Google Research 於 2026 年 7 月 30 日公布 Science One 框架，核心是一套叫 "Chain-of-Evidence" (CoE) 的機制，讓 AI 做科研的每一句結論都必須綁定出處、代碼和實驗記錄。

文章作者、來源：0x9999in1，ME News



簡而言之

• Google Research 於 2026 年 7 月 30 日公布 Science One 框架，核心是一套叫 "Chain-of-Evidence" (CoE) 的機制，讓 AI 做科研的每一句結論都必須綁定出處、代碼和實驗記錄。
• 現有 AI 科研系統的老毛病很嚴重：捏造引用、無法複現的分數、方法描述與代碼不符。基線系統的幻覺引用率最高達 21%，分數可複現率低至 42%。
• Science One 的成績為：引用零幻覺，分數驗證全對，方法與代碼一致率最高。據披露，其生成的 337 條引用全部真實，12 項可複現實驗全部對上，15 篇論文中 14 篇與代碼一致。
• 關鍵設計是「邊生成邊取證」，而不是「寫完再補引用」。引用來自 Semantic Scholar API 的真實檢索，而非模型記憶。
• 更重要的判斷：Science One 沒有為了「誠實」犧牲「能幹」。它在 MLE-Bench 上獲得 2 金 2 銀，在 Parameter-Golf 上創下當時的最佳成績。
• 這件事真正的意義，不在於又一個 AI 能寫論文，而在於它首次將「可驗證」作為架構的地基，而非事後的補丁。

先問一個扎心的問題：AI 寫的論文，你敢信嗎？

In the past two years, AI research systems have made astonishing progress.

它能閱讀文獻。能提出假設。能運行實驗。能從頭到尾寫出一篇結構完整、語氣專業的論文。你掃一眼，挑不出毛病。

但問題就藏在這個「掃一眼」裡。

掃一眼沒問題，深挖一下呢？

Google Research 專注於深入探討這件事。他們將五套主流的自主科研系統拿出來，在五項系統優化任務上共生成了 75 篇論文，並逐一質疑：你引用的這篇文獻，真的存在嗎？你報告的這個分數，重新運行代碼後還能對得上嗎？你說你使用了某種算法，代碼中真的這麼寫了嗎？

結果不好看。

每一套基線系統，都至少犯了一種系統性的錯誤。幻覺引用率最高達 21%——也就是說，每五條引用中可能就有一條指向一篇根本不存在的論文。分數驗證的通過率低至 42%。方法和代碼的一致性在 20% 至 80% 之間波動。

你好好想想這個 42%。超過一半的論文，所報告的成績，用代碼重新運行都無法復現。

這不是小 bug。這是信任的崩塌。

因為科研這件事，底層邏輯就是「可重現」和「可追溯」。一篇論文的價值，不在於它讀起來多順暢，而在於別人能否根據它的引用、代碼和數據，一步步追溯回來，確認它沒有說謊。AI 把論文的「表面品質」拉滿了，卻抽走了最底層的這根支柱。

表面越光鮮，問題越隱蔽。這才是最危險的地方。

Google 的答案：不靠信任，靠鎖鏈

Science One 的思路，說白了很樸素。

既然不能信任 AI 會自覺誠實，那就別指望它自覺。給它套上鎖鏈。

這條鎖鏈，就是「證據鏈」（Chain-of-Evidence）。

Google 為它找到了一個極其精準的類比：在資料庫領域有一個概念叫 ACID，它不關心你的資料庫如何構建，只規定一筆交易要「可靠」必須滿足哪些性質。證據鏈也是如此。它不規定你如何構建一個科研 agent，只規定：你產生的每一個成果，若想被信任，必須滿足什麼條件。

One principle, two halves.

