研究背景
科学研究长期依赖「想法 → 实验 → 论文」的手工作坊流程。这篇 Nature 论文展示了一个端到端的自主 AI 研究系统：从想法生成、文献调研、实验设计与执行，到论文撰写与迭代修改，全部由 AI 系统闭环完成——发表当月即被引用 300 余次，与同期另外两篇「AI 科学家」论文构成 Nature 的专题矩阵。
方法与核心内容
系统把科研流程拆解为多阶段智能体协作：文献综合、假说生成、实验方案编码执行、结果分析与手稿生成。关键在于把「实验可执行性」作为硬约束——每个假说都必须翻译成可运行的代码与可复现的实验，验证信号来自真实实验结果而非模型自评。
结果与意义
系统生成的完整机器学习论文约 166 篇（耗时约 417 小时，平均每 2.5 小时一篇），Nature 同日配发编辑文章呼吁对「自主 AI 科学家」建立监督机制。学界评价两极：效率革命 vs 质量与学术伦理担忧。
我们的观点
我把这篇与同期「多智能体科学发现」「ERA」合称为「AI 科学家三部曲」——它宣告科研自动化从单点工具进入系统化阶段。但必须指出：自动生成论文的数量指标毫无意义，真正的考验是这些论文能否通过同行评议并被领域实际引用。Nature 配发的监督呼吁恰恰说明学术界对此保持清醒。
对科研工作者的现实启示：文献综述、代码实现、格式化写作这三个环节的自动化已是进行时；研究者的不可替代性正在向「提出对的问题、判断结果的可靠性、承担学术责任」收缩。本站经典研读模块的定位因此更加清晰——机器可以生成论文，但「讲透吃透」仍然需要人。