ERA：AI 科学家正式上岗？通过 LLM 进化实现专家级科学研究助理

TL;DR

长期以来，编写高性能的科学软件（如单细胞分析工具或疫情预测模型）被认为是科学家的专属。由 Google DeepMind、Google Research、哈佛大学等机构联合发表的最新工作 ERA (Empirical Research Assistance) 打破了这一偏见。ERA 是一个结合了 LLM 语义变异与树搜索 (Tree Search) 的系统，它不仅能写代码，还能阅读论文、吸收科研灵感并进行“思想杂交”。

在实际测试中，ERA 开发的软件在六大科学领域均达到了专家水平，甚至在单细胞测序集成等任务上刷新了人类数年研发积累的 SOTA 记录。

痛点深挖：为什么“写代码”成了科学发现的瓶颈？

传统的科学计算软件开发遵循“假设-实现-测试”的闭环。然而：

1. 搜索受限：科学家往往由于时间精力有限，只测试几种直觉上的方案。
2. 变异低效：传统的遗传编程（GP）依赖随机的代码变异，大多产生的都是无法运行的“垃圾代码”。
3. 知识孤岛：由于领域壁垒，一个领域的优化技巧（如控制理论中的平滑）很难被迅速交叉应用到流行病学预测中。

ERA 的出现，旨在将这些耗时数月的“试错”过程缩短到几小时。

核心架构：LLM + 树搜索 (Methodology)

ERA 的核心逻辑在于将软件编写视为一个 Scorable Task（可评分任务）。

1. 语义代码变异

与传统 GP 的随机增删改不同，ERA 使用 Gemini 2.5 Flash 作为变异算子。给它一段现有的代码和当前的测试分数，LLM 能够根据逻辑进行“有意义”的改进，例如更换一个正则化项或引入一种新的数据预处理手段。

2. PUCT 树搜索

为了避免陷入局部最优，ERA 采用了改进的 PUCT (Predictor + Upper Confidence bound applied to Trees) 算法。它在探索（Explore）和利用（Exploit）之间通过公式 (1) 平衡： ${\mathrm{PUCT}}_i=r_i+c_{\mathrm{puct}}\cdot E(i)$ 这使得系统在发现一个有潜力的方向（如某种特定的归一化方法）时能深入挖掘，同时还能保留回溯到其他分支的权利。

3. 核心机制：研究思想的“重组” (Recombination)

这是 ERA 最具“科研属性”的地方。它能接受来自外部论文的 PDF 摘要。比如，ERA 可以同时阅读关于 ComBat 方法和 BBKNN 方法的论文，并被指令执行：“融合这两种方法的优点”。事实上，最终多项任务的突破都源自这种 LLM 自发的“算法杂交”。

图 1: ERA 算法流程：输入问题与科研灵感 -> LLM 采样代码 -> 沙盒运行评分 -> 树搜索更新优选。

实验战绩：多领域的全面碾压

单细胞基因组学 (Genomics)

在单细胞 RNA 测序（scRNA-seq）集成任务中，ERA 基于科研思想重组得到的 BBKNN (TS) 方法，通过在 ComBat 矫正后的 PCA 空间内构建批次感知邻居图，比原始发表的最强算法还要高出 14%。 图 2: ERA 生成的方法（蓝色）在多数指标上优于原始发表的基准方法（红色线）。

流行病预测 (Epidemiology)

在 COVID-19 住院人数预测任务中，ERA 的 Google Retrospective 模型直接超过了由 CDC 协调的、代表人类最高水平的 CovidHub Ensemble 集成模型。它发现：将经典的统计自回归模型与基于流行病学机理的模型进行“杂交”，预测精度（WIS 分数）最高。

时间序列基准 (GIFT-Eval)

在包含 28 个数据集的通用时间序列预测基准中，ERA 脱离所有沉重的深度学习框架，仅使用 Base Python 库就 hill-climbing 出了一套“分步式衰减组合库”，甚至击败了许多预训练的大型基础时间序列模型。

图 3: 时间序列预测任务中的突破图 (Breakthrough Plot)，显示了代码变异带来的性能跃迁，例如引入季节性项和趋势平滑带来的分数骤增。

深度洞察与总结 (Critical Analysis)

为什么 ERA 有效？

ERA 的成功不只是因为 LLM 能写代码，更在于 Search-time Compute（推理时计算） 的规模效应。人类科学家可能尝试 5-10 个想法，而 ERA 可以在几天内尝试 1000-2000 个细微变异。在高维复杂的参数空间和算法空间中，ERA 能够识别出那些“大海捞针”般的协同优化策略。

局限性与挑战

1. 评分依赖性：ERA 只能处理“可量化（Scorable）”的任务。如果科学问题无法给出明确的客观打分函数，搜索便失去了指南针。
2. 计算资源：相比单词生成的单次调用，大规模树搜索需要昂贵的沙盒运行资源。

未来展望

ERA 的推出象征着 AI 对科学的贡献正在从“辅助润色论文”转向“实质性实验设计”。正如 AlphaGo 改变了围棋逻辑，ERA 及其代表的 LLM+Search 范式，正在把科学软件的迭代周期从“以年计”缩减为“以天计”。当 AI 开始学会从论文中提取灵魂并重组出超越人类的工具时，真正的“AI 高级助理”时代才算正式开启。

Takeaway: 如果你的科研流程中存在一个能清晰打分的测试环节，那么请做好准备，AI 的解决方案可能很快就会超过你的最优模型。