Ipinahayag ng Google Research ang Science One framework noong Hulyo 30, 2026, na may core na isang mekanismo na tinatawag na "Chain-of-Evidence" (CoE), na nag-uutos na ang bawat konklusyon ng AI sa pananaliksik ay dapat may kinalaman sa mga sanggunian, code, at mga tala ng eksperimento.

May-akda ng artikulo, pinagkukunan: 0x9999in1, ME News



TL;DR

• Ipinahayag ng Google Research ang Science One framework noong Hulyo 30, 2026, na may core na isang mekanismo na tinatawag na "Chain-of-Evidence" (CoE), na nag-uutos na ang bawat konklusyon ng AI sa pananaliksik ay dapat may kinalaman sa mga sanggunian, code, at mga tala ng eksperimento.
• Ang mga lumang problema ng umiiral na AI research system ay malalim: pagbuo ng mga sanggunian, mga marka na hindi maaaring muling isulat, at pagkakaiba sa paglalarawan ng paraan at code. Ang pinakamataas na rate ng hallucinated citations sa baseline system ay hanggang 21%, habang ang pagkakaroon ng muling maipapakita na marka ay bumaba hanggang 42%.
• Ang resulta ng Science One ay: walang hallucination sa mga citation, lahat ng puntos ay tama sa verification, at ang pinakamataas na pagkakasundo sa paraan at code. Ayon sa paglalabas, ang lahat ng 337 na citation na ginawa nito ay totoo, lahat ng 12 na maaaring muling isulat na eksperimento ay tumutugma, at 14 sa 15 na papel ay sumasundin ang code.
• Ang pangunahing disenyo ay "pagbuo habang nag-aanunsiyo," hindi "pagsulat muna, tapos pagkatapos ay pagsisidli ng mga sanggunian." Ang mga sanggunian ay hindi galing sa memorya ng modelo, kundi galing sa tunay na paghahanap mula sa Semantic Scholar API.
• Mas mahalagang pagtataya: Hindi ipinagpalit ng Science One ang "kakayahan" para sa "katotohanan". Nakakuha ito ng 2 ginto at 2 pilak sa MLE-Bench, at nag-set ng pinakamataas na resulta sa Parameter-Golf noong panahong iyon.
• Ang tunay na kahalagahan ng bagay na ito ay hindi ang pagkakaroon ng isang AI na nakasusulat ng papel, kundi ang pagiging unang beses nitong ginamit ang "verifiable" bilang pundasyon ng arkitektura, hindi bilang pagpapagawa pagkatapos.

Una muna sa isang makakasakit na tanong: Naniniwala ka ba sa isang papel na isinulat ng AI?

Sa loob ng dalawang taon, ang pag-unlad ng mga AI research system ay nakakatakot.

Nakakabasa ng mga aklat. Nakakapagbigay ng mga hipotesis. Nakakapagpatakbo ng mga eksperimento. Nakakasulat ng isang buong papel na may maayos na istruktura at propesyonal na tono. Kapag isinisiyap mo lang, hindi mo makikita ang anumang kamalian.

Ngunit ang problema ay nakatago sa "isang tingin".

Saan lang ang tingin ay walang problema, pero kung i-deep dive mo pa?

Ginagawa ng Google Research ang paghahanap nang malalim sa bagay na ito. Kinuha nila ang limang pangunahing sistema ng awtomatikong pananaliksik, at sa limang gawain sa pag-optimize ng sistema, nilikha nila ang 75 na papel ng pananaliksik, at sinuri nang buong detalye: Totoo ba ang pinagmulan ng iyong sanggunian? Katotohanan ba ang iyong naitalang marka kung irerun mo muli ang code? Totoo ba na ginamit mo ang algoritmong ito, at ganito ba talaga isinusulat sa code?

Hindi maganda ang resulta.

Bawat sistema ng baseline ay nagkakaroon ng kahit isang sistematis na pagkakamali. Ang pinakamataas na rate ng hallucinated citation ay hanggang 21%—ibig sabihin, isa sa bawat limang citation ay maaaring tumutukoy sa isang papel na hindi umiiral. Ang rate ng pagpasa sa verification ng score ay maaaring bumaba hanggang 42%. Ang pagkakatugma ng paraan at code ay nasa pagitan ng 20% hanggang 80%.

