當科學發現成為可程式化的工作流：CodeScientist 預示的自主研究新範式
過去我們將大型語言模型視為加速器，用來寫程式、整理資料。但當模型開始能自主提出假說、設計實驗、除錯並產出報告時，它就不再只是工具，而是一個研究夥伴。AllenAI 的 CodeScientist 專案，正預示著這個典範轉移的到來。
過去幾年，我們已經習慣將大型語言模型（LLM）視為強大的輔助工具。從協助編寫程式碼的 Copilot，到幫助我們整理思緒、草擬文件的各種應用，LLM 的角色始終是人類能力的「增強器」或「加速器」。我們提出問題、設定目標，而模型則提供建議、生成內容，執行那些定義明確的單點任務。然而，這個典範正在悄然轉變。
最近我注意到由艾倫人工智慧研究所（Allen Institute for AI）發布的 CodeScientist 專案，它揭示了一個更具雄心的未來：將 LLM 從一個被動的工具，轉變為主動的、自主的研究協作者。這個專案的核心目標，並非單純地生成程式碼，而是要將整個科學發現的流程——尤其是那些仰賴程式碼的計算型實驗——加以自動化與程式化。
這意味著我們正從「要求 AI 寫一段程式」，走向「交付給 AI 一個研究問題」。這是一個根本性的躍遷，其背後隱含的是一套由多個 AI 代理（Agent）協作的複雜工作流。
解構 CodeScientist：一個自主的科學工作流
CodeScientist 的運作模式，就像一個高度分工的虛擬研究團隊。它將傳統上由人類研究員執行的繁瑣循環，拆解成一系列可以由 AI 代理自主完成的步驟。當我們給定一個初始的研究問題與相關的程式碼庫後，這個系統便會啟動一個自動化的發現循環：
- 假說生成器（Mutator）：系統的核心創意引擎。它利用 LLM 分析現有的程式碼，並像基因突變一樣，有策略地提出修改建議，以生成新的實驗假說。例如，它可能會建議「如果我們將模型中的這個啟動函數換成另一個，效能是否會提升？」或「調整這個演算法的超參數，對結果有何影響？」。
- 實驗執行者（Executor）：這個代理負責將上述假說轉化為具體的程式碼，建立實驗環境，並執行它。它處理的是將抽象想法落地為可驗證實驗的工程任務。
- 除錯器（Debugger）：在科學研究中，失敗是常態。當程式碼執行出錯時，這個代理會介入，分析錯誤訊息、閱讀日誌，並試圖修改程式碼來解決問題。這是實現系統自主性的關鍵，少了它，整個流程一遇到錯誤就會中斷。
- 報告生成器（Reporter）：實驗完成後，這個代理會收集數據、分析結果，並將新舊結果進行比較，最後生成一份結構化的實驗報告，總結這次「突變」是否帶來了有意義的發現。
這個流程並非單次執行，而是不斷循環。系統會持續提出新假說、進行實驗、分析結果，自主地探索整個問題空間，直到找到有價值的洞見或達到預設的停止條件。這本質上是一個多代理（Multi-agent）協作系統，每個代理都有明確分工，共同推進一個高階目標。
從「輔助工具」到「研究協作者」的質變
CodeScientist 所展示的，不僅僅是技術上的進步，更是一種人機協作關係的質變。過去，研究員是實驗迴圈的中心，耗費大量時間在修改程式碼、執行實驗、分析日誌的重複勞動中。AI 只是這個迴圈中的某個環節的加速器。
但在 CodeScientist 的框架下，人類的角色被提升到更高的層次：我們成為了研究的「架構師」與「監督者」。我們的工作是定義有價值的研究方向、提供初始的知識庫（程式碼），並在最後審閱 AI 產出的洞見，判斷其科學價值。所有中間過程的繁瑣試誤，則可完整委派給自主運作的 AI 系統。
我們不再是要求 AI 幫我們「寫一個排序演算法」，而是要求它去「探索並找出更有效率的排序演算法」。前者是任務執行，後者是問題解決。
這種轉變的實務意義是巨大的。它讓科學家能從耗時的執行細節中解放出來，更專注於創造性的思考、提出更根本的問題，以及對研究結果進行更深刻的詮釋。AI 系統則扮演了不知疲倦、效率極高的研究助理，能夠以人類無法企及的速度和規模，對龐大的可能性空間進行探索。
未來的挑戰與可能性
當然，CodeScientist 目前仍是一個概念驗證階段的專案，距離廣泛應用還有很長的路要走。我們需要面對許多挑戰，例如如何確保 AI 實驗結果的可靠性與可複製性？如何讓這套系統能處理更複雜、超越單純程式碼修改的科學問題？以及，當 AI 提出一個我們無法立即理解的「發現」時，我們該如何追溯其「思考」路徑？
儘管如此，它所指向的方向是清晰且令人興奮的。這種「科學發現即程式碼」（Science-as-Code）的理念，搭配自主運作的多代理工作流，為許多計算密集型領域（如材料科學、藥物開發、演算法優化）帶來了新的可能性。我們可以預見，未來的研究實驗室中，人類科學家將與一群 AI 代理協同工作，共同設計、執行並分析實驗。
CodeScientist 不只是一個開源專案，它更像是一份藍圖，描繪了 AI 如何從一個聽話的工具，演化為能夠自主探索未知的研究夥伴。這條路才剛剛開始，但它預示著科學研究的方法論，可能即將迎來一次深刻的變革。
延伸閱讀
我是江中喬，一位具有 TPM 與產品管理背景的 AI 系統建構者，目前專注於 AI 認知增強系統與多 Agent 協作架構的設計與實踐。