Problem

目前的 AI 科學家系統大多侷限於處理文字、程式碼或預先計算好的摘要資訊，導致系統無法直接接觸到科學發現中至關重要的空間、時間、跨通道及程序性原始證據。這種資訊落差限制了 AI 代理人在面對複雜異質資料時的推理能力與研究廣度。

Method

本研究提出 OmniScientist 系統，透過感知層結合三大自主代理人（構思、實驗、撰寫）建構確定性工作流。該系統直接從原始異質證據中提取洞見，並在程式碼層級執行創新性篩選、統計有效性驗證及數值追溯，確保從觀察到論文成稿的每個階段皆有實證支持。

Results

在橫跨 5 大學科家族、36 個真實案例（包含影像、訊號、3D 結構等模態）的測試中，OmniScientist 均能成功產出完整論文，平均得分達 6.3 分。相較於僅接收純文字摘要的對比組，直接感知原始資料的模式在 85% 的評比中勝出，並全面提升了七大評估維度的表現。

Significance

這項研究證實了「全生命週期感知」對於實證科學發現的必要性。OmniScientist 不僅展示了處理跨學科複雜資料的能力，更為開發具備廣泛學科素養、能真正理解現實世界數據的 AI 科學家提供了一條具體且實用的實踐路徑。