Pansinin mo ang 42% na ito. Higit sa kalahati ng mga papel, ang mga resultang inihayag ay hindi makareproduce kapag i-rerun muli ang code.

Hindi ito maliit na bug. Ito ay pagbagsak ng tiwala.

Dahil sa pag-aaral, ang pangunahing lohika ay ang "mababawasan" at "mapagkunan". Ang halaga ng isang papel ay hindi nasa kung gaano ito kalinaw sa pagbasa, kundi kung kayang sundin ng iba ang mga sanggunian, code, at data nito, step by step, upang matiyak na hindi ito nagmali. Ang AI ay nagpataas ng "panlabas na kalidad" ng mga papel, ngunit inalis ang pinakapundasyon na haligi.

Mas nakakatago ang mga problema kung mas maganda ang panlabas. Ito ang pinakamapanganib na lugar.

Sagot ng Google: Hindi sa pagtitiwala, kundi sa chain

Ang ideya ng Science One, sa madaling salita, ay simpleng.

Kasi hindi mo maaaring tiisin na magsisilbing matapat ang AI, huwag mong hilingin na ito ay magmaliwanag nang sarili nito. Ilagay mo ito sa mga kadena.

Ang selyo na ito ay ang "Chain-of-Evidence."

Ginamit ng Google ang isang napakatumpak na paghahambing: sa larangan ng database, may konsepto na tinatawag na ACID, na hindi nagtatakda kung paano mo gagawin ang database, kundi nagtatakda kung ano ang mga katangian na dapat matupad ng isang transaksyon upang maging "makaasa". Parehong ganoon ang chain of evidence. Hindi ito nagtatakda kung paano mo gagawin ang isang siyentipikong agent, kundi nagtatakda lamang: ang bawat bagay na iyong nilikha, kung gusto mong tiwalaan, ay dapat matupad ang mga sumusunod.

Isang prinsipyo, dalawang bahagi.

Ang unang kalahati ay kawastuhan: Ang bawat pahayag sa papel—ano man ito, isang sanggunian, isang numero, isang paglalarawan ng paraan, o isang konklusyon—ay dapat may kasamang dokumentadong serye ng ebidensya.

Pangalawang kalahati ay kawastuhan: Ang chain na ito, dapat talagang makapagpapatuloy sa sinasabi nito.

Ang ibig sabihin nito sa madaling salita: Ang bawat salitang sinasabi mo, kailangan may sanggunian; at ang sangguniang iyon ay dapat totoo at makapagpatunay sa iyong pahayag.

Paano ito isasagawa? Ang susi ay sa tamang panahon.

Paano gumagana ang kasalukuyang sistema? Una, isusulat ang malawak na papel, tapos babalik lang para magdagdag ng mga sanggunian at ebidensya. Parang nagbuo muna ng isang kuwento, tapos hinahanap ang ebidensya para i-sanay ito. Kung hindi makasanay, kailangan pang mag-isip ng iba. Dito nagmumula ang mga hallucinated citations.

Science One naman ay kabaligtaran. Sa "pagkakalikha ng pangungusap na iyon," parehong binubuo nito ang chain of evidence. Ang mga pahayag at ebidensya ay naglalakbay nang magkasama, hindi pinagsasama pagkatapos.

Ang pagbabago sa pagkakasunod-sunod na ito ay ang kaluluwa ng buong bagay.

I-split sa tatlong module, bawat isa ay may kontrol sa isang kakaibang kuwento

Ang arkitektura ng Science One ay nahahati sa tatlong bahagi, at bawat isa ay tumpak na nagtatapos sa isang posibilidad ng panggagawang pango.

Unang bahagi, ang investigator ng mga problema, na nangangasiwa sa pagpapalit ng mga sanggunian.