第一半稱為完整性：論文中的每一句聲明——不論是引用、數字、方法描述，還是最終結論——都必須附有經過記錄的證據鏈。

第二半叫正確性：這條鏈，得真的能撐住它掛的那句話。

簡單來說：你說的每一句話都必須有來源；而且這個來源必須能真正證明你說的話。

那該如何落實？關鍵在於時機。

現有的系統是怎麼運作的？先洋洋灑灑寫出一篇論文，寫完再回頭補引用、補證據。這就像先編好一個故事，再去找證據來圓它。圓不起來的地方，就只能繼續編造。幻覺引用就是這樣來的。

Science One 則相反。它在「生成這句話的那一刻」，就同時建好了證據鏈。聲明與證據是共同生長的，而非事後縫合的。

這一個先後順序的調換，是整件事的靈魂。

拆開看：三個模組，各管一段謊

Science One 的架構分為三部分，每一部分都精準地遏制了某種造假的可能性。

第一塊，問題調查員，負責處理引用造假。

它不依賴模型的「記憶」來引用文獻。模型記憶是幻覺的溫床——它會「記得」一篇實際不存在的論文。Science One 直接接入 Semantic Scholar API，以構建真實的引文圖譜，每個主題最多讀取 100 篇全文 PDF，生成一份結構化的研究簡報。最終論文中的每一條引用，均源自此次真實的 API 檢索，徹底切斷對模型記憶的依賴。

引用不是「想」出來的，是「查」出來的。這一刀下去，幻覺引用的根就斷了。

第二塊，發現引擎，管的是實驗記錄造假。

它採用並行的「探索—利用」策略，在多條分支上同時嘗試解決方案。每輪中，一個 Solver 執行方案，一個專門的評估器進行打分。表現優異的分支會反覆優化，而所有原始的評估輸出都會被記錄在一份嚴格的唯讀日誌中。

只讀。這兩個字很重要。原始成績一旦記下，就不能改。後面寫論文時想報個更漂亮的分數？對不起，賬本在這兒，改不了。

第三塊，論文寫手兼聲明核查員，負責處理方法與代碼不一致的問題。

在真正渲染出論文之前，它會先將每一個事實性聲明結構化，為每句話加上內聯證據標籤，並綁定到工作區中的某個具體產物上。然後，一名專門的核查員會將每句聲明與其聲稱的來源進行比對。

如果對不上怎麼辦？這裡有個細節特別巧妙。它不是簡單粗暴地刪掉，而是「往回收」—— 把話說得保守一點，讓它重新落回證據能支撐的範圍。證據能撐到哪，話就說到哪。

不誇張，也盡量不浪費。這種分寸感，比一刀切更高級。

成绩单：誠實的代價，是不是變笨？

到這兒，一個尖銳的質疑就該冒出來了。

給 AI 套這麼多鎖鍊，讓它每句話都戰戰兢兢地找證據，它是不是就不敢大膽探索了？是不是為了「誠實」，把「能幹」給犧牲了？

這個擔憂非常合理。這也是所有「安全」和「能力」之間的經典矛盾。

Science One 的回答是：沒有。

先看誠實這一欄。在同樣一套審計協議下——Google 稱之為 CoE Audit，一個類似法醫的自動審查工具——會將每一條引用與實時學術數據庫進行核對——Science One 在四項完整性檢查中全部領先。它的引用零幻覺，每一條都指向一篇真實且可檢索的論文；分數驗證達至完美；方法與代碼的一致率也最高。根據披露的數據，它生成的 337 條引用全部真實，12 項可複現實驗的結果全部吻合，15 篇論文中已有 14 篇與實際代碼一致。

對照一下基線裡那些「混合神經符號求解器」之類唬人的名字——聽起來高大上，扒開代碼一看，就是個簡單的確定性啟發式規則。名字是給人看的，代碼才是真相。

再看能幹這一欄。

在 ADRS 基準的五項任務上，Science One 追平或超越了人類專家的水平，其中兩項（Cloudcast 和 EPLB）拿到了所有系統裡的最好成績。

跳出這個圈子，它還挑戰了更艱難的外部任務。在 MLE-Bench 的五場硬核 Kaggle 競賽中，涵蓋醫學影像、細粒度識別和 3D 感知，它贏得了 2 枚金牌和 2 枚銀牌——其中在 3D 目標檢測賽事中，其他系統全軍覆沒，而它獲得了冠軍級分數。在 Parameter-Golf 這項對硬體和檔案大小有嚴格限制的即時 LLM 訓練競賽中，其他系統甚至無法提交有效結果，而它不僅嚴格遵守所有限制，還創下了截至 2026 年 4 月 27 日的最優成績，且是透過發現真正創新演算法技巧達成，而非僅靠調參僥倖。

