清华大学AI4S研究新进展：让科学智能体发现公式、探索机理

近日，清华大学电子工程系数据科学与智能实验室在 AI for Science 方向提出面向智能体符号回归（agentic symbolic regression）的运行时框架 SRHarness [1]，让 AI 更可靠地从观测数据中发现公式；同时构建机制发现基准 MechBench [2]，系统评测 AI 能否进一步揭示公式背后的机理。 这是继团队此前在《Nature Reviews Physics》上提出反绎式人工智能（Abductive AI）框架 [3]、并在《Nature Computational Science》上提出神经符号回归方法 ND² [4] 之后，在 AI for Science 领域的进一步工作。 两项成果相辅相成，分别回答了 AI 科学发现中「如何发现数学公式」与「是否真正理解公式背后的物理机理」两个关键问题，推动 AI 科学发现从「拟合观测」走向「理解机制」。 实验显示，在相同 DeepSeek-v4-flash-0731 底座下，SRHarness 在匿名化测试中的符号恢复率达到 72.97%，远超 Codex 的 20.72%，并媲美搭载 GPT-5.5 和 GPT-6-Astra 的 Codex；而 MechBench 揭示，即使是搭载 GPT-5.6-sol 的 Codex，在核心集上的机制恢复率也仅为 13.75%，远低于其 35.00% 的规律恢复率，表明当前先进的 AI 科学智能体在「发现规律」与「理解机制」之间仍存在显著的能力鸿沟。 本项工作的两篇论文：SRHarness（上）与 MechBench（下） 一、科学发现的两步：从开普勒到牛顿 从观测数据中归纳描述现象的数学规律，并进一步探寻规律背后的物理机制，是科学发现的一条经典路径。四百多年前，开普勒从观测数据中总结出行星运动定律，精确刻画了行星「如何运动」；牛顿力学则更进一步，从万有引力出发，物理上解释了行星「为何如此运动」。从开普勒到牛顿，正是科学从「数学公式发现」迈向「物理机理揭示」的历史缩影。 今天，大语言模型（LLM）与科学智能体（Scientific Agent）已能自主分析数据、调用工具、迭代假设，深度参与科学发现。一个关键问题随之浮现：AI 能否先可靠地发现数据背后的稳定规律？又能否进一步理解规律背后的机制？ 围绕这两个问题，研究团队给出两项进展：一是提出 SRHarness，为智能体符号回归提供一套可复用、可持久化、可追踪的运行时基础设施，让科学智能体更可靠地发现数学公式 —— 在标准评测中，其符号恢复率达到 93.69%，较此前最先进方法提升超过 30 个百分点；二是构建机制发现基准 MechBench，系统评测 AI 能否从有限的外部观测中，反推出不可直接观测、却能解释现象如何产生的底层机制。这一基准首次将「恢复观测规律」与「恢复底层机制」两个能力层次明确区分开来，为衡量 AI 能否真正「理解」科学提供了客观标尺。 二、让 AI 可靠地发现公式：SRHarness 随着符号回归从「LLM 生成公式」发展到由智能体自主分析数据、调用工具、迭代假设，支撑这些长程科学交互的运行基础设施开始成为关键问题。现有工作虽已零散实现相关机制，但通常只服务于各自方法，并未将 Harness 作为独立、可复用的研究对象。 研究团队开发的 SRHarness 将这层基础设施显式化。它不规定某种特定的搜索策略，而是提供可复用的运行时支撑，让不同模型与搜索策略都能在其上运行。其核心包括三类机制（见图 1）： ① 可复用科学动作（Reusable Scientific Actions） ：统一封装分析、拟合、搜索与评估工具，将数据分析、数值优化、符号引擎、候选评估等操作标准化，让异构科学操作通过统一接口与一致的评估语义执行，智能体得以专注于「做什么」，而非反复处理底层执行细节。 ② 持久化科学状态（Persistent Scientific State） ：持续更新并保存候选公式及其科学证据，使假设、评估结果、复杂度与来源记录独立于短暂的对话上下文，支持跨轮次比较、排序与复用。 ③ 轨迹生命周期管理（Trajectory Lifecycle Management） ：管理长程搜索中的继续、分支、重启与终止，支持轨迹追踪、失败恢复与最佳结果保留，让长程科学搜索可观察、可审计、可恢复。 图 1 SRHarness 总体框架。上层为 LLM 搜索控制器，通过「分析数据 — 评估假设 — 选择科学操作 — 提出或修改方程」的闭环开展符号搜索；下层三色模块分别为可复用科学动作（统一工具接口）、持久化科学状态（候选公式与证据的持续积累与 Pareto 前沿管理）、轨迹生命周期管理（继续、分支、重启与终止的协调）。 在此基础上，SRHarness 已被开发为一套可直接用于符号回归与科学发现任务的完整智能体系统，覆盖数据分析、数值拟合、符号搜索、候选管理、统一评估、状态持久化、轨迹追踪与失败恢复等环节。研究者还可以在其上进一步添加领域特定的科学工具与搜索策略，扩展出自己的符号回归智能体。 目前，SRHarness 已完成开源，代码、文档与在线 Demo 均已公开发布：代码托管于 GitHub，可通过 PyPI 一键安装；研究团队还搭建了在线 Demo，用户无需本地部署即可在网页上体验智能体从数据分析到公式发现的完整流程。 GitHub 地址：https://github.com/tsinghua-fib-lab/SRHarness 配套使用文档：https://yuzhthu.github.io/SRHarness/ 在线 Demo 地址：http://sim1.fiblab.tech:30000/ 实验显示，在相同 DeepSeek-v4-flash 模型下，SRHarness 在 LSR-Transform 评测基准上的符号恢复率达到 93.69%，远高于此前最先进方法 SR-Scientist (ICLR 2026) 的 62.16%，提升幅度超过 30 个百分点、相对提升约 50%，刷新了该基准的最好成绩；在物理、化学、生物、材料四个领域的 LSR-Synth 基准上，分布外数值预测准确率分别达到 78.00%、78.87%、87.09% 与 96.00%。 更关键的是，即使移除问题中的科学背景与变量语义（LSR-Transform-Anon），SRHarness 仍以 72.97% 的符号恢复率发现目标方程，远高于 SR-Scientist 的 39.64% 与相同底座模型下 Codex 的 20.72%，并超过 Codex 使用更强模型 GPT-5.5 时的水平（68.47%）；即便面对最新一代的 GPT-6-Astra，SRHarness 也能以更轻量的模型逼近其性能（详见下段）。这表明，SRHarness 不仅能利用大模型内部的科学知识搜索可能的符号公式，还能通过与数据的主动交互，自主开展结构诊断、假设检验与迭代搜索，从纯数值观测中发现潜在的数学结构。 考虑到最新前沿模型 GPT-6-Astra 在数学推理上表现出的优异性能，研究团队额外进行了与 GPT-6-Astra 的补充对比。实验显示，SR