许多科学现象可以视为底层优化问题的结果，但以往的自动科学发现主要聚焦于恢复描述输入输出模式的方程。OptScientist 是一个全新的自动化框架，直接从数据中挖掘紧凑的符号化优化规律。它包括两大部分：
- 一个模型，先学习将观测数据映射为优化问题的表示，再提取其符号形式；
- 一个基于大语言模型的代理系统，将该模型嵌入发现流程，融合文献中的理论先验，生成候选规律，抽象其机制，并提出新的实验数据需求。
在新建的基准 OptFeynman（99 个来源于物理的优化问题）上，OptScientist 能够恢复超过 80% 的真实规律，对噪声信息保持鲁棒，并显著超越机器学习、符号推理以及 LLM 为主的模型发现基线。对人类风险选择和央行货币政策的案例研究表明，所发现的符号化优化规律在保持少量参数和显著低 token 消耗的前提下，预测性能可与最先进的基线相媲美。
总体而言，OptScientist 将自动科学发现的范围扩展到揭示生成观测现象的优化规律，实现了跨物理、生物、行为和社会科学的自动化理论构建。
点评