这项由位于旧金山的Aster AI Labs公司开展的研究发表于2026年2月10日论文编号为arXiv:2602.07040v1感兴趣的读者可通过此编号查阅完整研究。这是一项关于自主科学发现的突破性研究它展示了如何让人工智能在科学研究中发挥前所未有的作用。科学研究一直像是在黑暗中摸索宝藏的过程。传统上科学家们需要经过无数次尝试和失败才能找到正确答案。就好比你想找到最完美的蛋糕配方可能需要烤上几百个蛋糕每次调整一点点配料直到找到最理想的味道。这个过程既漫长又昂贵特别是当每次烤蛋糕都需要几个小时甚至几天的时候。现在Aster AI Labs的研究团队开发出了一个名为Aster的智能系统它就像一个超级聪明的厨师助手能够只用五次尝试就找到完美配方而传统方法需要115次尝试。这意味着科学发现的速度提升了惊人的23倍。更重要的是这个系统不仅速度快准确性也极高在多个科学领域都创造了新的纪录。一、像超级厨师一样工作的科学助手要理解Aster是如何工作的我们可以把它想象成一个拥有超强学习能力的厨师。这个厨师面前有一个基础食谱初始程序、一套评判标准评估脚本以及一个明确目标比如做出最香甜的蛋糕。传统的科学发现系统就像普通厨师需要按部就班地尝试每一种可能的配料组合。比如OpenEvolve这样的系统它可能需要做115个蛋糕才能找到最佳配方。每做一个蛋糕它会记录结果然后基于这些信息稍微调整下一次的配料。但Aster就像一个天才厨师它不仅能从每次尝试中学到更多东西还能更聪明地预测下一步应该怎么调整。研究团队在圆形装箱问题上进行了测试这个问题就像在一个圆形盒子里尽可能多地装入小圆球。传统系统OpenEvolve需要115次尝试才能达到2.634的装箱效率而Aster仅用5次尝试就达到了2.6353的效率甚至超越了之前的最好成绩。这种效率提升意味着什么呢对于那些需要长时间计算的科学问题比如训练大型机器学习模型这个过程可能需要几个小时甚至几天传统方法因为需要太多次尝试而变得不现实。但有了Aster这些原本无法处理的问题现在变得可行了。二、在数学世界中创造新纪录Aster的第一个重大成就发生在数学领域具体来说是解决了一个叫做埃尔德什最小重叠问题的数学难题。这个问题最初由著名数学家保罗·埃尔德什在1955年提出就像一个古老的数学谜题挑战了数学家们70年。这个问题可以这样理解假设你有一盒编号从1到2n的小球你需要把它们分成两组使得两组之间某种特定的重叠程度尽可能小。在连续情况下这相当于寻找一个特殊的函数让它的自相关函数的最大值尽可能小。这听起来很抽象但就像调音师要找到最完美的音频平衡点一样。人类数学家们经过几十年的努力找到的最好答案是0.380927。而Aster在40次尝试后成功将这个数值降低到了0.380874虽然改进幅度看似微小但在数学世界里这是一个显著的突破。更有趣的是Aster找到的解决方案比之前最好的解决方案更加精细它使用了8192个分段而之前的最佳解决方案只有600个分段。这就好比两个画家都在创作同一幅风景画之前的画家用了600种颜色就画出了很美的作品而Aster用了8000多种颜色创作出了更加细腻和精准的杰作。三、让生物学数据变得更清晰在生物学研究中科学家们经常要处理单细胞RNA测序数据这些数据就像是从每个细胞里偷听到的对话能告诉我们细胞在干什么。但问题在于这些对话经常被噪音干扰就像在嘈杂的餐厅里试图听清楚邻桌的谈话一样困难。这种现象叫做dropout事件简单说就是本来存在的基因表达信号没有被检测到造成了数据的稀疏和噪音。科学家们需要算法来去噪就像用高级音响系统过滤掉背景杂音让真正的声音变得清晰。Aster在这个问题上的表现同样令人印象深刻。