From AI for Science to Agentic Science: A Survey on Autonomous Scientific Discovery

人工智能（AI）正在重塑科学发现的方式，其角色正从专业的计算工具演变为自主的研究合作伙伴。我们将“主体化科学”（Agentic Science）定位为“AI for Science”这一大范式中的一个关键阶段，在这一阶段，人工智能系统实现了从部分辅助到完整科学主体性的跃迁。依托大语言模型（LLMs）、多模态系统以及集成研究平台的发展，具备主体能力的AI展现出在假设生成、实验设计、执行、分析以及迭代优化方面的能力——这些曾被认为是人类独有的行为。本文对跨生命科学、化学、材料科学和物理学等领域的自主科学发现进行了以领域为导向的综述。我们通过一个综合框架，将此前相互割裂的三种视角——过程导向、自主性导向和机制导向——统一起来，该框架连接了基础能力、核心流程和领域具体实现。在此框架基础上，我们（i）梳理了AI for Science的发展脉络，（ii）识别出支撑科学主体性的五项核心能力，（iii）将科学发现建模为一个动态的四阶段工作流程，（iv）回顾了上述各个领域的应用案例，（v）总结了关键挑战与未来机遇。本研究为自主科学发现提供了以领域为导向的系统性整合，并将“主体化科学”确立为推动AI驱动研究的结构化范式。

论文试图解决人工智能在科学发现中从辅助工具演进为具有自主科学能力的研究伙伴的问题，探讨如何将AI系统从部分辅助提升到具有完整科学代理能力的阶段。这是一个相对较新的问题，涉及AI在多个科学领域的自主创新能力。

提出“Agentic Science”这一概念，作为AI for Science范式中的关键阶段。论文的核心思路是通过大型语言模型（LLMs）、多模态系统和集成研究平台的赋能，使AI具备科学发现中的假设生成、实验设计、执行分析和迭代优化等能力。相比以往研究，该论文首次将科学发现过程分为过程导向、自主导向和机制导向三个视角，并提出一个统一框架来连接这些视角。

1. 提出了Agentic Science这一新的研究范式，并构建了一个综合框架来描述AI在科学发现中的演进路径。 2. 识别了支撑科学代理能力的五个核心能力，并建模了一个四阶段的动态科学发现流程。 3. 对生命科学、化学、材料科学和物理学等领域的自主科学发现进行了跨领域综述。 4. 总结了当前挑战和未来机遇，为后续研究提供了方向。 5. 论文结构清晰，内容全面，为AI驱动科学研究提供了系统性的理论支持。

1. AI for Science: A Comprehensive Review of Deep Learning in Scientific Discovery 2. Autonomous Discovery in Chemistry Using Reinforcement Learning 3. Machine Learning for Materials Discovery: A Review of Recent Advances 4. Deep Learning Applications in Physics: From Theory to Experiment 5. LLM-powered Scientific Discovery: Emerging Trends and Future Directions