Ai2 在 Asta 推出 Theorizer,從研究文獻提出科學假說並開源程式碼
Ai2 在 Asta 平臺釋出 Theorizer 科研理論生成AI 助理並開原始碼
研究者遇到無法解釋的觀察時,往往要從大量論文中找線索。
- Ai2 在科研平臺 Asta 推出 Theorizer,會依問題搜尋已發表研究,把不同論文的發現整理成可能的解釋,並將每項說法連到相關論文,讓研究者檢視證據、判斷下一步要查什麼。
- 程式碼也已開源。文中案例包括用它提出肺癌生長的可能原因,以及追查秘魯氣候資料中不合理的高露點值。Theorizer 可能漏掉相關研究,也可能誤判某個想法是否早已有人提出,因此研究者仍須核對文獻並驗證假說。
AI 伴隨問答
針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:
癌症、神經科學與氣候資料案例呈現 Theorizer 如何把文獻線索轉成可檢驗的假說,也交代它可能漏掉研究或誤判原創性。
Ai2 / Allen Institute for AI·2026-11-19 16:00· 9 小時前精選AI 評分61
Theorizer comes to Asta
AI 導讀
Ai2 於 11 月 19 日在科研AI 助理平臺 Asta 中上線 Theorizer,該AI 助理檢索文獻併為無法解釋的觀測提出候選理論,所有論斷均連結到支援文獻,程式碼同步開源;通過網頁介面使用時 Ai2 在限額內承擔 token 費用,也可在本地執行開源庫自行付費。
推薦理由
原文通過癌症、神經科學和氣候資料三個案例展示工具的實際用法,並明確其會漏檢文獻和誤判原創性的侷限,可幫助讀者評估適用場景。

Providence Swedish Cancer Institute 胸部腫瘤臨床與研究專案醫學主任 Sid Devarakonda 博士研究肺癌為何發生、為何產生耐藥。他的研究很大一部分是分析腫瘤的 DNA 和 RNA,以探究臨床中觀察到的現象。比如,患者對某種治療出現了意料之外的反應,這就可以成為一個問題,到資料中去尋找答案。
Devarakonda 與我們 Asta 團隊合作,開始測試 Theorizer——一個 AI 助理,它把科學論文中的發現綜合起來,為腫瘤不明原因生長這類觀察提出解釋。Devarakonda 審閱它給出的第一批理論時,認出了自己多年研究形成的想法。他回憶說,第二天他心想:“等等,這正是我的想法。而我花了 15 年才想到這一步。”
今天,我們在 Asta 中推出 Theorizer。Asta 是我們面向科學研究的 AI 助理平臺,同時我們開源了程式碼,研究者可以檢視它如何生成理論,並把方法調整後用於自己的工作。通過 Asta 的網頁介面使用,我們承擔一定額度內的 token 費用;更願意在自己的機器上執行的人,可以使用我們的開源庫,按需支付 token 費用。
Theorizer 會把提出的每條解釋與已發表研究中的證據關聯起來,並說明這些解釋可能適用於哪些情況。近一年來,科學家們一直在自己的研究中檢驗它提出的理論,幫助我們開發這個工具。
為了更詳細地介紹 Theorizer,Ai2 將於太平洋時間 12 月 10 日(週四)上午 10 點為科學家舉辦一場網路研討會。點此註冊,瞭解 AI 如何藉助 Theorizer 把研究發現連線成新理論,觀看一個來自癌症研究的真實案例,並探討 AI 要可靠地參與科學過程還需要哪些條件。
研究肺癌
Devarakonda 用 Theorizer 研究“驅動基因陰性”肺腺癌,這是肺癌中最常見的亞型。大多數肺腺癌帶有若干種基因改變之一,這些改變會啟用 RAS 通路——一條促進細胞生長的訊號鏈。但在約 20% 到 30% 的病例中,即使做了全面測序,也找不到已知的驅動基因改變。為了弄清是什麼讓這些細胞不斷增殖,Devarakonda 問 Theorizer:“這些腫瘤裡發生了什麼?”
Theorizer 會針對使用者的問題檢索研究文獻,然後生成一個模板,規定從每篇論文中提取哪些內容。對於肺癌如何生長這類問題,模板可能包括:一項研究考察了哪些基因、研究者如何測量這些基因的活性,以及研究者改變這些基因後發生了什麼。Theorizer 比較提取出的發現來生成理論,並把論點與背後的論文關聯起來。研究者可以檢視所引用的研究,評估某個理論得到的支援,以及這些研究考察的條件是否可比。該工具還會標出它認為屬於新提出的論點,但檢索可能漏掉更早的工作,模型也可能誤判原創性;研究者仍需對照更廣泛的文獻核實某個論點。
經過多輪迭代,Theorizer 幫助 Devarakonda 提出了三種假說,解釋肺腺癌腫瘤在沒有已知驅動基因的情況下如何生長。第一種是某個未被檢測到的基因改變激活了 RAS 訊號通路;第二種是另一種機制讓細胞不依賴 RAS 也能分裂;第三種是部分腫瘤獲得了其他細胞型別的特徵,不再表現出典型肺腺癌的行為。Theorizer 幫助他那個關於腫瘤不明原因生長的寬泛問題,轉化為可以在分子資料中逐一檢驗的具體假說。

