AI for Science：从算法突破到科研基础设施——四条线索下的可靠共识与待验证推断

不把 AI for Science 写成算法清单，而是沿着数据、模型、实验与制度四条线索，区分当前证据可直接支持的结论与亟待验证的推断。

AI for Science 的可靠共识既包含 AlphaFold 等具体成功，更指向数据就绪、混合建模、可解释性与实验验证共同构成的采用条件，自主发现仍处于存在性证明而非成熟能力。

研究坐标

• 理论与方法 · 物理信息机器学习与偏微分方程求解：用于判断 PINN 等混合建模在科学计算中的潜力和边界，是理解 AI 如何嵌入物理约束的直接入口。
• 理论与方法 · 科学序列建模与多模态生物化学语言：AlphaFold 等突破依赖蛋白质/分子序列表示，理解其数据需求和评估缺口需要这一视角。
• 数据与评价 · AI-ready 数据生态与开放科学机制：数据质量和可获得性被多篇论文识别为采用瓶颈，这一领域知识用于判断某项 AI 声称是否建立在可复用数据之上。
• 系统与工程 · 自主发现系统与闭环实验流程：识别代理科学的存在性证明与可推广能力，区分数字阶段成功和物理实验闭环。
• 应用领域 · 可解释性与实验验证标准：帮助判断 AI 输出是否具备科学结论资格，尤其是结构生物学等需要实验仲裁的领域。
• 数据与评价 · 因果发现与符号回归基准：提供方法选择的反面证据：算法表现高度依赖假设和超参数，不能仅凭单一基准判断优劣。

主题星云

cs.AI、理论与立场、cs.LG、科学大语言模型、物理信息神经网络、AI-ready 数据生态、代理科学、综述与文献回顾、实验结构生物学验证、时间序列因果发现、符号回归基准、AI 内存墙、AI for Science、实验验证、数据基础设施、核心共识、自主实验、领域综述

核心主张证据矩阵

本论文集中的机构显著度

按入选论文覆盖数和编辑重要性汇总；不代表全球机构排名。

机构元数据覆盖：5 / 19 篇论文。

• China Iron and Steel Research Institute Group：1 篇入选论文，集合显著度 3；代表论文：Unleashing the power of AI in science-key considerations for materials data preparation
• Shanghai Jiao Tong University：1 篇入选论文，集合显著度 3；代表论文：Unleashing the power of AI in science-key considerations for materials data preparation
• Shanghai University：1 篇入选论文，集合显著度 3；代表论文：Unleashing the power of AI in science-key considerations for materials data preparation
• Hangzhou Vocational and Technical College：1 篇入选论文，集合显著度 2；代表论文：Scientific Large Language Models: A Survey on Biological & Chemical Domains
• Illinois Institute of Technology：1 篇入选论文，集合显著度 2；代表论文：Physics-informed neural networks for PDE problems: a comprehensive review
• Oncode Institute：1 篇入选论文，集合显著度 2；代表论文：AI revolutions in biology
• Purdue University West Lafayette：1 篇入选论文，集合显著度 2；代表论文：Physics-informed neural networks for PDE problems: a comprehensive review
• Sun Yat-sen University：1 篇入选论文，集合显著度 2；代表论文：Physics-informed neural networks for PDE problems: a comprehensive review
• The Netherlands Cancer Institute：1 篇入选论文，集合显著度 2；代表论文：AI revolutions in biology
• University of Cambridge：1 篇入选论文，集合显著度 2；代表论文：Accelerating AI for science: open data science for science
• Yangtze River Delta Physics Research Center (China)：1 篇入选论文，集合显著度 2；代表论文：Scientific Large Language Models: A Survey on Biological & Chemical Domains
• Zhejiang Lab：1 篇入选论文，集合显著度 2；代表论文：Scientific Large Language Models: A Survey on Biological & Chemical Domains
• Zhejiang University：1 篇入选论文，集合显著度 2；代表论文：Scientific Large Language Models: A Survey on Biological & Chemical Domains

论文引用时间瀑布

仅显示由精确论文标识确认的集合内引用；缺少边不等于论文之间没有关系。

• Accelerating AI for science: open data science for science → 引用 → AI for Science: An Emerging Agenda
• Accelerating AI for science: open data science for science → 引用 → AI for Science: An Emerging Agenda

