研究｜OmniScientist：全模态AI科学家端到端论文

会写论文稿，还不等于会做科研——如果模型从未「看见」原始证据，结论再流畅也可能悬空。

新加坡国立大学等研究者在arXiv提交论文《OmniScientist: An Omni-Modal Omni-Discipline AI Scientist》（arXiv:2608.13558）。所谓AI科学家系统，白话是把假说生成、实验脚本、结果整理与文稿撰写串成工作流；所谓全模态，白话不只读文本摘要，还能直接处理图像、信号、音频、视频、三维结构、轨迹、表格、公式与图等异构证据。作者指出：现有系统常停在标签与预计算特征，丢掉空间、时间、跨通道与过程性关系，而这些往往才是科学判断的关键。

OmniScientist由感知层与构思、实验、写作三个自主智能体组成确定性流水线，并在代码侧执行新颖性、统计有效性、执行溯源与数值可追踪等检查。作者在三十六个真实数据案例上评估，覆盖五个学科族与上述多类模态，称全部完成从原始数据到可编译文稿的路径；参考推理骨干下论文整体均分约六点三；相对仅接收预计算标量特征的盲测变体，直接感知在全部七个评价维度提升，并在百分之八十五的对照中胜出。项目页为omni-scientist.github.io。

论文想强调的验收点：

1. 证据入口：原始观测能贯穿提问、实验决策与最终主张，而不是事后贴摘要。
2. 过程约束：把严谨性检查写成可执行代码，降低「写得很像论文」的注水空间。
3. 对照实验：盲测变体证明「看得见」本身带来可测增益，而不只是多模态噱头。
4. 覆盖面：三十六例跨学科族，展示的是流程可达性，不是单一领域SOTA刷榜。

对科研工具链，这意味着「能生成LaTeX」不够，还要能绑定原始证据与统计有效性；对产业AI4S团队，可关注其把新颖性筛选、溯源与数值核对工程化的做法——这比又一个聊天式科研助手更接近可审计流程。

需要把边界读清楚。分数与胜率来自作者设定的评测协议，尚未构成学科共同体的外部鉴定；自动化文稿不替代同行评审，也不等于湿实验已经闭环成功。下一观察点是开源代码与复现包是否完整公开，以及在真实实验失败模式下系统如何自纠——能出稿，还要能承认并修好错。