Devarakonda 和 Asta 團隊用 AutoDiscovery 驗證這些理論。這個工具能編寫並執行程式碼,用資料集檢驗假說。Devarakonda 利用癌症基因組圖譜(一個公開的腫瘤分子資料集合),比較有已知驅動基因和無已知驅動基因的癌症在基因改變、基因活性和蛋白質測量上的差異。他還分析了實驗室培養的癌細胞資料,找出生長或存活所必需的基因。
AutoDiscovery 提出,DREAM 複合體的紊亂可能有助於解釋這些腫瘤的生長。DREAM 複合體是一組通常抑制細胞分裂的蛋白質。Devarakonda 起初並沒有關注這一機制。他與 Asta 團隊合作,比較了 RAS 活性與該複合體通常調控的基因的開啟強度。
利用實驗室培養的癌細胞資料開展的後續工作,為 Devarakonda 的假說提供了初步支援:一些 RAS 活性較低的癌症可能依賴 CDK2,這是一種參與細胞分裂的蛋白質。如果這些細胞確實依賴 CDK2,那麼阻斷該蛋白或許能減緩或阻止其生長。
這些發現仍需實驗驗證,但 Devarakonda 的長期目標是找出可在臨床試驗中檢驗的思路。他把使用 Theorizer 這類工具比作穿鋼鐵俠的戰衣:“戰衣很棒,但裡面還得有人,因為關鍵在於分配資源、理解正在做的事。”
研究腦細胞功能
Allen 研究所副研究員 Jérôme Lecoq 開發神經記錄方法,用於研究小鼠的腦活動。他參與 OpenScope 專案,這是一個共享實驗平臺,研究人員通過它向 Allen 研究所提出神經科學研究方案,由研究所負責實施,所得資料集向全球研究人員公開共享。
Lecoq 在 VIP 中間神經元上評估了 Theorizer 的早期版本。VIP 中間神經元是抑制其他神經元活動的一類腦細胞,其目標包括通常抑制周圍迴路活動的抑制性細胞;抑制這些細胞,可以讓附近的神經元反應更強。

Theorizer 返回了 50 個關於 VIP 中間神經元的候選理論,而 Lecoq 原本預計只有一兩個。
Theorizer 提出的一種理論認為,VIP 中間神經元會根據動物當前關注的物件,幫助調節大腦對視覺輸入的反應強度。這一核心觀點此前已在文獻中出現過,但 Theorizer 把計算工作與實驗結果聯絡起來,其論述與 Lecoq 本人對這些細胞作用的看法一致。
其價值在於把不同線索的證據匯聚到一起,讓 Lecoq 得到一個基於文獻的解釋,並能拿它對照自己對這類細胞的理解。
與 Lecoq 共同開發 Theorizer,讓 Asta 團隊能夠依據神經科學的證據和標準來審查這個工具提出的理論。他要求實驗測量結果便於檢視,並且理論主張要保留實驗開展時的條件。
“在生物學中提出一個理論時,你得極其小心地措辭,”Lecoq 說,“比如你會說,在這個情境下、在這種特定行為中,我們認為這是對的,但在其他行為中可能完全相反。”
秘魯氣候資料中的異常
在秘魯的國際馬鈴薯中心(CIP),資料科學家兼統計專家 Piero Palacios 開發工具,幫助研究人員分析複雜資料集。CIP 的系統與資料管理官員 Henry Juarez 從事農業資料工作,並研究本土馬鈴薯品種的保護。
Palacios 和 Juarez 希望延長 PISCO 中的露點記錄。PISCO 是一個利用氣象站觀測資料估算秘魯各地氣候狀況的資料集。更長的記錄可以為農業模型補上缺失的輸入,包括用來估算作物需水量的模型。
PISCO 的露點記錄止於 2016 年,而最低氣溫記錄延續到 2020 年。Palacios 和 Juarez 利用重疊的歷史資料估算缺失四年的露點,但一些重建值超過 35°C——對受影響地區來說,這樣的日露點高得不合常理——而且集中在 11 月。

