燒了18.6萬美元讓AI連軸肝了17天，它產出了166篇論文

如果你是一個博士生，寫一篇論文大概需要多久？

樂觀一點，三個月。悲觀一點，三年也不是不可能。中間還得經歷選題被斃、實驗跑崩、數(shù)據(jù)對不上、審稿人第三輪還在要求major revision（就是大改！）等人間疾苦。

最近有個AI，用了417小時干完了166篇。

這個AI叫FARS，全稱Fully Automated Research System，全自動科研系統(tǒng)，來自一家你可能沒聽過的中國初創(chuàng)公司，Analemma。它的工作流程跟博士生一模一樣：翻文獻、找選題、提假設、設計實驗、寫代碼跑數(shù)據(jù)、分析結果、畫圖、成稿。全程沒有導師催，沒有deadline焦慮，不喝咖啡，不上廁所，24小時連軸轉。

更離譜的是，整個過程是直播的。任何人都可以打開網頁，實時圍觀這個AI怎么肝論文。就像看一個博士生在直播間里趕稿，只不過這個博士不需要睡覺。

讓它跑的人的原話很簡單：先寫100篇。

結果這臺“論文機器”一口氣跑了417小時，累計17天，產出了166篇論文。平均每2小時17分鐘交一篇。整個過程消耗了216億個token，燒掉大約18.6萬美元，折合人民幣超過130萬，算下來每篇論文的成本大約1100美元。

結算畫面

博士生看了沉默，導師看了流淚。

但先別急著感嘆。我們得搞清楚兩件事：這個系統(tǒng)是怎么工作的？它寫出來的東西，到底能不能看？

01.造一臺論文機器

做FARS的人叫孫天祥，復旦大學自然語言處理方向的博士，2024年畢業(yè)。

孫天祥個人主頁

這個名字你可能沒聽過，但他做過的東西你沒準有印象：MOSS。

2023年初，ChatGPT剛在全球引爆AI熱潮的時候，復旦大學發(fā)布了MOSS，這是國內最早一批對標ChatGPT的大語言模型之一。當時社交媒體上鋪天蓋地的討論，各路媒體爭相報道，MOSS項目的核心主導者，就是當時還是博士生的孫天祥。

當時的新聞稿，時間是亮點

2024年博士畢業(yè)后，他輾轉進入上海創(chuàng)智學院擔任助理教授，同時創(chuàng)立了Analemma。公司的slogan是：“In a world of infinite questions, it is time to build an infinite mind”，翻譯過來就是：在一個問題無窮的世界，是時候構建一個無窮的心智。

這話聽著玄乎，但他做的事倒是挺實在的：先造一個能自己做科研的AI系統(tǒng)，即本文的主角FARS。

FARS的工作方式，用人話說就是，四個AI研究員流水線協(xié)作：

-選題agent（Ideation）：負責翻文獻、找研究方向、提出假設

-規(guī)劃agent（Planning）：把假設變成具體的實驗方案

-實驗agent（Experiment）：寫代碼、調用GPU集群跑實驗、收集數(shù)據(jù)

-寫作agent（Writing）：把實驗結果整理成一篇完整的論文

FARS的架構圖

四個agent在一個共享文件系統(tǒng)里協(xié)作，彼此之間不直接對話，而是通過讀寫文件來交接工作，背后撐著這套系統(tǒng)的，是160塊英偉達GPU組成的算力集群，配上所有agent想要調用的一線大模型。

打開FARS的直播頁面，你能看到的東西相當豐富。頂上是當前課題的標題，下面一條進度條標著“選題→規(guī)劃→實驗→寫作”走到了哪一步。左邊是項目隊列，十幾個編號排著隊，跑完一個換下一個。中間是當前項目的實驗清單，哪步做完了、哪步還在跑，標得清清楚楚。右邊是GPU集群的實時狀態(tài)。如截圖里顯示的是76塊GPU同時在干活，利用率75%。最底下一排數(shù)字實時跳動：已經產出了多少個假設、多少篇論文、跑了多久、燒了多少錢，整個界面就像一個科研工廠的監(jiān)控大屏，全程直播放送。

直播頁面長這樣

FARS目前聚焦的研究領域是AI本身，也被稱為“AI4AI”，用AI來研究AI。選這個領域有務實的考量：AI領域的實驗可以完全在計算機上完成，不需要物理實驗室，天然適合自動化。當然，局限也很明顯：FARS暫時沒法跑極度燒算力的實驗（比如大規(guī)模預訓練），也沒法完成需要人類直接參與的實驗（比如人工標注或專家評估）。

FARS還有一個設計上的執(zhí)念：全程透明。所有166篇論文的代碼，都通過FARS自己的GitLab賬號公開提交。選擇直播，也是因為創(chuàng)始人認為，規(guī)模化是檢驗AI科研系統(tǒng)的唯一方式。給它幾篇論文看看，說明不了什么問題。只有大規(guī)模運行并且完全公開，才能讓學術界真正去審視這個系統(tǒng)的能力和局限。