它使用了OpenProblems基准测试这是生物学领域的标准测试平台。最好的人类设计算法MAGIC得分为0.641而之前最好的AI方法TTT-Discover达到了0.709。Aster通过30次迭代优化将性能提升到了0.711。这个提升的关键在于Aster能够更好地平衡两个重要指标。第一个是MSE均方误差类似于测量去噪后的数据与真实数据之间的差距Aster将这个值从0.154降低到了0.150。第二个是Poisson得分用来确保去噪过程不会引入不真实的信号Aster保持在0.049的水平与之前最好结果相当。四、加速GPU计算的幕后英雄现代人工智能的发展离不开强大的计算能力而GPU图形处理器就是这个计算能力的核心。Aster在GPU内核优化方面的成就就像为一台超级跑车调校引擎让它跑得更快更稳。研究团队选择了TriMul三角矩阵乘法内核作为优化目标这是AlphaFold蛋白质结构预测系统中的关键计算组件。就像汽车引擎中的某个关键部件虽然看起来不起眼但对整体性能影响巨大。在NVIDIA H100这款顶级GPU上之前最好的人类优化结果是1371微秒TTT-Discover系统将其优化到了1161微秒。而Aster通过70次迭代进一步将运行时间缩短到1114微秒。虽然每次改进的幅度看似微小但在需要执行数百万次这样计算的AI训练过程中这些微秒级的改进会累积成显著的性能提升。这种优化就像一个经验丰富的机械师能够发现引擎中那些人类工程师可能忽略的微小调整机会。Aster不是简单地调整参数而是重新设计了整个计算流程找到了更高效的数据处理方式。五、打破机器学习训练速度纪录在机器学习领域有一个著名的竞赛叫做NanoGPT极速赛参赛者的目标是在8块NVIDIA H100 GPU上尽可能快地训练出一个语言模型使其在FineWeb验证数据集上达到特定的性能标准交叉熵损失小于3.28。这个竞赛就像Formula 1赛车比赛每个参赛者都在寻找哪怕是0.1秒的速度提升。当竞赛开始时训练一个模型需要45分钟。经过无数工程师的努力在Aster参与之前最快纪录是96.8秒。Aster仅用8次迭代就将这个纪录缩短到95.2秒节省了1.6秒。在这种级别的竞赛中1.6%的提升是相当显著的成就。Aster的解决方案主要集中在优化Triton内核的设计上改进了内存载入方式避免了不必要的重复计算。这个成就让Aster成为第三个在NanoGPT极速赛中做出贡献的AI系统前两个分别是Hiverge提升0.9%和Locus提升1.3%。这表明AI系统不仅能够辅助人类进行科学发现甚至能够在竞争激烈的性能优化领域超越人类专家。六、挑战长时间训练任务为了证明Aster能够处理那些需要长时间计算的复杂任务研究团队选择了ZAP-Bench斑马鱼活动预测基准作为测试目标。这个任务需要预测整个幼体斑马鱼大脑中每个神经元的活动模式是一个极其复杂的高维预测问题。最好的人类设计模型使用UNet架构在16块A100 GPU上训练了36小时最终达到0.0182的平均绝对误差MAE。这就像让一个天才预测师观察36小时的复杂数据后对未来做出预测。Aster的表现令人惊叹。它分两个阶段进行了总共34次迭代首先进行20次迭代每次限时1小时然后进行14次迭代每次限时3小时。最终Aster也达到了0.0182的MAE与最佳人类性能持平但使用的计算资源只有人类方法的1/190。这个成就的意义不仅在于效率提升更在于证明了Aster能够处理那些传统自动发现系统无法处理的长周期任务。如果使用传统的需要数百次迭代的方法这样的任务可能需要一个多月才能完成而Aster仅用两天半就达到了相同效果。虽然在这个任务上之前已经有Aygün等人的树搜索系统达到了0.0176的更好结果但Aster在被中断时仍在持续改进很可能在更长时间内能够达到或超越这个性能。