Hindi ito nakabatay sa "memory" ng modelo para magbanggit ng mga sanggunian. Ang memory ng modelo ay isang pinagmulan ng halusinasyon—ito ay "nagmemorize" ng isang papel na talagang hindi umiiral. Ang Science One ay direktang nagkonekta sa Semantic Scholar API upang bumuo ng isang totoong grap ng mga sanggunian, kung saan pinakamaraming 100 na buong PDF na papel ang binabasa para sa bawat paksa, at naglalabas ng isang structured na research brief. Ang bawat sanggunian sa huling papel ay nagmumula sa totoong API retrieval, at lubos na pinagtatanggal ang pagkakabatay sa memory ng modelo.

Hindi ginawa ang pagbanggit sa pamamagitan ng "pag-isip," kundi sa pamamagitan ng "pagsusuri." Nang magkaron ng isang paghahati, natanggal ang ugat ng mga maling pagbanggit.

Ikalawang bahagi, ang discovery engine, na nagpapahalaga sa pagpapaloko ng mga rekord ng eksperimento.

Gumagamit ito ng paralel na "pagpapalawak—paggamit" na estratehiya upang subukan ang mga solusyon sa maraming sangay nang sabay-sabay. Sa bawat round, isang Solver ang nagpapatupad ng solusyon, habang isang espesyal na evaluator ang nagbibigay ng puntos. Ang mga sangay na may magandang performans ay paulit-ulit na pinapabuti, habang ang lahat ng orihinal na output ng evaluasyon ay isasama sa isang mahigpit, read-only na rekord.

Babasahin lamang. Mahalaga ang dalawang salitang ito. Kapag nakarehistro na ang orihinal na marka, hindi na ito maaaring baguhin. Nais mo ba magbigay ng mas magandang marka kapag isusulat mo ang iyong papel? Paumanhin, narito ang libro ng tala, hindi ito maaaring baguhin.

Ikatlong bahagi, manunulat ng papel at tagapag-verify ng pahayag, na nangangasiwa sa pagkakaiba ng paraan at code.

Bago ma-render ang papel, isinasaklaw nito ang bawat pahayag na may katotohanan, nagpapalabas ng isang inline na label ng ebidensya na nakakabit sa isang partikular na produkto sa workspace. Pagkatapos, isang espesyal na verifier ay gumagamit ng bawat pahayag upang i-compare ito sa pinagmulan nito.

Ano ang gagawin kung hindi ito tumutugma? May isang detalye na talagang maganda dito. Hindi ito sinisira nang walang pag-iisip, kundi "binabawi" ito—pinapakita nang mas konservatibo, upang mabalik ito sa saklaw na maaaring suportahan ng ebidensya. Saan man nakakatugma ang ebidensya, doon lang ang sasabihin.

Hindi nagpapakita, at kumikilos nang may pag-iingat. Ang pagkakaroon ng ganitong balanse ay mas mataas kaysa sa isang pambansang solusyon.

Transcript: Ang gastos ng pagiging tapat, ba't nagiging bulol?

Dito, dapat umabot ang isang malalim na tanong.

Sa sobrang pagkakasunod sa AI, sa bawat pangungusap ay kailangan itong maghanap ng ebidensya, hindi ba't mawawalan ito ng kahusayan na mag-explore nang malaya? Hindi ba't ipinapalit ang "kakayahan" para sa "katotohanan"?

Ang pag-aalala na ito ay napakatarungan. Ito ay ang klasikong kontradiksiyon sa lahat ng "kaligtasan" at "kakayahan".

Sagot ng Science One ay: Hindi.

Tingnan muna ang kolum tungkol sa katotohanan. Sa ilalim ng parehong set ng audit protocol—tinatawag ng Google ito bilang CoE Audit, isang awtomatikong pagsusuri na katulad ng isang forensic—ginagawa ng Science One ang pagrerebisa sa bawat sanggunian sa real-time na akademikong database. Sa apat na pagsusuri ng integridad, nangunguna ito. Walang hallucination sa mga sanggunian nito; bawat isa ay nagtatagpo sa isang totoong, ma-access na papel; perpekto ang pag-verify ng mga puntos; at pinakamataas ang pagkakasunod sa paraan at code. Ayon sa mga ipinahayag na datos, lahat ng 337 na sanggunian nito ay totoo, lahat ng 12 na resulta ng maaaring irereplica na eksperimento ay tumutugma, at 14 sa 15 na papel ay may pagkakasunod sa tunay na code.

