2024 年 8 月，Sakana AI 用 $15/篇的论文生成成本震惊学术界；2026 年 3 月，这篇论文正式登上 Nature，同期 AI Scientist-v2 升级为「Workshop 级别自动化科学发现」。从选题到同行评审的全流程 AI 化，正从概念验证走向工程现实——而这一切，出自 Transformer 论文原始作者创立的公司。
Sakana AI 的创始团队包括多位 Transformer 架构的原始作者——这篇 2017 年的论文（「Attention Is All You Need」）奠定了当今所有大语言模型的技术基础。他们的下一个赌注是：如果 Transformer 让 AI 能理解和生成语言，那么下一步应该是让 AI 理解和生成科学知识本身。
AI Scientist 项目的核心思路极为直接：构建一个端到端的科研 Agent 流水线，覆盖从选题→文献综述→实验设计→代码实现→结果分析→论文撰写→同行评审的完整闭环。
2024 年 8 月的首个版本（arXiv: 2408.06292）在 AI 社区引起轰动，核心数据点是：每篇论文的生成成本约 $15，包含选题、实验、撰写和自动化同行评审的全流程。生成的论文质量虽然不及人类顶尖研究，但已达到可提交至中等会议的水平。
如果 Transformer 让 AI 能理解和生成语言，那么下一步应该是让 AI 理解和生成科学知识本身。
Sakana AI 创始团队的核心赌注2026 年 3 月，AI Scientist 迎来两个里程碑事件。
第一，原始论文正式发表于 Nature（sakana.ai/ai-scientist-nature）。这不仅是对技术本身的认可，更标志着「AI 自动化科研」从边缘话题进入主流科学话语体系。Nature 的编辑和审稿人认可了这一方向的学术价值——即便对其当前能力仍有保留。
第二，AI Scientist-v2 发布（HuggingFace 热门论文），升级为「Workshop 级别自动化科学发现」。v2 的核心改进是引入了 Agentic Tree Search（智能体树搜索）——不再像 v1 那样线性地执行「选题→实验→写作」流水线，而是在每个阶段展开多条并行探索路径，通过评估函数选择最优分支。这本质上是将 AlphaGo 的蒙特卡洛树搜索思想迁移到科研流程中。
同期，相关方向的研究也在密集涌现：
EvoScientist：多 Agent 演化 AI 科学家，通过多个 Agent 的协作与竞争演化出更强的研究能力。Towards a Medical AI Scientist：将 AI Scientist 框架扩展到医学研究领域，面向更高风险、更高价值的应用场景。Deep Research of Deep Research：从 Transformer 到 Agent、从 AI 到 AI for Science 的系统性综述。
AI Scientist 最具颠覆性的数字不是论文质量，而是成本结构。
传统学术研究的生产函数是：1 个博士生 × 4-6 年 × $30,000-$50,000/年工资 = 若干篇论文。加上导师时间、计算资源、实验设备，一篇高质量论文的全成本可达 $100,000-$500,000。AI Scientist 的生产函数是：1 次 API 调用 × $15 = 1 篇中等质量论文。
即便 v2 的「Workshop 级别」距离顶会论文仍有差距，成本差异也是 4-5 个数量级。这意味着：
实验探索的广度将被彻底改变。今天一个研究团队可能只能深入探索 3-5 个方向，AI Scientist 可以同时探索 3000-5000 个。失败实验的价值将被重新发现。人类研究中，失败的实验往往被丢弃；AI Scientist 可以系统性地记录和分析所有失败路径，构建「什么不工作」的知识图谱。科研民主化将真正发生。资源受限的研究机构（发展中国家大学、小型企业研发部门）将获得此前只有 MIT/Stanford/Google DeepMind 才拥有的探索能力。
科研自动化最大的杠杆不在论文质量，而在探索广度与民主化——当探索一个方向的边际成本从 $10 万降到 $15，科研中最稀缺的资源不再是资金，而是提出正确问题的能力。
2026 年 1 月，Google 投资 Sakana AI，双方合作聚焦两个方向。
AI-Scientist：核心科研自动化产品，利用 Google 的计算基础设施扩大实验规模。ALE-Agent：Sakana 的另一个核心项目，面向「在基础产业中实现可靠 AI 的落地与普及」——特别是金融机构和政府部门等对安全性和数据控制有极高要求的领域。
Google 的投资逻辑清晰：如果 AI Scientist 能够真正加速科研产出，那么拥有最大计算资源和最完整数据基础设施的公司将获得最大杠杆。科研自动化不是要取代 Google DeepMind 的研究员，而是要让每个研究员的产出放大 10 倍。
第一，质量天花板。当前 AI Scientist 生成的论文在原创性和深度上仍远低于人类顶尖研究。Workshop 级别 ≠ 顶会级别，更不等于 Nature/Science 级别。核心瓶颈在于：AI 擅长在已知框架内进行组合式创新，但不擅长提出全新的研究范式。
第二，评审可信度。AI Scientist 使用 LLM 进行自动化同行评审，但 LLM 的评审能力本身就是一个未解问题。当 AI 既是论文作者又是审稿人，评审的独立性如何保证？
第三，科研伦理。如果一个实验室用 AI Scientist 批量生成论文，对学术评价体系（以发表数量为核心指标）的冲击将是毁灭性的。论文数量通胀将使现有的学术评估机制失效。
第四，实验验证。AI Scientist 目前主要在计算实验领域（ML 实验、数值模拟）表现良好，但物理实验、生物实验等需要真实世界交互的领域，仍然是自动化的盲区。Medical AI Scientist 的尝试正是在挑战这一边界。
给 AI 从业者和企业管理者的判断框架：
短期（6-12 个月）：AI Scientist 最先落地的场景是企业研发部门的预研阶段——用 AI 批量探索技术方向的可行性，快速筛选出值得人类研究员深入的方向。这不是替代研发团队，而是为他们提供「导航系统」。
中期（12-24 个月）：随着 v2 的 Agentic Tree Search 能力成熟，AI Scientist 将在药物发现、材料科学、气候建模等 AI4S 领域产生实质性影响——在这些领域，搜索空间巨大但评估函数相对明确。
长期（>2 年）：科研的生产函数将被永久性改写。Transformer 作者创立 Sakana 研究「AI 做科研」，本身就是这一趋势的最佳隐喻：下一代突破性技术，很可能由 AI 自己发现。
把 AI Scientist 当工具的研究员，会比「反对 AI 写论文」的研究员快 5-10 倍。Nature 已经接收 AI 自主论文意味着学术评审标准已经改变——这个事实不可逆。
AI Scientist 的方法论可直接迁移到工业 R&D——把「假设生成 / 实验执行 / 数据分析 / 报告撰写」用同样的 Agent 框架做。Karpathy AutoResearch + AI Scientist v2 = 工业 R&D 的新基础设施。
科研自动化是 AI 应用最被低估的赛道之一。论文产出速率 × 100、研究门槛降低 × 1000——意味着新的科学发现速率可能在 2027-2028 年出现质变跳跃。
科研自动化从概念到 Nature 发表只用了 18 个月。AI Scientist v2 的「Workshop 级」意味着不只是单篇产出，整个研究方向可以被 AI 接管。这件事的反讽：它出自 Transformer 论文原始作者创立的公司——当年发明 Transformer 的人，现在让 Transformer 写论文。这本身就是一个时代标记。