七、技术创新的核心秘密Aster之所以能够在这么多不同领域都表现出色关键在于它的工作方式与传统系统有根本不同。传统的自动发现系统就像按照固定菜谱做菜的厨师每次都严格按照既定步骤操作从每次尝试中学到的信息有限。相比之下Aster更像一个有创造力的大厨能够从每次尝试中提取更多有价值的信息并更智能地决定下一步的改进方向。虽然论文中没有透露Aster的具体技术细节但从结果可以看出它必然在以下几个方面有所创新首先是更高效的学习机制能够从较少的样本中获得更多信息其次是更智能的搜索策略避免在无效的方向上浪费时间最后是更好的泛化能力能够将在一个问题上学到的经验应用到其他类似问题上。这种能力特别适合处理那些评估成本高昂的问题。在传统系统需要进行数百次甚至数千次尝试的情况下每次尝试都可能需要几小时甚至几天总时间成本变得无法承受。而Aster只需要几十次尝试就能达到相同甚至更好的结果使得原本不可行的研究变得可能。八、对科学研究的深远影响Aster的成功意味着科学研究的方式可能发生根本性改变。过去很多科学问题因为需要太长时间或太多资源而被搁置。现在研究人员可以在合理的时间内探索这些问题大大扩展了可研究问题的范围。这种变化就像从马车时代进入汽车时代。过去需要几个月才能完成的科学探索现在可能只需要几天。这不仅加速了科学发现的过程还让更多研究团队能够参与到高水平的科学研究中来。Aster的出现也展示了人工智能与人类研究者合作的新模式。AI不是要替代科学家而是成为科学家的得力助手帮助他们更快地验证假设、优化实验设计、发现新的规律。科学家可以专注于提出创新想法和解释研究结果而将繁重的优化和搜索工作交给AI系统。此外Aster的成功还可能推动其他研究团队开发类似的系统形成良性竞争进一步提升自动科学发现的能力。就像智能手机推动了整个移动技术产业的发展一样Aster可能成为推动科学研究自动化的催化剂。目前有兴趣的研究人员可以通过asterlab.ai网站访问Aster系统既可以通过网页界面使用也可以通过API接口集成到自己的研究工作流程中。这种开放性使得更多研究人员能够受益于这项技术同时也为Aster在更多科学领域的应用提供了可能。说到底Aster代表了科学研究进入新时代的一个里程碑。它不仅展示了AI在科学发现中的巨大潜力更重要的是证明了通过更智能的方法我们可以大幅提高科学研究的效率和质量。对于那些渴望加速科学发现、解决复杂问题的研究人员来说Aster提供了一个强大而实用的工具。未来随着这类AI系统的不断完善我们可能会看到科学发现的速度呈指数级增长从而为解决人类面临的重大挑战提供更多可能性。无论是新药开发、气候变化应对还是新材料发现都可能因为这种技术的普及而获得突破性进展。QAQ1Aster AI是什么它有什么特别之处AAster是由Aster AI Labs开发的自主科学发现系统它的特别之处在于能够将科学发现的速度提升20多倍。传统系统需要115次尝试才能解决的问题Aster只需要5次尝试就能达到更好的结果这让原本需要几个月的研究可能在几天内完成。Q2Aster在哪些科学领域取得了突破AAster在多个领域都创造了新纪录包括数学领域的埃尔德什最小重叠问题、生物学的单细胞数据去噪、GPU内核优化、机器学习训练加速等。它不仅速度快准确性也很高在大多数任务上都超越了之前最好的人类和AI方法。Q3普通研究人员如何使用Aster系统A研究人员可以通过asterlab.ai网站访问Aster系统既可以使用网页界面也可以通过API接口将其集成到自己的研究工作中。这种开放性让更多科研团队能够利用这项技术加速自己的研究发现。