核心结论

算法突破之外，跨学科社区、数据治理和开放机制构成 AI for Science 落地的前置条件；只投模型开发难以跨越科学采用鸿沟。

Lawrence & Montgomery、Berens 等、AI+MPS 和 AI4OS 从不同入口汇聚到同一判断：前者把科学采用类比为技术扩散，指出 COVID-19 中英国 AI 几乎未进入实际响应；Berens 等将 AI for Science 定义为需要研究者的交汇点；AI+MPS 把社区、数据与教育列为三大支柱；AI4OS 要求把数据上下文和先验知识作为团队间传递的产证。差异在于制度落点：有的是国家层面资金与培训，有的是开放科学伦理；共同点是均未提供定量效果检验。

这意味着： 评价一个 AI for Science 项目时，应同时审计其数据可发现性、跨学科接口和社区能力建设，而不是只评估模型 benchmark。 证据边界： 证据来自立场论文、研讨会报告和形式化框架，暂无受控比较或干预研究；不同学科对开放共享的激励和风险结构不同，不能将材料科学或高能物理的共识直接套用到临床数据等强隐私领域。 证据： AI for Science: An Emerging Agenda、Accelerating AI for science: open data science for science、The Future of Artificial Intelligence and the Mathematical and Physical Sciences (AI+MPS)、AI for Open Science: A Multi-Agent Perspective for Ethically Translating Data to Knowledge

在材料与生物化学场景中，FAIR 原则是必要但不充分的数据底线；AI-ready 还要求针对任务检验数据充分性，数据规模与质量常先于模型架构成为性能瓶颈。

Lu 等以 AlphaFold 的约 10 万条序列-结构对和 A-Lab 的自动化合成说明大规模数据能带来质变；Sci-LLM 综述则指出预训练语料远小于通用 LLM，且多模态对齐数据稀缺。两者差异在于材料领域强调样本、数据集、利益相关者三层治理，生物化学领域强调多尺度和跨模态数据缺口；共同点是均把数据准备视为研究议程而非附属工程。

这意味着： 资源应优先投向标准化、充分性评估和社区数据共享，而不是在数据薄弱的任务上无限制扩大模型参数。 证据边界： 结论主要来自材料科学和生物/化学领域综述，未证明对所有自然科学成立；“充分性”目前没有可操作定量阈值，且 A-Lab 新颖性本身存在争议。 证据： Unleashing the power of AI in science-key considerations for materials data preparation、Scientific Large Language Models: A Survey on Biological & Chemical Domains

仅靠事后解释不足以把 AI 输出变成科学知识；可解释性必须与准确性、可复现性和可理解性共同构成门槛，并经实验或专家分歧裁决。

Mengaldo 提出 XAI for Science 框架，要求领域专家把机器视角与自身知识比较，在分歧处生成可检验解释；Perrakis/Sixma 通过 AlphaFold 的 CENP-E、Mad2 等具体误判说明高置信度不等于生物学真实；AI+MPS 把可解释性和科学反哺 AI 并列为制度方向。三者对可解释性作用的强调一致，但对人类介入的必要程度不同：Mengaldo 保留人类复杂推理优先，结构生物学案例把实验作为最终仲裁，AI+MPS 更关注方法可审计性。

这意味着： 科学论文中使用 AI 辅助发现时，应报告解释质量、再现实效和实验验证链，而不是仅展示预测分数；评审人应要求 ARU 类门槛或等价的实验证据。 证据边界： ARU 标准尚未在大规模实践中检验；AlphaFold 案例来自 2021 年版本，部分限制可能随版本改善；不适用于无法提供稳定可解释视角的纯黑箱模型。 证据： Explain the Black Box for the Sake of Science: the Scientific Method in the Era of Generative Artificial Intelligence、AI revolutions in biology、The Future of Artificial Intelligence and the Mathematical and Physical Sciences (AI+MPS)

AI for Science 正从单点预测模型转向多代理自主发现和闭环实验，但当前成功主要是数字环境或受控基准中的存在性证明，尚不能声称物理实验自动化已经成熟。

Agentic Science 综述以 The Virtual Lab、OriGene 等案例说明特定任务上已能闭环；MCI 在 10 个符号回归基准上降低误差并改善外推；BLAZE 展示了从假设到论文的证据链管理；进化智能框架强调保留失败候选。共同趋势是把科学工作流作为系统对象，但差异明显：MCI 只在数字基准上验证，BLAZE 明确止于 D0 数字阶段，Agentic 综述承认缺少失败率和复现统计，EI 路线图未给出运行系统。

