Problem

目前的 AI 科學系統雖然能自動化研究流程，但其連結過往證據、創新構思與實驗結論的推理過程，往往隱含在模型參數的黑箱中，缺乏透明度。這導致自動化研究容易出現「論點偏移」（claim drift）的失效模式，即系統最終產出的可執行構件（如程式碼），實際上已無法支持最初提出的科學主張或理論機制。

Method

研究團隊開發了名為 Xcientist 的研究框架（research harness），將研究合成與實驗驗證轉化為由合約管理且可供視察的外部化程序。該系統將文獻證據、構思狀態、實作計畫、消融實驗紀錄及修復軌跡組織為持久性的「研究構件」，使 AI 生成的科學機制能在明確的證據基礎上進行執行、測試與修正，而不會遺失推理脈絡。

Results

在免訓練記憶系統、圖結構交通預測以及多尺度物理資訊神經網路（PINNs）等多元領域的測試中，Xcientist 成功保留了從問題定義、機制設計到驗證與有界修正的完整追蹤軌跡。實驗證明，該框架能有效維持研究路徑的嚴謹性，確保最終產出的機制確實符合其聲稱的科學邏輯。

Significance

這項研究重新定義了評估 AI 科學家的標準：不應僅看最終的研究產出，更應檢視其合成與驗證過程是否具備可歸因性、可視察性與科學問責性。這為未來開發更透明、更具公信力的自動化科學發現系統奠定了關鍵架構基礎。