Aster AI：让科学发现快了20倍的智能助手
这项由位于旧金山的Aster AI Labs公司开展的研究发表于2026年2月10日论文编号为arXiv:2602.07040v1感兴趣的读者可通过此编号查阅完整研究。这是一项关于自主科学发现的突破性研究它展示了如何让人工智能在科学研究中发挥前所未有的作用。科学研究一直像是在黑暗中摸索宝藏的过程。传统上科学家们需要经过无数次尝试和失败才能找到正确答案。就好比你想找到最完美的蛋糕配方可能需要烤上几百个蛋糕每次调整一点点配料直到找到最理想的味道。这个过程既漫长又昂贵特别是当每次烤蛋糕都需要几个小时甚至几天的时候。现在Aster AI Labs的研究团队开发出了一个名为Aster的智能系统它就像一个超级聪明的厨师助手能够只用五次尝试就找到完美配方而传统方法需要115次尝试。这意味着科学发现的速度提升了惊人的23倍。更重要的是这个系统不仅速度快准确性也极高在多个科学领域都创造了新的纪录。一、像超级厨师一样工作的科学助手要理解Aster是如何工作的我们可以把它想象成一个拥有超强学习能力的厨师。这个厨师面前有一个基础食谱初始程序、一套评判标准评估脚本以及一个明确目标比如做出最香甜的蛋糕。传统的科学发现系统就像普通厨师需要按部就班地尝试每一种可能的配料组合。比如OpenEvolve这样的系统它可能需要做115个蛋糕才能找到最佳配方。每做一个蛋糕它会记录结果然后基于这些信息稍微调整下一次的配料。但Aster就像一个天才厨师它不仅能从每次尝试中学到更多东西还能更聪明地预测下一步应该怎么调整。研究团队在圆形装箱问题上进行了测试这个问题就像在一个圆形盒子里尽可能多地装入小圆球。传统系统OpenEvolve需要115次尝试才能达到2.634的装箱效率而Aster仅用5次尝试就达到了2.6353的效率甚至超越了之前的最好成绩。这种效率提升意味着什么呢对于那些需要长时间计算的科学问题比如训练大型机器学习模型这个过程可能需要几个小时甚至几天传统方法因为需要太多次尝试而变得不现实。但有了Aster这些原本无法处理的问题现在变得可行了。二、在数学世界中创造新纪录Aster的第一个重大成就发生在数学领域具体来说是解决了一个叫做埃尔德什最小重叠问题的数学难题。这个问题最初由著名数学家保罗·埃尔德什在1955年提出就像一个古老的数学谜题挑战了数学家们70年。这个问题可以这样理解假设你有一盒编号从1到2n的小球你需要把它们分成两组使得两组之间某种特定的重叠程度尽可能小。在连续情况下这相当于寻找一个特殊的函数让它的自相关函数的最大值尽可能小。这听起来很抽象但就像调音师要找到最完美的音频平衡点一样。人类数学家们经过几十年的努力找到的最好答案是0.380927。而Aster在40次尝试后成功将这个数值降低到了0.380874虽然改进幅度看似微小但在数学世界里这是一个显著的突破。更有趣的是Aster找到的解决方案比之前最好的解决方案更加精细它使用了8192个分段而之前的最佳解决方案只有600个分段。这就好比两个画家都在创作同一幅风景画之前的画家用了600种颜色就画出了很美的作品而Aster用了8000多种颜色创作出了更加细腻和精准的杰作。三、让生物学数据变得更清晰在生物学研究中科学家们经常要处理单细胞RNA测序数据这些数据就像是从每个细胞里偷听到的对话能告诉我们细胞在干什么。但问题在于这些对话经常被噪音干扰就像在嘈杂的餐厅里试图听清楚邻桌的谈话一样困难。这种现象叫做dropout事件简单说就是本来存在的基因表达信号没有被检测到造成了数据的稀疏和噪音。科学家们需要算法来去噪就像用高级音响系统过滤掉背景杂音让真正的声音变得清晰。Aster在这个问题上的表现同样令人印象深刻。