Dolphin: Closed-loop Open-ended Auto-research through Thinking, Practice, and Feedback

科学研究范式正因人工智能（AI）的发展而经历深刻变革。近期的研究表明，各种借助AI的研究方法能够通过改进数据分析、加速计算和促进新想法的产生，大幅提高研究效率。为了进一步向最终目标（即自动化的科学研究）迈进，本文提出了Dolphin——首个闭环开放式自动研究框架，旨在构建人类科学研究的整个过程。Dolphin可以生成研究想法、进行实验，并从实验结果中获取反馈以生成更高质量的想法。具体来说，Dolphin首先根据主题和任务属性对相关论文进行排序，基于这些论文生成新颖的想法。然后，代码会通过异常追踪引导的局部代码结构自动生成并调试。最后，Dolphin会自动分析每个想法的结果，并将结果反馈到下一轮想法生成中。实验在不同主题的基准数据集上进行，结果显示Dolphin能够持续生成新颖的想法，并在一个循环中完成实验。我们特别指出，在某些任务中，如二维图像分类和三维点分类，Dolphin可以自动提出与现有最先进方法相媲美的方法。

该论文旨在解决如何通过人工智能（AI）技术实现自动化的科学研究，特别是构建一个能够自动生成研究想法、执行实验并根据结果反馈改进的闭环框架。这是一个相对较新的问题，尽管已有研究探讨了AI在特定任务中的应用，但全面覆盖科学研究流程的自动化尚未得到充分探索。

论文提出的关键思路是开发名为Dolphin的闭环、开放式自动研究框架。这一框架不仅能生成研究想法，还能自动生成代码、执行实验，并将实验结果反馈到下一轮的想法生成中。相比现有研究，Dolphin的独特之处在于它整合了从想法生成到实验执行再到反馈优化的完整过程，形成了一个可以持续改进的研究循环。

论文展示了Dolphin在多个基准数据集上的表现，证明其能持续生成新颖且高质量的研究想法，并在某些任务上达到与当前最先进方法相当的效果。例如，在2D图像分类和3D点云分类任务中表现出色。此外，Dolphin采用了一种基于异常追踪的局部代码结构调试方法，确保了代码的可靠性和效率。值得注意的是，作者提到所有实验均使用公开的数据集，并计划开源部分代码以供后续研究者参考和改进。

近年来，关于AI辅助科学研究的工作逐渐增多，包括但不限于：1) 使用深度学习模型加速材料发现；2) 利用强化学习优化实验设计；3) 结合自然语言处理技术进行文献综述和假设生成。具体相关研究如《Automated Machine Learning for Scientific Discovery》、《Deep Learning for Automated Experiment Design in Materials Science》等。这些研究共同推动了AI在科学研究中的应用，而Dolphin则进一步扩展了这一领域的边界，提出了更完整的自动化解决方案。