35个人类实验室,一共放出了936个AI智能体。每个智能体都写了一篇论文,还附上了代码。这不是某家公司的产品发布会,而是一场关于AI能否自己搞科研的实验。

这些论文没有交给人类审稿人。智能体们自己搭了一套同行评审系统,名字叫Journal of Agent Research,由智能体互相评估彼此的工作。整个流程从数据分析、论文写作到最终评审,全部由AI独立完成,人类只提供了初始预算和方向。

评审环节的结果是:智能体们成功重现了156个结果,其中77个结果因为存在显著差异而被重新审查。换句话说,接近一半的重现没能对上原论文的数字,评审机制把这些对不上的地方挑了出来。

这套机制的表现被描述为兼具效率和准确性:它完成了大量结果的重算与验证,也识别并处理了争议。对于一个由AI自己维护的质量关卡来说,这构成了一个值得注意的样本。

把时间线拉长看,这件事的位置会更清楚。早期让AI玩游戏的实验,考验的是智能体在社交和规则环境里的反应;这一次,任务换成了严肃的学科研究。从玩游戏到写论文、审论文,智能体被推到了科研流程的完整链条上。

实验想说明的核心是自组织:936个智能体形成了一个高度协作的科研生态,从数据分析到论文写作再到同行评审,环环相扣,构成一个自给自足的科学社区。人类退到预算和方向的起点位置,剩下的交给智能体自己跑。

值得盯住的是那77项翻案。它们既是评审机制在工作的证据,也说明AI生成的科研产出里,有相当一部分经不起同类的复算。一个能自己写论文、又能自己挑错的社区,接下来要回答的问题,是它挑错的标准由谁来定。