每日Nature｜07：AI写科研代码？
做科研时，你可能有好几个方法想试：每个都要写代码、跑实验、调参数，时间很快就用完了。2026 年，《Nature》发表了 ERA：一个结合大语言模型与树搜索、用评分反馈迭代科研软件的系统。🔍 这篇论文解决了什么问题？一次生成代码可能跑不通，也可能只是众多方案中的普通解。ERA 将任务变成可以运行、可以评分的搜索过程：① 提出方案：输入任务描述、数据、评价指标和可选的论文方法，由大模型生成代码。② 运行评分：在沙箱中执行代码，记录分数和运行信息。③ 分支改进：树搜索选择候选方案继续修改，也能回到其他分支；研究思路还可以来自论文或已有方法组合。📊 实验效果怎么样？• 单细胞数据批次整合任务中，87 个 ERA 方案里有 40 个超过当时公开榜单上的所有已发表方法；评估使用独立的 OpenProblems 数据集。• 同一任务中，55 个两两组合方案里，24 个优于各自的两个基础方法。• 新冠住院预测的回顾性三周评估中，14 个方案优于 CovidHub 集成模型；比较覆盖 52 个地区和 4 个预测时长。这些结果依赖任务、指标与计算预算。优化预测分数不等于解释了因果机制，输出仍需独立验证和人工审查。💡 这篇论文对普通科研人员有什么启发？第一，把研究目标拆成可以反复评估的任务。第二，查找已有方法，并尝试有依据地组合。第三，留出独立测试数据，检查结果是否真正泛化。📌 本期文献An AI system to help scientists write expert-level empirical software期刊：Nature（2026）DOI：10.1038/s41586-026-10658-6📚 每日 Nature：每天读懂一篇顶刊论文。 不只讲论文做了什么，更关注它解决了什么问题、为什么有创新，以及普通科研人员能从中获得什么启发。💬 互动话题：你的研究中，哪一步最适合先定义一个可量化的评价指标？每日Nature Nature论文 论文精读 AI科研