說到GitLab，其實還有個小插曲。FARS最早是在GitHub上提交代碼的，但因為提交頻率實在太高，觸發(fā)了GitHub的頻率限制，賬號被卡了，只好搬到GitLab。打開FARS的GitLab主頁，活動熱力圖很有意思：一整年幾乎全是灰色，就最近兩周多突然黑了一片。

FARS在Gitlab頁面

02.它寫出來的東西，能看嗎

說了這么多，F(xiàn)ARS寫出來的論文到底長什么樣？我們來看一個具體的例子。

在FARS產出的166篇論文里，有一篇叫《Local-Time AdamW for Stability-Gap Reduction in Continual Learning》（用于減少持續(xù)學習中穩(wěn)定性間隙的局部時間AdamW）。翻譯成人話就是：AI在學習新任務的時候，經常會突然“忘掉”之前學過的東西，表現(xiàn)斷崖式下跌，雖然過一會兒會恢復，但這個閃崩本身就很危險。FARS發(fā)現(xiàn)，AdamW優(yōu)化器里一個叫“偏差校正”的機制，在任務切換時會幫倒忙，于是提出了一個改進方法：在任務切換時只重置校正步數(shù)，保留記憶緩沖區(qū)。

這個改動只需要改一行代碼。

然后FARS設計了實驗：在兩個標準數(shù)據(jù)集上跑了對照實驗，用了5個隨機種子取平均，還專門設計了一個“如果關掉偏差校正，效果還在不在”的驗證實驗來排除干擾因素。最終結論是，這個方法在一個數(shù)據(jù)集上把穩(wěn)定性間隙降低了31%，在另一個上降了17%。

整篇論文7頁，結構完整，有摘要、引言、相關工作、方法、實驗、結論，引用了15篇參考文獻，代碼開源在GitLab上。

這不是一篇隨便糊弄的AI八股文。它有自己的假設、有實驗設計、有對照組、有統(tǒng)計檢驗、有代碼，論文的開頭還明確標注了一行警告：“WARNING: This paper was generated by an automated research system.”（警告：本論文由自動化研究系統(tǒng)生成。）

論文寫完之后還過了一道“審稿”。FARS使用的是斯坦福大學開發(fā)的AI審稿系統(tǒng)（Stanford Agentic Reviewer）。這個AI審稿員給出了詳細的評審意見：肯定了研究的動機清晰、方法簡潔、實驗設計有對照組驗證了因果機制；同時也指出了不足：實驗規(guī)模偏小、缺少與更簡單替代方案（比如直接調低學習率）的對比、對超參數(shù)敏感性的討論不夠。最終打分：5.2/10，評價大致相當于“weak accept”，有價值但還差點意思。

這個分數(shù)高不高？說實話，不算高。但問題是，一個AI系統(tǒng)用平均2個多小時自動完成的論文，拿到了一個5分出頭的審稿意見，很多初次投稿的碩士生，花幾個月寫的論文，可能也就這水平。

FARS還有另一面，它也會失敗。

在FARS的論文庫里，有一篇研究對象是機器人控制AI的思考過程。現(xiàn)在有一類叫VLA（視覺-語言-動作模型）的系統(tǒng)，它看到攝像頭畫面、聽到語言指令后，再給出動作指令。有意思的是，新一代VLA不是一口氣給出答案，而是在內部反復琢磨，像在草稿紙上不斷修改一樣，反復調整自己的中間狀態(tài)，琢磨夠了才輸出最終動作。

問題來了：怎么判斷AI“琢磨夠了”？已有的方法是看輸出端：如果AI連續(xù)兩步給出的動作幾乎一樣，就認為它想好了，可以停了。但FARS提出了一個更直覺的想法：與其盯著輸出看，不如直接看AI內部“草稿紙”的變化。如果草稿紙上的內容趨于穩(wěn)定，說明思考真的收斂了，這應該是一個更可靠的判斷依據(jù)。

FARS為這個假設設計了完整的對照實驗方案，設置了嚴格的公平比較條件，還預設了一系列前提檢驗來確保實驗的有效性。但它同時也在論文里寫明了：這個假設可能是錯的，如果AI內部的“草稿紙”變化并不遵循收斂規(guī)律，那這個方法就不會奏效。即便失敗了，這個否定結果本身也有價值，它說明收斂指標的選擇并不是關鍵杠桿，研究者應該把精力放在其他方面。

研究失敗，認了

這種態(tài)度反而讓人覺得，這個系統(tǒng)比想象中更誠實。它不只展示成功的案例，也把不確定的、可能走不通的研究方向攤出來。在真正的科研里，大量假設最終都會被推翻，只不過人類科學家很少發(fā)表走不通的思路。FARS不挑結果，做完就如實報告。