Ihambing ang mga pangalan tulad ng "hybrid neural-symbolic solvers" sa baseline—mukhang mataas ang antas, pero kapag binuksan ang code, simpleng deterministikong heuristic rule lang. Ang pangalan ay para sa mga tao, ang code ang totoong katotohanan.

Tingnan ulit ang kolum na “Kakayahan”.

Sa limang gawain batay sa ADRS, nagkatumbas o lumampas ang Science One sa antas ng mga eksperto na tao, kung saan ang dalawa (Cloudcast at EPLB) ay nakakuha ng pinakamataas na resulta sa lahat ng sistema.

Lumabas sa loop na ito, itinaguyod nito ang sarili sa mas mahigpit na panlabas na gawain. Sa MLE-Bench, limang matitigas na Kaggle competition na sumasaklaw sa medikal na imahe, fine-grained recognition, at 3D perception, nakakuha ito ng 2 ginto at 2 pilak—kung saan sa 3D object detection, ang iba pang sistema ay nagkamali nang buo, samantalang ito ay nakakuha ng iskoring level ng champion. Sa Parameter-Golf, isang real-time LLM training competition na may mahigpit na limitasyon sa hardware at file size, ang iba pang sistema ay hindi makapag-submit ng anumang epektibong entry, ngunit ito ay hindi lamang sumunod sa lahat ng limitasyon kundi nag-set din ng pinakamabuting resulta hanggang sa Abril 27, 2026. At ito ay naganap sa pamamagitan ng pagkakatuklas ng tunay na bago at malikhaing algorithmic techniques, hindi lamang sa pamamagitan ng pag-adjust ng hyperparameters.

Kaya ang sagot ay malinaw: tapat, walang paggawa nito ng bulol.

Ito ang eksaktong point na pinakamahalaga ko. Kung ang Science One ay nagkakaroon ng "cleanliness" sa pamamagitan ng pagiging maliit at mapagbaba, wala itong halaga—dahil walang magiging gumagamit ng isang mabagal at tapat na tool sa siyensya. Ngunit ipinapatotohan nito na ang verifiability at high performance ay maaaring magkasama. Ito ang nagpapalit sa "pagiging tapat bilang hard constraint" mula sa isang moral na panawagan patungo sa isang engineeringly mabisa na pagpipilian.

Aking pagtataya: Mahalaga ito, ngunit huwag masyadong i-mystify agad.

Nakapagsalita na ng maraming mabuting bagay, kailangan ng dalawang baso ng malamig na tubig.

Unang baso: Isinulat nang malinaw ng Google sa dulo na ang Science One ay isang eksperimental na research prototype at hindi isang tool na maaaring gamitin nang direkta sa produksyon.

Hindi ito pagkamadali, kundi hangganan. Ang limang gawain na ito ay nasa mga larangan tulad ng system optimization na “may malinaw na evaluator at maaaring awtomatikong iskor.” Sa ibang salita, maaaring masukat ng machine kung ano ang mabuti o masama. Pero ano naman ang tunay na pinakamataas na pananaliksik? Maraming hipotesis at kahulugan ng konklusyon ay walang evaluator na makakapagbigay ng iskor sa maikling panahon. Ang serye ng ebidensya ay maaaring pigilan ang “pagbuo ng mga sanggunian,” ngunit hindi ito makakapigil sa “pagsipat ng isang karaniwang tanong.” Ito ay tumutugon sa katotohanan, hindi sa pagpapasiya.

Pangalawang plato: Ang sariling chain of evidence ay may gastos din. Bawat paksa ay binabasa ang 100 PDF, bawat pangungusap ay binubuo ng ebidensya, pinipigil ang label, at binabawi muli—ang prosesong ito ay hindi mura. Habang ito ay naglalayong hanapin ang katotohanan, ito ay nagpapalubos din ng computing power at oras. Kapag isinasakop sa malawakang iskala, paano isasagawa ang pagkalkula sa gastos na ito—ayon sa kasalukuyan, wala pa ring sagot.

