分子优化不再只靠经验总结：智能体边实验边改假说，五项任务平均AUC@10从0.250升到0.279
核心概要
科学原理现在可以由大语言模型在测试阶段边做实验边构造和修订，而不必只靠专家把观测一点点翻译成解释。此前做这一步需要大量领域知识、时间和人力，成为发现流程的瓶颈。Principia 把相关输入及其观测结果成对比较、写出因果假说，再按相似性聚类归纳出反复出现的原理，并用新观测修订假说、重建原理；在分子优化、蛋白序列工程、基因扰动与分子性质预测基准上，它优于依赖内部知识、经验摘要或外部检索的基线，分子优化五项任务平均 AUC@10 为 0.279，经验摘要基线为 0.250。
深度剖析
多轮候选优化的引导信号从一份对历次结果的文字总结，变成了一组会随新实验改写的因果解释。 此前的引导有三条来源：经验摘要式基线把发现的候选压成一份滚动更新的文本，网页检索基线提供通用科学文本，还有基线完全不给引导、只靠种群式的变异与交叉搜索。 五项分子优化任务（JNK3、GSK3、Median1、Median2、Valsartan SMARTS）的平均 AUC@10（前十名候选在有限评估预算内的累积进展）为 0.279，经验摘要基线 ExLLM 为 0.250，无引导的 MolLEO 为 0.222。
这些解释写成比较：两个相似输入与各自实验结果并排给出，模型要说明哪些结构或序列上的共同点与差异能解释结果的一致或分歧。 这类文本称为比较因果假说，按分子指纹、蛋白序列或基因嵌入的相似性聚类（把特征相近的输入归到同一组），模型再把组内反复出现的关系归纳成原理，随后用新观测修订用过的假说并据此重建原理。 在八个 TDC 分子性质预测任务上，训练数据按骨架划分后留出的测试分子从未进入知识构造，Principia 的平均准确率为 69.75，文字摘要基线为 63.26。
启示与展望
评测全部发生在计算机内的基准打分函数上：分子任务用 PMO 的评分函数作为实验 oracle（返回分子性质的打分程序），预算为 1000 次不同分子的评估；蛋白任务用 Potts 模型、预训练预测器或序列查表给出适应度；基因扰动用已记录的 CRISPR 筛选分数；性质预测用八个 TDC 任务，按骨架划分训练与测试，每类最多 200 个训练分子和 50 个测试分子。主实验主干为 GPT-5-mini 与 gpt-5.4-mini。作者把测试时的假说—原理构造视为推进基于 LLM 的科学发现的一个方向。
由有限观测形成的假说可能忽略与其他输入相关的因素，这一局限会传到由假说归纳出的原理上，因此原理需要随新观测反复修订。对原理的科学合理性只有定性说明：含环氧化物的芳基醚基元被归纳为致突变性的驱动因素，与既有关于此类环氧化合物致突变的研究一致。基因扰动的命中率指标不计初始种群，衡量的是对基准命中基因的召回。