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。

Q&A

Q1：Aster AI是什么，它有什么特别之处？

A：Aster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。

Q2：Aster在哪些科学领域取得了突破？

A：Aster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。