它使用了OpenProblems基准测试这是生物学领域的标准测试平台。最好的人类设计算法MAGIC得分为0.641而之前最好的AI方法TTT-Discover达到了0.709。Aster通过30次迭代优化将性能提升到了0.711。这个提升的关键在于Aster能够更好地平衡两个重要指标。第一个是MSE均方误差类似于测量去噪后的数据与真实数据之间的差距Aster将这个值从0.154降低到了0.150。第二个是Poisson得分用来确保去噪过程不会引入不真实的信号Aster保持在0.049的水平与之前最好结果相当。四、加速GPU计算的幕后英雄现代人工智能的发展离不开强大的计算能力而GPU图形处理器就是这个计算能力的核心。Aster在GPU内核优化方面的成就就像为一台超级跑车调校引擎让它跑得更快更稳。研究团队选择了TriMul三角矩阵乘法内核作为优化目标这是AlphaFold蛋白质结构预测系统中的关键计算组件。就像汽车引擎中的某个关键部件虽然看起来不起眼但对整体性能影响巨大。在NVIDIA H100这款顶级GPU上之前最好的人类优化结果是1371微秒TTT-Discover系统将其优化到了1161微秒。而Aster通过70次迭代进一步将运行时间缩短到1114微秒。虽然每次改进的幅度看似微小但在需要执行数百万次这样计算的AI训练过程中这些微秒级的改进会累积成显著的性能提升。这种优化就像一个经验丰富的机械师能够发现引擎中那些人类工程师可能忽略的微小调整机会。Aster不是简单地调整参数而是重新设计了整个计算流程找到了更高效的数据处理方式。五、打破机器学习训练速度纪录在机器学习领域有一个著名的竞赛叫做NanoGPT极速赛参赛者的目标是在8块NVIDIA H100 GPU上尽可能快地训练出一个语言模型使其在FineWeb验证数据集上达到特定的性能标准交叉熵损失小于3.28。这个竞赛就像Formula 1赛车比赛每个参赛者都在寻找哪怕是0.1秒的速度提升。当竞赛开始时训练一个模型需要45分钟。经过无数工程师的努力在Aster参与之前最快纪录是96.8秒。Aster仅用8次迭代就将这个纪录缩短到95.2秒节省了1.6秒。在这种级别的竞赛中1.6%的提升是相当显著的成就。Aster的解决方案主要集中在优化Triton内核的设计上改进了内存载入方式避免了不必要的重复计算。这个成就让Aster成为第三个在NanoGPT极速赛中做出贡献的AI系统前两个分别是Hiverge提升0.9%和Locus提升1.3%。这表明AI系统不仅能够辅助人类进行科学发现甚至能够在竞争激烈的性能优化领域超越人类专家。六、挑战长时间训练任务为了证明Aster能够处理那些需要长时间计算的复杂任务研究团队选择了ZAP-Bench斑马鱼活动预测基准作为测试目标。这个任务需要预测整个幼体斑马鱼大脑中每个神经元的活动模式是一个极其复杂的高维预测问题。最好的人类设计模型使用UNet架构在16块A100 GPU上训练了36小时最终达到0.0182的平均绝对误差MAE。这就像让一个天才预测师观察36小时的复杂数据后对未来做出预测。Aster的表现令人惊叹。它分两个阶段进行了总共34次迭代首先进行20次迭代每次限时1小时然后进行14次迭代每次限时3小时。最终Aster也达到了0.0182的MAE与最佳人类性能持平但使用的计算资源只有人类方法的1/190。这个成就的意义不仅在于效率提升更在于证明了Aster能够处理那些传统自动发现系统无法处理的长周期任务。如果使用传统的需要数百次迭代的方法这样的任务可能需要一个多月才能完成而Aster仅用两天半就达到了相同效果。