03.博士生該緊張嗎

FARS不是唯一在做這件事兒的。

2024年，日本AI公司Sakana AI發(fā)布了“AI Scientist”系統(tǒng)，號稱能自主完成從選題到成稿的全流程。同年年底，英國初創(chuàng)公司Intology推出了Zochi，也是類似的全自動科研系統(tǒng)。2025年，Sakana AI的升級版AI Scientist v2更進一步，它產出的論文，已經有被ICLR 2025 Workshop接收的案例。

這意味著，AI寫的論文，確實已經通過了學術界的同行評審，雖然目前僅限于workshop級別。

順帶一提，在這一輪AI浪潮里，日本整體聲量不大，但Sakana AI例外。它是目前日本身價最高的AI公司之一，聯(lián)合創(chuàng)始人Llion Jones是那篇改變了整個AI行業(yè)的著名論文《Attention is All You Need》的八位作者之一。

Sakana AI 兩位創(chuàng)始人；David Ha（左）、Llion Jones（右）

但在這股熱潮之外，學術界對AI科學家的能力評估還相對冷靜。

2025年，西湖大學聯(lián)合國內多所高校發(fā)表了一篇大規(guī)模綜述論文《How Far Are AI Scientists from Changing the World?》（AI科學家離改變世界有多遠？），系統(tǒng)梳理了當前所有主流AI科學家系統(tǒng)的研究進展和短板。

標題已經比較直白了

這篇論文提出了一個能力框架，把AI科學家的成長分為四個層級：

1.知識獲取——能不能自己讀文獻、搜索和理解已有的研究？

2.想法生成——能不能提出新穎且可行的科學假設？

3.驗證與證偽——能不能設計實驗、寫代碼、分析結果來驗證假設？

4.進化——能不能從反饋中學習，持續(xù)提升自己的科研能力？

也可以看作是AI研究員的成長之路

目前，大多數(shù)AI科學家系統(tǒng)集中在前兩個層級，讀文獻和提想法。到了“驗證”這一關，問題就來了。綜述團隊用一個叫DeepReviewer的AI審稿模型，對5個主流AI科學家系統(tǒng)公開發(fā)表的28篇論文做了評估。結果不太好看：

- 評分最高的系統(tǒng)，平均也只有4.63/10

- 100%的論文存在“實驗弱點”

- 96.4%存在“方法論不清或有缺陷”

- 89.3%存在“創(chuàng)新性存疑”

28篇文章里，發(fā)現(xiàn)AI還是有不少共性問題

換句話說，現(xiàn)在的AI科學家系統(tǒng)，在“做實驗”這件事上還差得遠。它們可以產出看起來完整的論文，但在實驗設計的嚴謹性、方法論的創(chuàng)新性和可復現(xiàn)性上，離真正的高水平科研還有相當大的距離。

綜述還指出了幾個值得注意的問題：

第一，沖擊同行評審體系。如果AI系統(tǒng)可以大規(guī)模、低成本地生成論文，現(xiàn)有的學術審稿機制可能會被淹沒。審稿人已經忙不過來了，再加上海量AI生成的投稿，整個學術評價體系可能會出問題。

第二，削弱科研訓練。如果年輕學者從一開始就過度依賴AI來選題、設計實驗、寫論文，那么批判性思維、動手能力、對科學方法的直覺理解，這些需要長期訓練才能獲得的能力，可能會被慢慢侵蝕。

第三，AI可能進入不該進入的領域。 一個不受約束的AI科學家系統(tǒng)，理論上可以自主探索任何研究方向，包括那些涉及安全風險的方向。

但趨勢是明確的。

就在這幾天，Analemma開始公開招募志愿審稿人，邀請人類研究者來評審FARS自動生成的論文。完成審稿的志愿者將被列為評審報告的作者，還能獲得產品積分和實體紀念品。反正我品出了這樣的味道：人類的角色正在從“寫論文的”變成“給AI批作業(yè)的”。

從2024年的“AI輔助人類寫論文”，再到現(xiàn)在FARS這種“AI做科研、AI審稿、人工二次審核”的模式，范式正在快速迭代。

我們今天討論“AI能不能做科研”，可能就像十年前討論“AI能不能下圍棋”。問題本身很快就會過時。真正的問題是，當AI真的能做科研了，我們的學術體系、科研訓練甚至科學倫理，準備好了嗎？

FARS跑了417小時，寫了166篇論文。這些論文的質量參差不齊，有的還不錯，有的很一般，有的甚至以失敗告終。但它做了一件以前沒人真正做到的事：讓AI從頭到尾獨立做科研，然后把所有過程攤在陽光下。所以不得不說，不管你是期待還是警惕，可能都需要接受這個現(xiàn)實：

它們才剛入學，它們的研究生涯才剛剛開始。