Problem

現有的自動化科學發現系統通常受限於預設的研究問題或封閉的搜尋空間，缺乏真正的開放式探索能力。此外，這些系統多半無法有效整合已累積的研究結果，難以從中揭示複雜且具備關聯性的科學現象。

Method

提出 DiscoPER 框架，利用大型語言模型動態生成並執行程式碼以探索資料集。該框架引入「二階推理機制」，能定期對已獲取的發現進行後設反思，藉此識別結構性模式、混淆變因與知識鴻溝，並重新導向探索路徑。同時，透過工具整合機制，系統能處理影像等多模態資料來源，並要求所有假說必須通過統計檢定以確保嚴謹性。

Results

在 iNatDisco 生態學知識基準測試中，DiscoPER 成功復原了 9 個已知科學模式中的 8 個，假說支持率高達 72.7%，表現顯著優於傳統因果發現算法與現有 LLM 導向的基底模型。實驗亦證實該系統效能隨資料量增加而提升，且後設反思機制能有效引導系統進入未知的研究領域。

Significance

此研究為自主科學探索建立了新典範，證明了 AI 具備在無預設目標下，透過自我反思與跨模態分析發現複雜規律的能力。這種模擬人類科學家整合知識的機制，為加速開放式科研進程提供了具備統計嚴謹性的強大工具。