Agentic Economies for Autonomous Scientific Discovery
Nenad Tomasev, Matija Franklin, Atoosa Kasirzadeh, Vivek Natarajan, Alan Karthikesalingam, Sebastien Krier, Simon Osindero
cs.CY
2026-09-26
DeepMind 认为自主科学发现卡在验证资源，不是推理。论文勾画四层数据市场、负结果登记和假设交易所，让智能体给稀缺实验定价。
现在做 AI scientist 的人，几乎把力气都花在推理和假设生成上。Google DeepMind 这七个人把问题拧过来：假设写出来几乎不要钱之后，真正卡住科学的是实验室、临床、稀有材料和大型装置这类验证资源。
这篇是制度设计论文，没有新模型，也没有新 benchmark。它要回答的是，当大量自主或半自主的 AI 科学家跨机构抢同一批稀缺资源时，怎么协作定优先级、怎么分信用、怎么追责、怎么防滥用。
当代科学本来就有一套隐性经济：抢经费、抢机时，用同行评审和 tenure 当分配器。智能体的速度和规模会把这套机制冲垮。它们需要确定性 API、智能合约和可验证声誉，会议社交跟不上。
基础设施被拆成几块能单独讨论的市场与制度。
数据侧给了四层访问。Tier 1 是公开知识，当免费公共品。Tier 2 是去标识的机构数据，走订阅或联盟。Tier 3 是高价值实验日志，按查询付费，配差分隐私和零知识证明。Tier 4 是基因组、电子病历这类不可外传的数据，只能在 TEE、联邦学习或安全多方计算里查，按效用抽成。
敏感数据走「智能委托」：外部智能体当委托人，机构内部持证代理在硬件飞地里跑分析。合约写成可计算的 Data Use Agreement（cDUA），自动核验预算、伦理许可、保险和补偿，查完即收回权限。数据不去找智能体，任务被送进数据所在地。
负结果单独定价。Arrow 信息悖论让失败很难卖：一说出来买家就不用付钱。方案是密码学执行登记，只公开实验参数哈希，撞车了再托管预算解锁细节。登记方要按许可溢价锁一笔 epistemic stake，被查出灌水或投毒就罚没。
想法侧是一条 Hypothesis Exchange Pipeline。先把 prompt、上下文和实验蓝图哈希上账本，钉住来源；再开合成预测市场，独立批评智能体拿算力积分押这个想法靠不靠谱；然后把假设做成 IP-NFT，用分数许可把出主意的一方和 CRO、云实验室接起来；物理验证通过后，智能合约自动分红。实验室资源不是同质商品，单拍容易买到光谱仪买不到试剂，所以建议组合拍卖、整包出价。结算介质倾向 compute-backed stablecredit，对标标准化算力或能耗。
基础研究见效慢，事前预测市场会饿死它们。补一层 Retroactive Public Goods Funding：想法先铸成 impact certificate，事后按依赖图回溯分成。应用发现的许可费抽一个微小比例进基础科学金库。政府侧要建公共算力储备。被忽视病种用可编程的 Advance Market Commitment，以及可交易的优先审评和算力券。
可重复性改成付费工种。发现者的许可收入先锁进验证托管，独立实验室完成复现才放款，失败就级联撤回下游引用。审计员用密码学抽签，避免和出题方串通。
法律层更硬。COPE 不允许 AI 当作者，因为它承担不了认知责任和法律责任。DABUS 系列判例倾向不承认非人发明人。完全无专利保护会让资本不愿付临床试验的钱，资本化实体可能改把发现藏成商业秘密。论文讨论把「设定问题与约束」算进人类发明劳动，或另立 AI 生成发现的许可框架。
这篇没有自己的对照实验。它引用的硬数字是用来撑验证瓶颈的。
| 现象 | 数字 | 出处 |
| 新分子实体资本化成本 | 约 26 亿美元 | DiMasi et al., 2016 |
| FDA 获批药研发成本 | 约每 9 年翻一倍 | Eroom's Law，Scannell et al., 2012 |
| 计算预测的新晶体结构 | 百万量级 | Merchant et al., 2023 |
| 数据访问分层 | 4 档 | 论文 Table 1 |
| 假设交易阶段 | 4 步 | 论文 Table 2 |
对照物是现有科学制度：同行评审、开放数据、CRO 外包、FDA 优先审评券、疫苗 Advance Market Commitment。论文没有证明哪套市场设计能跑通，也没有做仿真。
它明确说加速会是锯齿状的。数学和理论计算机科学可以靠 Lean 这类形式化语言把验证成本压下去；临床试验、作物田间表型、高能物理装置绑在生物时间和巨型设施上，AI 加速不了生物学时钟。Cao et al. 2026 的物理化学仿真评测被用来提醒：不算执行成本，智能体调参会比传统计算贵很多。
给做 AI scientist 的人一个 reframing：继续只堆推理，实验室只会更堵。真正要补的是 cost-aware 的智能体，以及跨机构的资源协议。
眼前能用的不是整套链上科学经济，那还是蓝图。更短的路径已经清楚：假设先过计算筛选再上湿实验；负结果要进共享登记；评测不要只看准确率，要看 token 成本和方案能不能执行。
这是渐进的制度提案，不是新算法。价值在于把「AI 做科学」从认知问题改写成多主体资源配置问题。文末免责声明写得很干净：观点是作者个人的，不代表 Google DeepMind 官方立场。
作者自己划了能力边界。现有 AI scientist 擅长重组式创新，不擅长 Kuhn 意义上的范式突破；训练数据同质会形成认知单一文化，大家撞同一面墙。Navier-Stokes 相关的 AI 证明引出一批数学家联署《A Severe Misalignment of AI in Mathematics》，警告证明自动化可能和「让人理解」对着干。人如果只当橡皮图章，还会出现虚假的理解感。
方案本身也松。它高度依赖智能合约和 IP-NFT，对双用途数据和生物安全又说许可制清算所可能更合适，落地形态没钉死。Shapley 式定价和精确边际贡献，论文承认算不动。负结果的保证金机制会偏向资金充足的机构。给可复制、可分叉的智能体发持久身份，防 Sybil 和串通，全是未解问题。
更硬的一点：这是 cs.CY 立场文。没有 ablation，没有试点，没有失败案例。Eroom's Law 和 26 亿美元是药研文献的旧数字，不是这篇验证出来的。当成设计备忘录读有用，当成已经可部署的系统会误判成熟度。双用途部分只停在算力治理和分级访问，具体筛选阈值论文也没给。