導讀：一套 AI 系統從發想、寫程式、跑實驗到撰寫完整論文，花不到 15 美元，還騙過了人類審稿者。這不是科幻片劇本，是剛登上 Nature 的研究。
一杯咖啡的價錢，一篇完整的研究論文
想像你走進星巴克，點了一杯拿鐵。結帳的同時，一台電腦已經完成了一整套學術研究流程：構思點子、搜尋文獻、寫程式跑實驗、畫圖分析數據、撰寫論文，最後還自己審查了一遍。
你咖啡還沒喝完，它已經把論文投出去了。
這不是誇張。2026 年 3 月發表在 Nature 的研究，由 Sakana AI、牛津大學與 UBC 的團隊打造了一個叫 The AI Scientist 的系統。它生產一篇論文的成本：不到 15 美元。而且——三篇 AI 寫的論文被送去 ICLR（機器學習領域最頂尖的學術會議之一）的工作坊，有一篇拿到了平均 6.33 分，高於錄取門檻，順利通過同儕審查 (Lu et al., 2026)。
審稿者不知道那篇論文是 AI 寫的。
它到底怎麼做研究的？
你可能覺得 AI 寫論文就是把 ChatGPT 的輸出貼到 Word 裡。差遠了。The AI Scientist 是一條完整的生產線，分成四個階段：
第一站：靈感工廠。 系統被設定為一個「有抱負的 AI 博士生」，它會反覆產出新的研究方向，每個點子包含標題、假說、實驗計畫，還有自評的新穎度和可行性分數（1 到 10 分）。怕撞題？它會自動連上 Semantic Scholar 學術資料庫，過濾掉跟現有文獻太像的想法。
第二站：實驗室。 選定方向後，系統用 AI 程式助手 Aider 寫實驗程式碼、跑模型、調參數。程式跑出 bug？它會讀錯誤訊息、自動修正，最多重試四次。在進階的「無模板模式」裡，它甚至會長出一棵搜尋樹——同時跑幾十條平行實驗路線，像真正的研究團隊分頭探索。
第三站：寫作間。 實驗做完，系統分析數據、產生圖表，然後把結果填入標準的 LaTeX 學術論文模板。它會搜尋 20 輪相關文獻、替每筆引用寫理由，論文經過多輪自動潤稿和格式修正才定稿。
第四站：審查室。 最後，系統自己扮演審稿者。它組成五人虛擬審查委員會，各自打分、列出優缺點，再由一個「主編」彙整出最終決議——接受或拒絕。
機器審稿，跟人類一樣準？
這裡有個數字你得記住：0.66。
這是人類審稿者在 NeurIPS（另一個頂級 AI 學術會議）的「平衡準確率」——也就是判斷一篇論文該接受還是拒絕的一致性。The AI Scientist 的自動審查系統？0.69。統計上沒有顯著差異。
更有趣的是，研究團隊故意拿 2025 年之後的論文來測試（這些論文不可能出現在 AI 的訓練資料裡），準確率仍維持在 0.66，跟人類旗鼓相當。
而且，論文品質會隨著底層 AI 模型的進步而提升。從 2023 年到 2025 年，隨著 GPT 和 Claude 模型的迭代，AI 產出的論文評分穩定上升（R² = 0.517，P < 0.00001）。研究者說得很直白：未來的模型更強，論文就更好。這條線還在往上爬。
所以，科學家要失業了嗎？
先別慌。
三篇送審的論文裡，只有一篇通過。那個工作坊的錄取率是 70%，而 ICLR 主會議的錄取率只有 32%。研究團隊自己坦承：AI 產出的論文離真正的頂級會議還有一段路。常見的失敗原因包括——想法太天真、實驗做錯、圖表重複貼、幻覺式的引用（引用了根本不存在的文獻）。
但換個角度看：AI 能完成的任務複雜度，每 7 個月就翻一倍。今天只能勉強通過工作坊的水準，可能兩三年後就能挑戰頂級會議。
真正讓人不安的問題不是「AI 能不能做研究」，而是後續效應。如果任何人都能用 15 美元生成一篇看起來像回事的論文，同儕審查系統撐得住嗎？如果 AI 大量生產的「噪音論文」淹沒期刊，我們怎麼從中找到真正有價值的發現？
研究團隊做了一件值得尊敬的事：所有 AI 生成的投稿，不管審查結果如何，全部在審查後撤回。他們還拿到了 UBC 倫理委員會的核准（編號 H24-02652），並事先通知會議主辦方。
這場實驗不是在偷偷摸摸地測試邊界。它是在說：「看，AI 已經能做到這件事了。我們該開始認真討論規則了。」
你怎麼看？ 如果明天你收到一份看起來完美的研究報告，你會想知道它的作者是人還是機器嗎？
結語：科學的下一個紀元
科學研究的自動化不是一個「會不會發生」的問題——它正在發生。The AI Scientist 證明了 AI 已經能走完從靈感到論文的全程。它還很粗糙，會犯蠢、會幻覺，但它每七個月就變聰明一倍。
或許未來的諾貝爾獎提名名單上，會出現一個沒有心跳的候選人。在那天到來之前，我們得先想清楚：當機器也能「做科學」的時候，「科學家」這個身份，究竟意味著什麼？
References
- Lu, C. et al. (2026). Towards end-to-end automation of AI research. Nature, 651, 914–919. doi: 10.1038/s41586-026-10265-5
- Lu, C. et al. (2024). The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery. arXiv preprint, arXiv:2408.06292.