进化智能在科学发现中的应用
人工智能（AI）正在将科学发现从任务特定的工作流程转向自主系统，这些系统能够在开放的候选空间中组织探索，并结合实验与人类反馈。进化计算（EC）为反馈驱动的发现提供了计算基础，因为基于种群的搜索能够保持科学候选的多样性，同时通过累积证据引导探索。
然而，EC主要集中于预定义问题的候选精炼，而累积发现则需要经验保留。为了解决这一差距，本文提出了进化智能（EI）用于科学发现。EI 特征化了能够通过将候选精炼与跨进化周期的经验保留联系起来来维持探索的科学 AI 系统。
我们引入了一个五维分析框架，探讨了以下几个问题：
- 进化的内容是什么？
- 候选如何变化？
- 候选为何被选择？
- 反馈源自何处？
- 进化何时发生？
这个框架阐明了 EI 如何将孤立的搜索轨迹转变为累积的科学洞察。我们进一步展示了这一范式在各种发现模式下的应用，包括进化具体的科学实体及编排自动化研究工作流程。
最后，我们识别了在评估、过程可追溯性和共享基础设施方面的关键瓶颈，并提供了一条明确的路线图，以推动从 EC 向 EI 在科学发现中的转变。
博主点评： 进化智能的提出为科学发现提供了新的视角，强调了探索与经验的结合。通过五维框架的分析，我们能够更清晰地理解科学发现的动态过程，未来的研究将受益于这种跨越传统方法论的创新思维。