留的模糊之处。
这种方法让研究人员看到的不仅仅是一个想法，还有其依据和适用边界。同时，所有推理都限于语料库中的证据，这大大降低了产生幻觉的可能性。
完全本地化：仅需一个90亿参数的开源模型
SGHA的一个关键特性是完全自主性。所有与语言处理和推理相关的组件都在本地部署的90亿参数开源模型上执行。没有专有的前端模型API，没有数据外传。即使是长期的研究过程也不需要任何外部请求。
这不仅仅是便利性的问题。对于处理工业订单或医疗数据的实验室来说，这种方法消除了整类数据管理和保密性问题。此外，90亿参数的开源模型按现代标准来看规模相当适中，使得该系统可以在单台强大的工作站上运行。
评估：与AI Scientist-v2的比较
作者在五个机器学习领域测试了该系统，并将其与AI Scientist-v2项目中的想法生成模块进行了比较。结果表明，采用显式语料库结构和证据验证的方法，能够产生至少同样有前景且可验证的问题表述，即使与使用强大得多的前端模型相比也是如此。SGHA不仅仅是生成主题名称，它还能让你追踪到它是基于哪些文章和联系得出特定问题表述的。
这解决了“黑匣子”问题，并使过程可审计。考虑到其完全本地化的特性，这种智能体可以轻松集成到科研工作流程中，而无需担心安全策略。
结论与展望
SGHA是一个令人信服的例子，表明提出科学问题不一定需要接入庞大的云端模型。语料库结构化、证据图和90亿参数的本地模型，足以提供能产生有前景且可验证的研究问题的质量。当然，前方还有很多工作要做：作者承诺将开放代码和工件，这将使其他团队能够复现结果，并根据自己的领域调整系统。
如果这一趋势持续下去，未来几年我们将看到一类不依赖外部API且完全透明可核查的AI科学家。这意味着，科学自动化不仅会变得更高效，也会更安全。