虽然在这个任务上之前已经有Aygün等人的树搜索系统达到了0.0176的更好结果但Aster在被中断时仍在持续改进很可能在更长时间内能够达到或超越这个性能。七、技术创新的核心秘密Aster之所以能够在这么多不同领域都表现出色关键在于它的工作方式与传统系统有根本不同。传统的自动发现系统就像按照固定菜谱做菜的厨师每次都严格按照既定步骤操作从每次尝试中学到的信息有限。相比之下Aster更像一个有创造力的大厨能够从每次尝试中提取更多有价值的信息并更智能地决定下一步的改进方向。虽然论文中没有透露Aster的具体技术细节但从结果可以看出它必然在以下几个方面有所创新首先是更高效的学习机制能够从较少的样本中获得更多信息其次是更智能的搜索策略避免在无效的方向上浪费时间最后是更好的泛化能力能够将在一个问题上学到的经验应用到其他类似问题上。这种能力特别适合处理那些评估成本高昂的问题。在传统系统需要进行数百次甚至数千次尝试的情况下每次尝试都可能需要几小时甚至几天总时间成本变得无法承受。而Aster只需要几十次尝试就能达到相同甚至更好的结果使得原本不可行的研究变得可能。八、对科学研究的深远影响Aster的成功意味着科学研究的方式可能发生根本性改变。过去很多科学问题因为需要太长时间或太多资源而被搁置。现在研究人员可以在合理的时间内探索这些问题大大扩展了可研究问题的范围。这种变化就像从马车时代进入汽车时代。过去需要几个月才能完成的科学探索现在可能只需要几天。这不仅加速了科学发现的过程还让更多研究团队能够参与到高水平的科学研究中来。Aster的出现也展示了人工智能与人类研究者合作的新模式。AI不是要替代科学家而是成为科学家的得力助手帮助他们更快地验证假设、优化实验设计、发现新的规律。科学家可以专注于提出创新想法和解释研究结果而将繁重的优化和搜索工作交给AI系统。此外Aster的成功还可能推动其他研究团队开发类似的系统形成良性竞争进一步提升自动科学发现的能力。就像智能手机推动了整个移动技术产业的发展一样Aster可能成为推动科学研究自动化的催化剂。目前有兴趣的研究人员可以通过asterlab.ai网站访问Aster系统既可以通过网页界面使用也可以通过API接口集成到自己的研究工作流程中。这种开放性使得更多研究人员能够受益于这项技术同时也为Aster在更多科学领域的应用提供了可能。说到底Aster代表了科学研究进入新时代的一个里程碑。它不仅展示了AI在科学发现中的巨大潜力更重要的是证明了通过更智能的方法我们可以大幅提高科学研究的效率和质量。对于那些渴望加速科学发现、解决复杂问题的研究人员来说Aster提供了一个强大而实用的工具。未来随着这类AI系统的不断完善我们可能会看到科学发现的速度呈指数级增长从而为解决人类面临的重大挑战提供更多可能性。无论是新药开发、气候变化应对还是新材料发现都可能因为这种技术的普及而获得突破性进展。QAQ1Aster AI是什么它有什么特别之处AAster是由Aster AI Labs开发的自主科学发现系统它的特别之处在于能够将科学发现的速度提升20多倍。传统系统需要115次尝试才能解决的问题Aster只需要5次尝试就能达到更好的结果这让原本需要几个月的研究可能在几天内完成。Q2Aster在哪些科学领域取得了突破AAster在多个领域都创造了新纪录包括数学领域的埃尔德什最小重叠问题、生物学的单细胞数据去噪、GPU内核优化、机器学习训练加速等。它不仅速度快准确性也很高在大多数任务上都超越了之前最好的人类和AI方法。Q3普通研究人员如何使用Aster系统A研究人员可以通过asterlab.ai网站访问Aster系统既可以使用网页界面也可以通过API接口将其集成到自己的研究工作中。这种开放性让更多科研团队能够利用这项技术加速自己的研究发现。
