迈向社会化人工智能驱动的科学发现新范式

arXiv AI 于 2026 年 8 月发布论文，提出 BLAZE 范式，将 AI 视为科学发现的组织基础设施，通过连接知识、推理、实验和人类判断，实现社会化的科学智能，以提升研究的可追溯性、可复现性和累积性。

科学发现面临组织知识的新挑战，BLAZE 将 AI 从单点工具升级为持续科研流程的组织层，可能改变科研协作方式，使发现过程更加可追溯、可复现和累积，为 AI for Science 领域提供新方向。

BLAZE 认为科学智能源于知识、假设、实验与集体验证的持续互动，而非单纯计算。它通过将人类与机器组织在共享科研流程中，实现碎片化活动向累积性过程的转变。

若 BLAZE 落地，科研平台和 AI 工具需要支持持续的知识管理、集体推理和实验闭环，可能增加对工作流编排、可追溯性记录和多人机协作功能的需求，产品设计需从单点自动化转向系统化组织。

• 研发支持持续知识库与实验链路追踪的科研协作平台，提供假设-实验-验证的闭环记录功能。
• 开发面向科研团队的 AI 编排工具，支持多智能体协作推理和人类审核节点。
• 为科研机构提供 BLAZE 范式的咨询和试点实施，优化现有数据管理流程。
• 构建可复现性检查和质量评估模块，嵌入现有科研软件，自动生成可追踪的科研记录。

• BLAZE 的具体系统架构和部署方式尚未在证据中详细说明。
• 是否存在实际应用案例或基准测试来验证其效果？
• 该范式如何与现有科研工具（如电子实验室笔记本、文献管理软件）集成？
• 对人类判断和责任分配的具体机制有哪些设计细节？