AI-Scientist 自动生成科研论文：一条命令走完从想法到投稿的全过程
【免费下载链接】AI-ScientistThe AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 🧑🔬项目地址: https://gitcode.com/GitHub_Trending/ai/AI-Scientist
写一次完整的小实验研究，你通常需要花几个小时：想选题、查文献确认没做过、跑实验、画曲线、写 LaTeX、再自己扮演审稿人挑毛病。AI-Scientist 把这条链路接进了同一条命令：给定一个研究方向模板，它会自己生成想法、判断新意、修改实验代码、跑 GPU 实验、写出带图表的 PDF 论文，最后再让模型模拟审稿人打分。读完全文，你能够在一台有 NVIDIA 显卡的机器上配好环境，跑通 AI-Scientist 的最小流程，并为自己的研究方向选对模板。
用 nanoGPT_lite 模板跑通第一条 AI-Scientist 命令
先看到结果，再理解流程。整个上手路径分四步：装环境、备数据、跑基线、启动。
git clone https://gitcode.com/GitHub_Trending/ai/AI-Scientist cd AI-Scientist && conda activate ai_scientist pip install -r requirements.txt环境装好后，进入数据准备：依次运行 data/enwik8/prepare.py、data/shakespeare_char/prepare.py、data/text8/prepare.py 三个脚本。这一步帮你省掉的是后续报"文件不存在"的排查时间——启动脚本会直接读基线结果，缺了任何一步都会在开头就中断。
然后建立基线：cd templates/nanoGPT_lite && python experiment.py --out_dir run_0 && python plot.py。基线结果存在 run_0 目录里，论文中所有"比 baseline 提升多少"的论断都依赖它。这一步通常分钟级，且必须在你自己的机器上跑——论文里的运行时间对比和硬件绑定，换台机器数字就不成立了。
最后启动主流程，核心一行命令是：
python launch_scientist.py --model gpt-4o-2024-05-13 --experiment nanoGPT_lite --num-ideas 2把--num-ideas设成 2 而不是默认的 50，是为了先花最小成本验证整条链路。命令跑起来后，所有过程日志会写进results/nanoGPT_lite/时间戳_想法名/下的 log.txt，你不用守在终端前。
按使用场景拆解 AI-Scientist 的核心能力
四个典型任务对应四组功能，每个功能都会告诉你它替你省掉哪一段工作。
多想法批量实验：用 --parallel 参数把想法排进 GPU 队列
你的任务是一次性验证一批想法而不是单个实验。给主命令加上--parallel参数并指定进程数，AI-Scientist 会把想法队列分发给多个 GPU 进程轮流取任务，每个想法独立建一个结果文件夹、独立失败互不影响。你得到的是results/下一组并行的完整实验记录，等待时间从逐个串行变成按 GPU 数摊薄，同时省掉了自己写多进程调度、隔离 CUDA_VISIBLE_DEVICES 的全部代码。
从零产出 LaTeX 论文：writeup 环节自动编译出 PDF
你的任务是需要一份能直接投出去格式的论文，而不是一堆实验笔记。实验成功后，写稿环节会基于模板里的 template.tex 填入摘要、方法、图表和引用，并自动调用 pdflatex 编译，最终在结果文件夹里生成一份以想法命名的 PDF。你省掉的是搭 LaTeX 工程、手插图、逐条补 bib 引文的重复劳动，得到一份格式统一、图表已嵌入的投稿稿。
自动审稿：内置 review 环节给出评分与接收结论
你的任务是在投稿前自己挑毛病。每个想法的 PDF 生成后会自动进入审稿环节，输出一个结构化 JSON：含总体分（1-10）、各项评分、Weaknesses 列表和 Accept/Reject 结论，保存在结果文件夹的 review.txt 里。你不用自己模拟审稿人读三遍论文，直接拿到一份可对照修改的批评清单。项目还附带了批量审稿能力，review_iclr_bench/iclr_analysis.py 可对已有论文批量跑同样的评审流程，适合你攒了一摞论文想统一过筛的场景。
换研究方向：选对模板就是换掉实验域
你的任务是不想被锁定在语言模型上。--experiment参数决定研究方向：nanoGPT 系列做字符级语言模型，grokking 研究泛化与学习速度（templates/grokking/experiment.py 只需额外装 einops），2d_diffusion 研究低维数据集上的扩散生成（需要先安装 NPEET 依赖）。社区还贡献了 seir 传染病建模、sketch_rnn 草图生成、earthquake-prediction 等模板，直接放在 templates/ 目录下，结构与官方模板一致。选模板时看两点：依赖是否好装、你的想法能否落成可运行的代码。
效率对照：手工流程 vs AI-Scientist
| 环节 | 手工方式 | AI-Scientist |
|---|---|---|
| 产生想法 | 读论文 + 头脑风暴，半天级 | 一条命令批量生成，含新颖性过滤 |
| 改代码跑实验 | 手动改 experiment.py、盯 GPU，小时级 | 自动编辑代码并迭代运行，日志落盘 |
| 画实验图表 | 手调 matplotlib，分钟到小时级 | plot.py 自动出图并入论文 |
| 撰写 LaTeX | 搭模板、插图、补引用，半天级 | 自动填充 template.tex 并编译 PDF |
| 模拟审稿 | 自己读三遍挑问题 | review.txt 直接给评分与 Reject 理由 |
常见坑与替代方案
🔧 三个高频问题，按"现象 → 原因 → 处理"处理。
- 现象：启动后立即报缺少 run_0 或 final_info.json。原因：跳过了基线步骤，或只在一个模板里跑了 run_0，却启动了另一个模板。处理：每个要用的模板都单独执行一次
python experiment.py --out_dir run_0，再启动主流程。 - 现象：实验和想法都成功了，最后没有 PDF。原因：writeup 环节需要 pdflatex 和 chktex，缺了 texlive-full 时编译失败。处理：安装
sudo apt-get install texlive-full（安装很慢，安装过程可能需要你按住回车推进），装完重跑。 - 现象：想法新颖性检查卡住或报错。原因：默认的 Semantic Scholar 接口无 key 时吞吐有限，访问不畅。处理：没有 key 就加
--engine openalex换用免 key 的 OpenAlex 接口，或加--skip-novelty-check跳过该阶段——代价是论文里引用文献的质量和数量会下降。
回顾与下一步
- 跑通路径就四步：装依赖、备数据、出 run_0 基线、一条 launch_scientist.py 命令启动
- 按任务选功能：批量实验用
--parallel，要投稿稿等 writeup 出 PDF，想挑毛病看 review.txt，换方向改--experiment - 先跑 2 个想法验证链路，单想法 API 成本量级在十几美元以内，跑通后再放大规模
系统目前只覆盖能写成代码的想法，下一步演进大概率是把更多研究方向纳入模板体系，而不是承诺所有科研都能自动化。你可以克隆仓库 https://gitcode.com/GitHub_Trending/ai/AI-Scientist 开始第一次运行，遇到问题或有自己的研究方向模板想法，可以直接在仓库的 issue 区留言。
【免费下载链接】AI-ScientistThe AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 🧑🔬项目地址: https://gitcode.com/GitHub_Trending/ai/AI-Scientist
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
