arXiv cs.AI· Yihang Che, Zhongwei Yu, Yang Li, Xingyu Lu, Hongxia Yu, Jun Wang·· 10 小时前AI 评分42
Embodied Science Agents：让具身实验设计可学习
Embodied Science Agents: Making Embodied Experimental Design Learnable
AI 导读
研究者提出 Embodied Science Agent（ESA），将数字智能与物理具身统一，包含负责记忆推理与贝叶斯优化的 Digital Agent、提供可泛化仪器控制的 Embodied Agent 及具身统一接口。
正文 · AI 翻译
摘要：大模型的最新进展加速了 AI for Science 向智能体科学（agentic science）迈进，即由 AI 智能体自主开展科学发现。实现这一愿景需要打通计算推理与物理实验之间的闭环，使自驱动实验室（SDL）成为关键使能者。然而，现有 SDL 存在一个根本性悖论：基础模型的集成提升了语言层面的复杂度，却切断了物理根基。当前架构将模型视为无实体的规划器，由其输出符号化工作流并交由独立的机器人系统执行，这从根本上阻碍了具身实验直觉的发展。我们认为，克服这一悖论需要沿三条相互依存的轴线嵌入\emph{可学习性}：认知可学习性（学习研究什么）、实验可学习性（学习在哪里搜索）和具身可学习性（学习如何行动）。基于这一观点，我们提出具身科学智能体（ESA），它通过三个协同组件将数字智能与物理具身统一起来：数字智能体通过基于记忆的推理和贝叶斯优化提供认知与实验可学习性，具身智能体通过可泛化的仪器控制提供具身可学习性，以及用于无缝协调的具身统一接口。我们在自主废水处理实验中验证了 ESA，探索了超过 2 亿种可能条件。经过 15 轮连续实验，ESA 将最终溶液的透光率从 82\% 提升至 99.7\%，对应残留染料浓度降低 98.5\%，并实现近乎完全脱色，同时其学习到的视觉运动策略可泛化到不同的仪器摆放位置，这是迈向用于自主科学发现的下一代 SDL 的有希望的一步。
| 评论： | 已被 DAI 2026 接收 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.12958 [cs.AI] |
| （或 arXiv:2611.12958v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.12958 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yang Li [查看邮箱]
[v1]
2026年11月7日星期六 07:52:16 UTC（18,463 KB）
来源：arXiv cs.AI · arxiv.org