Ngunit pagkatapos kong ibuhos ang dalawang basong tubig, nananatili akong naniniwala na ito ay isang bagay na napapababa ang halaga.

Bakit?

Dahil ito ay nagbago ng paraan ng pagtanong.

Sa nakalipas na dalawang taon, lahat ay nagtatanong: Maaari ba ng AI na gawin ang pananaliksik? Gaano kalakas ito? Ang pinagbabatayan ay ang kakayahan sa paglutas ng problema, ang mga marka sa ranking. Ang tanong na itinataguyod ng Science One ay nasa ibang dimensyon: Maaari ba tiyakin ang pananaliksik na gawa ng AI?

Ang dalawang tanong na ito ay hindi nasa parehong track.

Kasabay ng pagdami ng mga sistema na kayang gumawa ng magagandang solusyon, ang kakayahang lutasin ang mga problema ay hindi na nagiging pangunahing pagkakaiba. Sa panahong iyon, ang tunay na nagpapagkakaiba sa kanila ay kung maaari bang tiyakin ang kanilang mga output. Ipinataas ng Google ang "verifiable" sa antas ng "first-class citizen," sinasabi na ito ay dapat maging isang arkitektural na pagtatakda, hindi isang pagtutuwid pagkatapos—ang paghuhusga na ito, naniniwala akong tama, at nangyari nang tamang panahon.

Ang tiwala ay mahirap ipon, ngunit madaling mabagsak. Kung ang AI research ay nagpapahinga sa isang malaking bilang ng mga papel na tila maganda ngunit puno ng mga butas mula sa simula, ang gastos upang muling makuha ang tiwala ng buong akademikong komunidad ay maaaring maging sobrang malaki upang harapin. Ang ginagawa ng Science One ay ang pagpapalakas ng mga bakal sa paa ng pundasyon bago ito mabagsak.

Wakas

Bumalik sa unang tanong: Paniniwalaan mo ba ang papel na isinulat ng AI?

Bago ang Science One, ang tapat na sagot ay—hindi gaanong kalmado. Mas mabuti ang pagkasulat nito, mas dapat mong maging bantay.

Hindi ginawa ng Science One na mas matalino ang AI. Ito ay nagawa ang isang iba pang bagay na mas simpleng ngunit mas mahirap: pinagturo ng AI na iwanan ang bawat sinasabi nito ng mga ebidensya na maaaring masuri.

Sapat na ang mga matalinong AI.

Ang AI na nagtatanggol sa sarili ay bago lang nagsimula.

Ito ay isang maliit na hakbang, isang prototype, at mayroon pa ring maraming hindi nalulutas na problema. Pero tama ang direksyon. Minsan, ang totoong halaga ng isang bagay ay hindi nasa kung gaano kalakas ito umuunlad ngayon, kundi sa kung saan ito itinayo ang pamantayan.

Ang Science One ay naglipat ng pamantayan mula sa "kung gaano kagaya ng isinusulat" patungo sa "kung makakabawas ba ito sa pagsusuri".

Isa lang ang paggalaw, worth it.

Mga sanggunian

1. Google Research Blog. Ang Science One Framework: Isang verifiable na autonomous research framework sa pamamagitan ng Chain-of-Evidence, Iyong Hulyo 30, 2026.
2. Google Cloud AI Research. arXiv:2605.26340 Papel ng “Science One Framework / Chain-of-Evidence”.
3. AlphaSignal. 《Ang Google's Science One Framework ay Lutasin ang Crisis ng Mga Pseudocitation sa AI Research》, Hulyo 2026.
4. Top Web. “Ang Science One Framework: Isang Verifiable Autonomous Scientific Research System Batay sa Evidence Chain,” Iyong Hulyo 31, 2026.
5. Sakana AI. arXiv:2504.08066《The AI Scientist v2》(kumpara sa baseline).
6. OpenAI. GitHub project na “Parameter-Golf” benchmark.
7. arXiv:2410.07095 MLE-Bench benchmark paper.
8. arXiv:2510.06189 Ang benchmark na “Automated Design of Research Systems (ADRS)”.