这意味着： 不应把代理科学的宣传当作普适能力，投资和评估应区分数字阶段验证、受控实验和真实实验室闭环三个层级。 证据边界： 案例多为作者自选或系统自报，缺少跨系统的统一失败率和成本统计；闭环证据集中在数字策略或特定生物/化学任务，尚未推广到大规模物理实验。 证据： From AI for Science to Agentic Science: A Survey on Autonomous Scientific Discovery、Machine Collective Intelligence for Explainable Scientific Discovery、Towards a new paradigm of scientific discovery with socialized artificial intelligence、Evolutionary Intelligence for Scientific Discovery: From Evolutionary Computation to Cumulative Discovery Systems

PINNs 通过把 PDE 残差嵌入损失函数，在逆问题、数据稀缺和复杂几何等场景表现出作为数值求解器补充的潜力，但高维、可扩展性和可靠性仍是未解挑战。

这是单一 PINN 综述的整理：作者将架构、自适应采样、损失设计与特征嵌入组件化，并列出 DeepXDE 等五个框架；应用覆盖流体、固体、电磁和光学。它没有做过跨方法定量比较，也没有证明 PINN 可替代传统求解器。

这意味着： 科研工作者可将 PINN 视为在已知物理约束下减少数据需求的候选工具，但在关键工程决策前应进行与传统数值方法的受控对比。 证据边界： 性能数字多转引自原始文献，未统一复现；正面案例有选择偏差；高维非线性问题和缺少误差保证限制其部署可靠性。 证据： Physics-informed neural networks for PDE problems: a comprehensive review

生物与化学科学大语言模型已覆盖文本、分子、蛋白质、基因组和多模态五类，但缺少大学后水平基准，计算指标不能替代湿实验有效性。

该综述把科学语言统一为序列建模框架，指出 ProGen 等模型规模远小于通用 LLM，且生成任务的 validity/diversity 等指标只是湿实验的间接信号。这解释了为什么 Sci-LLM 的论文演示多、可验证工具少。

这意味着： 不要只凭公开基准分数选择科学 LLM；在选型和发表时，应明确报告是否经过湿实验或与实验数据库的独立验证。 证据边界： 仅覆盖生物/化学 Transformer 序列模型，排除图神经网络、扩散模型和数学语言；内容截止 2024 年中，模型更新可能改变部分结论。 证据： Scientific Large Language Models: A Survey on Biological & Chemical Domains

AlphaFold2 预测结构并不天然代表生物学真实构象；CENP-E 和 Mad2 等预测与实验不符，说明实验结构生物学仍负责判定功能相关的状态。

Perrakis 和 Sixma 用共进化与注意力机制解释 AlphaFold 的成功，同时用配体缺失、多聚体界面和构象状态问题展示其边界；血红蛋白案例说明模型学到的是统计接触而非能量最小化。该单一来源的证据直接支持“高置信度不等于正确”。

这意味着： 使用 AlphaFold 时，应把它作为假设生成器，实验设计应在预测结构之外增加构象验证或功能实验；资助机构不宜削减实验结构生物学投入。 证据边界： 案例来自 2021 年版本，未经系统抽样，无法量化错误率；后续版本可能改善多聚体和配体处理，但“缺少能量与动态状态、需要实验仲裁”的逻辑边界可能仍然存在。 证据： AI revolutions in biology

时间序列因果发现方法的性能对因果充分性、线性和无瞬时效应等假设高度敏感，且超参数选择（如 PCMCI 的 p 值阈值）能造成与假设违反相当的 F1 变化。

该基准用可参数化的生成过程合成 200 个 SCM，观察到潜变量使 F1 和 SHD 方向不一致，非线性对线性方法打击最大，瞬时效应导致 Granger 漏报滞后 0 边、PCMCI 产生伴随假阳性。这提醒使用者不能默认某方法在所有时间序列上稳健。

这意味着： 在应用时间序列因果发现前，应先用类似生成框架检查假设符合度并扫描超参数；结果解释必须同时报告 F1 与 SHD，不能仅凭单一指标。 证据边界： 实验仅覆盖 1000 样本、加性同方差噪声和静态因果图；非线性仅限单调和周期函数；PCMCI 固定 Pearson 检验，无法区分方法缺陷与检验选择。 证据： Data Generating Process to Evaluate Causal Discovery Techniques for Time Series Data

