不是拼凑知识点，AI 这次是真搞研究。
一个叫Virtuous Machines的 AI 系统，花了 17 小时、114 美元，找了 288 个真人做实验，写了一篇 30 页的学术论文。
像人类一样搞科研
AI 自主完成的这个论文属于认知心理学领域，具体聚焦于人类视觉认知相关的研究方向。
而且它可不是瞎写，而是靠人类的科研套路来。
在确定好实验方案后，它还通过在线平台 Prolific 招募了 288 名被试对象，等 277 份有效数据（部分被试未完成实验，被 AI 筛除了）收上来，它又连续写了 8 小时 Python 代码，用重复测量方差处理数据。
在分析数据的过程中，甚至会识别异常值、调整统计模型；
最后整理结果时，还能引用 40+ 篇PubMed、Semantic Scholar 上的真实文献，连论文的 " 方法 "" 结果 "" 讨论 " 部分都符合 APA 格式规范。
不同功能的 AI 组队，专人专职
那就来扒一下这个 AI 系统的架构。
它的自主科研能力源于协作 + 模拟人类认知机制 + 动态知识交互的技术设计。
在协同架构中，Master 是核心控制模块，总领全局。
其他的 AI 助手模块聚焦文献检索、数据分析、实验设计等细分任务。
然后是任务分解能力，把科研大工程拆解成可执行的小任务，比如写论文拆分为文献综述、实验设计等环节；还有自主迭代能力，无需人工干预，AI 会反复修改论文草稿、调试崩溃的代码，直到满意。
最外层是多智能体协作能力，不同功能的 AI 小助手组队，让系统做到文献检索、实验设计、数据分析专人专职。
除此之外，还有个d-RAG实时记忆库，能一边查最新文献，一边记自己之前的研究，新老知识能交互整合。
这一套架构下来，17 小时写出 30 页论文也算是手拿把掐。
速度很快，小缺点也有
不过，这 AI 虽然卷，但也不是完美的。
虽然优点很明显：效率比人类团队快 10 倍以上，数据分析严谨到会拒绝统计显著性陷阱（就算 p<0.05，但如果效应量过小，也会说明 " 结果实际意义有限 "），还能处理真实实验中的噪音数据等。
但它偶尔也会出现理论误解，比如把已有研究结论说成首次发现；漏标图表的 Y 轴单位、把 " 跨试次间隔 " 和 " 刺激呈现间隔 " 混用等。
只能说，AI 搞研究速度是挺牛，但想完全取代人类研究员的理论深度和创新思维，目前看来还差点意思～
研究地址：https://arxiv.org/abs/2508.13421
参考链接：https://x.com/IntuitMachine/status/1972252510585847835
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
年度科技风向标「2025 人工智能年度榜单」评选报名开启啦！我们正在寻找 AI+ 时代领航者 点击了解详情
企业、产品、人物 3 大维度，共设立了 5 类奖项，欢迎企业报名参与
一键关注 点亮星标
科技前沿进展每日见
