DeepMind研究员提出MDA：LLM+贝叶斯实现高效科学发现
Google DeepMind 研究员 Kevin Murphy 发布独作论文《Model Discovery Agent》，提出模型发现智能体（MDA）框架。该框架将大语言模型作为机制假设的提出者，结合序列蒙特卡洛（SMC）、贝叶斯推断（SBI）与信息价值（VoI）来设计实验，形成数据高效的闭环发现系统，旨在加速物理定律、化学反应速率等底层科学机制的发现。在物理和化学的两个现有科学发现基准测试中，MDA 取得了新的 SOTA，在保持相同准确率的同时大幅减少了所需实验次数（最高可达 5 倍更少）。该研究还将 MDA 扩展至 𝓜-open 场景，并推出了一个新的神经电生理基准测试。
已确认
- MDA 的核心工作流是利用 LLM 生成可能的解释，并在实验成本高昂的场景下通过信息价值指导自动化实验设计，从而实现极高的数据效率。
- 在物理和化学的两个现有科学发现基准测试中，MDA 取得了新的 SOTA（最佳表现），在保持相同准确率的同时大幅减少了所需实验次数（最高可达 5 倍更少）。
- 该研究将 MDA 扩展至 𝓜-open 场景，并推出了一个新的神经电生理基准测试。
尚未确认
- 关于 MDA 在更广泛科学领域的泛化能力，目前尚无公开的独立验证。
为什么重要
- 该框架证明了 LLM 与贝叶斯方法结合在昂贵实验中的数据高效性，为自动化科学发现提供了新范式。
- 针对 AI 进行科学发现的前提，开发者 @BlancheMinerva 提出了延伸思考：预测干预措施的结果或构建良好的理论，并不一定需要机制模型。他举例论证疫苗的发明早于细菌理论，热力学第二定律是由持有错误热模型的人提出的，而量子力学至今仍缺乏完美的底层机制解释。这为 AI 科学发现提供了去机制化的新视角。
2026-08-12 ~ 2026-08-14 · 7 条相关
一手来源
- Kevin Murphy提出MDA：LLM结合贝叶斯加速科学发现 — sirbayes ·
- Model Discovery Agent：用智能体加速科学发现 — sirbayes ·
- 无需机制模型也能预测干预结果：AI 与科学发现的新视角 — BlancheMinerva ·
- 【源头】Model Discovery Agent：用智能体加速科学发现 — sirbayes · 2026-08-12
- AI智能体结合贝叶斯：以5倍更少实验发现科学定律 — sirbayes · 2026-08-12
- 【源头】Kevin Murphy提出MDA：LLM结合贝叶斯加速科学发现 — sirbayes · 2026-08-12
- LLM+强化学习实现科学发现新SOTA，并推出神经电生理基准 — sirbayes · 2026-08-12
- 【源头】无需机制模型也能预测干预结果：AI 与科学发现的新视角 — BlancheMinerva · 2026-08-13
- 优化信息增益：Model Discovery Agent 探索科学发现 — burny_tech · 2026-08-14
- Kevin Murphy 独作论文：用大模型与贝叶斯实现高效科学发现 — burny_tech · 2026-08-14