当前研究版图

现有研究主要从哪些问题入口展开？

现有研究主要从四类问题入口展开：一是评估与基准问题，SRBench 更新显示没有任何单一符号回归算法在所有数据集上全面领先，且高复杂度模型可能只是拟合噪声，能耗与超参数搜索空间对排名有实质影响；二是训练基础设施问题，科学 Transformer 模型受 AI 内存墙制约，现有通用内存优化技术未充分应用于科学架构，需要针对 Evoformer、SE(3)-Transformer 等定制优化；三是领域扩展与效度问题，社会科学中 LLM 作为工具在速度、成本、可重复性上占优，但在效度、数值分析和机制解释方面较弱，尚不能替代社会科学家；四是发现过程的累积机制问题，演化智能主张累积科学发现的关键不仅在于候选解优化，还在于保留搜索历史和失败候选作为科学证据。

证据类型：跨论文综合 · 证据：Call for Action: towards the next generation of symbolic regression benchmark、A Survey on Memory-Efficient Transformer-Based Model Training in AI for Science、AI for social science and social science of AI: A Survey、Evolutionary Intelligence for Scientific Discovery: From Evolutionary Computation to Cumulative Discovery Systems

对比两个分支可见问题入口的差异：基准分支以“哪个方法更好”为问题，却得出没有单一算法全面领先的结论，并指出某些高复杂度模型的高 R² 可能只是拟合噪声；内存分支则以“模型能否跑起来”为问题，指出科学 Transformer 的训练受参数增长超过加速器内存容量限制，通用内存优化技术未充分定制，AlphaFold2 的序列维动态并行是针对性优化案例。前者在算法层面揭示性能评价的场景依赖性，后者在系统层面指出扩展瓶颈，二者分别对应评价与训练两个不同阶段，共同说明研究版图不是单一算法竞赛，而是由评测、计算、数据等多重基础设施共同决定。

证据类型：跨论文综合 · 证据：Call for Action: towards the next generation of symbolic regression benchmark、A Survey on Memory-Efficient Transformer-Based Model Training in AI for Science

在社会科学分支，arxiv:2401.11839 的综述明确列出 LLM 相比传统方法在速度、成本、不可重复性、可扩展性等维度更优，但在效度和数值分析上更差；演化智能框架（arxiv:2607.09025）则从逻辑上论证失败候选和谱系记录可以转化为科学证据，但没有提供实证系统。这些证据形态本身反映了版图的不平衡：基准和工具类工作能提供可量化结果，而领域扩展和累积机制仍处于框架或警示阶段。

证据类型：论文直接发现 · 证据：AI for social science and social science of AI: A Survey、Evolutionary Intelligence for Scientific Discovery: From Evolutionary Computation to Cumulative Discovery Systems

理解研究版图后，读者不应把 AI for Science 看成单一方法竞争，而应看到四类问题之间的依赖：评估基准影响方法选择，训练基础设施限制模型规模，领域扩展要求重新定义效度，累积机制决定长期科研效率。未来工作若要推进，需要在至少一个入口给出可操作的验证标准。

证据类型：有边界的编辑判断 · 证据：Call for Action: towards the next generation of symbolic regression benchmark、A Survey on Memory-Efficient Transformer-Based Model Training in AI for Science、AI for social science and social science of AI: A Survey、Evolutionary Intelligence for Scientific Discovery: From Evolutionary Computation to Cumulative Discovery Systems

这些结论能相信到什么程度

当前证据没有回答什么？

当前证据没有回答：数据充分性所需的最小规模与质量阈值；PINNs 在高维、非线性和可靠性上的失败率与可扩展边界；AlphaFold2 高置信预测的错误比例及随版本更新的变化；时间序列因果发现方法在更大样本、异方差或时变图下的表现；符号回归能耗的实测值及算法差异的统计显著性。这些空白使多数结论只能作为方向性判断，而非可操作规范。

证据类型：有边界的编辑判断 · 证据：Unleashing the power of AI in science-key considerations for materials data preparation、Physics-informed neural networks for PDE problems: a comprehensive review、AI revolutions in biology、Data Generating Process to Evaluate Causal Discovery Techniques for Time Series Data、Call for Action: towards the next generation of symbolic regression benchmark

