伦敦大学学院汪军团队发布大发现模型，破解科学实验设计难题

伦敦大学学院汪军团队近日发布大发现模型（Large Discovery Models, LDMs），专门用于解决科学发现中“如何设计下一个实验”的问题。该模型将生成式基础模型与高斯过程奖励模型相结合，形成一套递归式的基础模型架构。

LDM的核心机制是：生成模型依托历史信息在开放空间中拓展搜索边界，高斯过程基于实验历史构建贝叶斯奖励信号，评估候选方案价值。模型可依据实验数据实时迭代，奖励信号也能通过后训练融入基础模型参数，形成快、慢两套学习闭环——快环每次实验后更新数据与上下文，慢环将高价值搜索轨迹蒸馏进模型参数。

论文在三个场景中完成初步验证：在Auto-Research（神经网络训练）任务中，LDM的BPB下降幅度是纯大模型反思方案的2.4倍；在抗体设计任务中，相对纯大语言模型方案，平均结合能降低18.2%；在多目标分子优化任务中，帕累托超体积相对纯大模型反思和贝叶斯搜索提升超过60%。

研究团队认为，LDM并非简单拼接大语言模型与贝叶斯优化，而是将科学发现建模为两种时间尺度的学习系统，在探索与利用之外强调“发现”——当候选池饱和时，改变表示本身，把新机制、新结构或新家族纳入搜索。团队也指出，目前实验大多依赖仿真软件评估，而非真实湿实验；高斯过程在极高维、长时程、强非平稳场景下存在可扩展性挑战，后续将迭代优化。