Palacios 和 Juarez 用 Theorizer 為 11 月異常偏高的露點生成可能的解釋。其中一種解釋是,隨著亞馬遜地區從乾燥轉為溼潤,溼度上升。用他們的資料檢驗這一季節性解釋後,研究區域被排除在外,但這促使 Palacios 和 Juarez 去調查原始氣候記錄是如何構建的。
“桌面上有一個具體、可證偽的機制,正是推動我們按與歷史記錄中氣象站的距離來測量 11 月峰值的原因,”Palacios 和 Juarez 說,“在異常只是無法解釋的時候,我們本來沒有特別理由做這項分析,而正是這項分析得出了真正的答案。”
Palacios 和 Juarez 把這些不合常理的值追溯到原始資料集估算遠離氣象站地區狀況的方式。我們的研究文獻搜尋工具 Asta Paper Finder 也找到了記錄類似問題的已發表研究。Palacios 和 Juarez 正在尋找獨立的氣象站觀測資料來驗證他們的重建結果;源記錄本身在 11 月的峰值仍是一個未解問題。
在這裡,Theorizer 的貢獻是給出了一種可檢驗的解釋,引導研究者去做一項他們原本沒想到的分析。儘管這個解釋是錯的,但檢驗它幫助他們追溯到了那些不合理數值的源頭。

更多內容見 Palacios 與 Juarez 的論文:“秘魯露點記錄缺失的四年:一個 AI 假設錯在哪裡,以及為何這很重要”。
一個世紀的馬鈴薯多樣性
Vilma Hualla 是 CIP 的資料管理專家,研究安第斯地區原生馬鈴薯品種的多樣性。她和同事正在梳理秘魯庫斯科大區 Paucartambo 地區跨越一個世紀的歷史記錄和家庭調查。
Hualla 用 AutoDiscovery 比較了六個時期記錄的品種。在大多數時期更替中,進入記錄的品種多於消失的品種,但 1941–60 年到 1961–80 年的過渡是個例外:從記錄中消失的品種多於首次出現的品種。
“我覺得這會讓我們多想一想那個時期發生了什麼,並去找更多資料來幫助我們描述它,分析它是否對其他所有時期都產生了影響,”Hualla 用西班牙語說道。
隨後,Hualla 用 Theorizer 為記錄品種的減少生成解釋,藉助相關文獻,並審視哪些假設值得繼續追、哪些應當放棄。在報告草稿中,Hualla 和同事把秘魯 1969 年的土地改革以及隨之轉向商業化生產,列為原生品種減少的一個可能原因。他們也考慮歷史資料來源的差異是否可能造成記錄中品種的表面流失。
Theorizer 幫助 Hualla 從識別出一個模式,走向思考它的解釋,在原因仍未明確的情況下為團隊指明瞭進一步研究的方向。
Hualla 和同事的報告還描述了農民如何通過社群內部及社群之間的種子交換獲得品種,並提醒說,保護專案如果忽視維繫當地作物多樣性的這些網路,可能會擾亂這些交換。
更多分析見該團隊的白皮書:“殖民化、瓶頸與海拔:AI 在安第斯一個世紀原生馬鈴薯記錄中的發現”。
在 Asta 中試用 Theorizer
在你最難的研究問題上試用 Theorizer:一個卡住你的問題、一個你還無法解釋的結果、資料中一個意外的模式,或一個與文獻相矛盾的發現。它會藉助已發表的研究提出解釋,並把其論斷與支援性論文關聯起來。
Theorizer 可能漏掉相關研究,也可能誤判原創性。一個在它所分析的論文中顯得新穎的理論,可能早已存在於其他文獻中。研究者仍需審視證據,判斷哪些想法值得檢驗。
我們想了解你在研究中卡住的問題,這些問題會指引我們下一步做什麼。多位科學家告訴我們,他們最有力的證據存在於內部報告或其他無法傳送給商業 AI 實驗室的來源中。這也是我們開始釋出面向特定科學任務的小型開放權重模型的原因之一,例如 AstaBrief,它能撰寫帶引用的報告,並且可以在你自己的伺服器上執行。
不妨用你自己研究中的一個問題,在 Asta 裡試試 Theorizer。瀏覽程式碼,瞭解並調整這些方法;或者閱讀我們的技術論文,瞭解它的工作原理。
訂閱以每月獲取 Ai2 最新動態。
來源:Ai2 / Allen Institute for AI · allenai.org