对比材料科学与生物/化学两条线索：openalex:W4402901051 强调材料数据不足和 FAIR 不够，但未给出充分性定量标准；openalex:W4406828533 强调科学 LLM 评估滞后，但仅覆盖 Transformer 且内容已部分过时。两者共同指向支撑层缺口，却分别受限于领域和模型范围，不能合并为跨领域结论。

证据类型：跨论文综合 · 证据：Unleashing the power of AI in science-key considerations for materials data preparation、Scientific Large Language Models: A Survey on Biological & Chemical Domains

openalex:W3205208140 记录了两个具体不符案例：CENP-E 的卷曲螺旋被预测为球状蛋白，而电镜显示为延伸结构；Mad2 被预测为结合态而非游离态。这是 AlphaFold2 高置信预测可能生物学错误的直接证据。此外，arxiv:2104.08043 的基准只使用了 1000 样本、加性同方差噪声和静态因果图，因此不能外推到所有真实时间序列场景。

证据类型：论文直接发现 · 证据：AI revolutions in biology、Data Generating Process to Evaluate Causal Discovery Techniques for Time Series Data

需要区分两类未知：一类是尚未测量但原则上可测量（例如更大规模的基准、更全面的能耗统计）；另一类是当前方法可能本质上无法回答（例如缺乏统一因果模型时，任何因果发现方法的性能上限）。前一类可通过后续实验解决，后一类需要新的理论框架。现有证据不足以支持任何“AI 已普遍取代人类科学家”的强主张。

证据类型：有边界的编辑判断 · 证据：Accelerating AI for science: open data science for science、Physics-informed neural networks for PDE problems: a comprehensive review、Scientific Large Language Models: A Survey on Biological & Chemical Domains、From AI for Science to Agentic Science: A Survey on Autonomous Scientific Discovery、The Future of Artificial Intelligence and the Mathematical and Physical Sciences (AI+MPS)、AI revolutions in biology、AI for Science: An Emerging Agenda、Machine Collective Intelligence for Explainable Scientific Discovery、Evolutionary Intelligence for Scientific Discovery: From Evolutionary Computation to Cumulative Discovery Systems、AI for Open Science: A Multi-Agent Perspective for Ethically Translating Data to Knowledge、Explain the Black Box for the Sake of Science: the Scientific Method in the Era of Generative Artificial Intelligence、AI for social science and social science of AI: A Survey、A Survey on Memory-Efficient Transformer-Based Model Training in AI for Science、Towards a new paradigm of scientific discovery with socialized artificial intelligence、Unleashing the power of AI in science-key considerations for materials data preparation、Call for Action: towards the next generation of symbolic regression benchmark、Data Generating Process to Evaluate Causal Discovery Techniques for Time Series Data

摘要级辅助线索

以下内容仅用于扩展研究版图，未核验全文，不能单独支撑强结论。

A survey of generative AI for <i>de novo</i> drug design: new frontiers in molecule and protein generation

直接相关，是AI for Science在药物发现领域的代表性综述，提供了领域分支、核心方法和代表性证据。

Artificial Intelligence for Retrosynthesis Prediction

直接相关，逆合成预测是AI for Chemistry的核心分支，综述提供了方法和进展的可靠综合。

The emergence of large language models as tools in literature reviews: a large language model-assisted systematic review

直接相关，展示了LLM作为AI工具在科学文献综述中的应用，是AI for Science的重要分支。

Artificial Intelligence and Sustainability—A Review

直接相关，AI for Sustainability是AI for Science的重要分支，提供了系统分类和趋势。

Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration

直接相关，为AI for Science在天体物理和宇宙学中的应用提供了分支和代表性证据。

The FAIR Guiding Principles for scientific data management and stewardship

间接相关，FAIR原则为AI for Science的数据基础设施和机器可读性提供基础，具有上下文价值。

Artificial Intelligence and Generative Models for Materials Discovery -- A Review

直接相关，AI for Materials Discovery是AI for Science的重要分支，提供了核心方法和挑战。

Assessing the current landscape of AI and sustainability literature: identifying key trends, addressing gaps and challenges

直接相关，AI for Sustainability是AI for Science的分支，提供了趋势和差距分析。

Artificial Intelligence for Drug Discovery: Are We There Yet?