所以答案很明確：誠實，沒有讓它變笨。

這正是我最看重的一點。如果 Science One 是靠「縮手縮腳」換來的乾淨，那它毫無價值——因為沒有人會使用一個又笨又誠實的科研工具。但它證明了，可驗證性與高性能可以同時兼得。這才讓「把誠實當成硬性約束」這件事，從道德倡議變成了工程上划算的選擇。

我的判斷：它很重要，但別急著將它神化

說了這麼多好話，得潑兩盆冷水。

第一盆：Google 自己在文末寫得明明白白，Science One 是一個實驗性的研究原型，不是能直接上生產的工具。

這不是謙虛，這是界限。它執行的五項任務，屬於系統優化之類「有明確評估器、可自動打分」的領域。換句話說，好壞能被機器客觀判定。但真正的前沿科研呢？許多假設的價值、許多結論的意義，短期內根本沒有任何評估器能給你打分。證據鏈能防住「偽造引用」，卻防不住「選擇了一個平庸的問題」。它管的是誠實，管不了品味。

第二盆：證據鏈本身也有成本。每個主題閱讀 100 篇 PDF，每句話建立證據、綁定標籤、再核對一遍——這套流程不便宜。它在追求真相的同時，也在消耗算力和時間。規模化推廣時，這筆賬怎麼算，現在還沒有答案。

But after pouring out these two basins of water, I still believe this is an underappreciated matter.

為什麼？

因為它改變了提問的方式。

過去兩年，所有人都在問：AI 能不能做科研？能做到多強？大家比的是解題能力，是刷榜的分數。Science One 提出的問題是另一個維度的：AI 做出來的科研，能不能被信任？

這兩個問題，不在同一條賽道上。

當越來越多的系統都能做出漂亮的解法，解題能力就不再是區分度了。到那時候，真正把它們分出高下的，是它們的產出能不能被信任。Google 把「可驗證」提到了「一等公民」的高度，說它必須是架構級的約束，而不是事後的補救——這個判斷，我認為是對的，而且來得正是時候。

因為信任這東西，積累起來很慢，崩塌卻很快。如果 AI 科研在早期就靠一堆看似光鮮、實則漏洞百出的論文透支了整個學術共同體的信任，那後面再想挽回，代價會大到無法承受。Science One 所做的，是在信任還未崩塌之前，先將地基裡的鋼筋補上。

尾聲

回到開頭的那個問題：AI 寫的論文，你敢信嗎？

在 Science One 之前，誠實的答案是——不太敢。它寫得越好，你越該多留個心眼。

Science One 沒有讓 AI 變得更聰明。它做的是另一件更樸實、也更困難的事：讓 AI 學會為自己說的每一句話，留下能被檢驗的證據。

聰明的 AI 已經夠多了。

對自己負責的 AI，才剛剛開始。

這一步不大，是個原型，還有一堆未解決的問題。但方向對了。有時候，一件事真正的分量，不在於它當下能跑多快，而在於它把標尺立在了哪兒。

Science One 將評判標準，從「寫得像不像」，移至「經不經得起查」。

這一下挪動，很值得。

參考資料

1. Google 研究部落格。《Science One 框架：透過證據鏈實現可驗證的自主研究框架》，2026年7月30日。
2. Google Cloud AI 研究。arXiv:2605.26340《Science One Framework / Chain-of-Evidence》論文。
3. AlphaSignal.《Google's Science One Framework Fixes AI Research's Fake Citation Crisis》, 2026年7月.
4. 至頂網。《Science One 框架：基於證據鏈的可驗證自主科研系統》，2026年7月31日。
5. Sakana AI. arXiv:2504.08066 《The AI Scientist v2》（對比基線）.
6. OpenAI。GitHub 項目《Parameter-Golf》基準。
7. arXiv:2410.07095《MLE-Bench》基準論文。
8. arXiv:2510.06189《Automated Design of Research Systems (ADRS)》基準。