直接相关，该综述提供了AI在药物发现这一AI for Science主要分支中的核心结论和代表性临床证据，有助于理解该领域的可信结论。

Artificial intelligence in drug discovery: A comprehensive review with a case study on hyperuricemia, gout arthritis, and hyperuricemic nephropathy

直接相关，该综述提供了药物发现这一核心分支在各个阶段的详细证据和案例，支持AI for Science领域全景中的代表性证据。

Checklist for Artificial Intelligence in Medical Imaging (CLAIM): 2024 Update

属于AI for Science在医学影像这一具体应用分支的标准化工作，提供了该领域报告规范的代表性证据，但对领域全景的核心共识贡献有限。

A Survey of the Potential Long-term Impacts of AI

直接相关，该综述专门论述了AI对科学的长期影响，是AI for Science领域全景中关于核心共识和未来研究重点的重要文献。

Brain-Inspired Computing: A Systematic Survey and Future Trends

属于AI for Science中AI技术演进的相关分支，其目标是实现更通用的AI，对科学研究有间接但重要的支撑作用，但缺乏直接科学应用结论。

Exploring the Impact of Artificial Intelligence in Teaching and Learning of Science: A Systematic Review of Empirical Research

该综述涉及AI在科学教育中的应用，属于AI for Science的外围分支，与领域研究核心结论关系较弱，但提供了教育应用这一维度的证据。

A review of some techniques for inclusion of domain-knowledge into deep neural networks

直接相关，该综述聚焦AI for Science中知识融合这一核心主题，提供了将先验科学知识与深度学习结合的技术路径和代表性证据。

Where Is the Artificial Intelligence Applied in Dentistry? Systematic Review and Literature Analysis

Systematic review of AI in dentistry, quantifying publication trends and mapping subfields; robust evidence but domain-specific, moderately representative of AI for science.

Artificial Intelligence in Concrete Materials: A Scientometric View

Scientometric review of AI in concrete materials offers a quantified panorama and research trends for a key branch, aligning with the request for domain panoramas.

Artificial Intelligence for COVID-19: Rapid Review

Rapid review of AI applications for COVID-19. Offers representative evidence in a specific branch (pandemic response) and identifies limitations, but lacks broad synthesis across AI for Science. Useful for crisis-related AI deployment.

A Survey on Graph Diffusion Models: Generative AI in Science for Molecule, Protein and Material

Survey of graph diffusion models for molecule/protein/material generation; directly relevant, synthesizes evidence for a major AI4Science branch.

ChatGPT: The transformative influence of generative AI on science and healthcare

Expert perspective on LLMs in science and healthcare; highlights opportunities/risks but is editorial, not synthetic survey.

Expert-Guided LLM Reasoning for Battery Discovery: From AI-Driven Hypothesis to Synthesis and Characterization

Demonstrates a complete AI-driven materials discovery cycle, serving as representative evidence for one branch, but does not synthesize core conclusions across the field.

Mapping the Landscape of Artificial Intelligence Applications against COVID-19

提供AI在科学（疫情应对）领域的全景式应用图谱，展示了研究分支和证据，直接支撑对AI for Science领域分支的理解。

Drug discovery with explainable artificial intelligence

展示了AI在药物发现这一分支的核心挑战（可解释性），代表了AI for Science中关于模型可理解性的重要讨论。

A Literature Review on Ethics for AI in Biomedical Research and Biobanking

涉及AI for Science中的伦理分支，提供了生物医学研究中AI伦理的法规、指南和工具概览，但更侧重于伦理框架而非科学结论本身。

Using Artificial Intelligence to aid Scientific Discovery of Climate Tipping Points

作为AI助力科学发现（气候临界点预测）的具体实例，展示了混合AI在复杂地球系统建模中的价值，是AI for Science的一个应用分支。

LLM-Based Data Science Agents: A Survey of Capabilities, Challenges, and Future Directions

探讨了AI在自动化数据科学工作流中的应用，这与AI for Science中数据密集型和模型构建环节相关，但更偏向通用数据科学而非特定科学发现。

Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI Extension

为AI在医疗健康领域的临床试验提供标准化报告指南，是AI for Science中确保科学质量与透明性的关键支撑，但属于临床评估分支。

编辑范围说明

• method_evolution：未在规划阶段确认足够清晰的问题—方法—代价演进链。
• system_layers：未在规划阶段确认稳定的系统层级关系。

论文库