Principia是什么：AI自主科学发现框架完整解读，让每个研究结论都能溯源检验

Principia 是一个开源的AI 自主科学发现（Autonomous Scientific Discovery, ASD）框架：你只需提供研究目标和一份本地数据集，它就能自动盘点数据、提出候选关系、用留出数据严格检验，并把每条结论背后的证据、公式与适用边界完整保存下来，供你随时溯源与复核。与"只给答案"的聊天式 AI 不同，Principia 把科学发现变成一条条可检验、可追溯、可复现的规则（Rule）——这正是它的核心理念。🔍

一、为什么需要"会自我检验"的AI科研框架

传统大模型擅长"流畅地说话"，但科研最关心的问题是：这个结论从哪来？凭什么成立？在什么范围内有效？

大多数 AI 工具把答案当作一段文字交给你，而 Principia 把答案当作一个科学对象来管理：

• Principle（原则）：从文献中提取的可复用科学陈述，带有明确的适用范围；
• Rule（规则）：由数据发现的可执行关系，包含公式、校准结果、验证决策和适用边界；
• Evidence（证据）：每一条结论都能链接到具体的数值记录、留出集检查结果和负对照。

官方对这一标准的表述很直白（见 README.md）：

每一个有说服力的主张，都应配有一个可检查的来源、一个明确的范围或假设，以及一个能证伪它的检验。

上图：Principia 主界面——左侧是项目管理，中间输入研究目标，右侧是跨学科 Principles 知识地图。

这种"原则 + 数据 + 证据"的三层设计，让普通用户也能像审阅论文一样审阅 AI 的产出。

二、核心架构：知识云、元原则与本地工作区

Principia 由几个相互独立、版本化管理的部分构成：

所有关键对象（DataAsset、DataHypothesis、TestResult、DataFinding 等）都带版本号落盘，详细流程见>阶段Principia 做什么你能检查什么1️⃣ 盘点与理解读取支持的文件、剖析测量、把变量和研究目标关联起来文件清单、格式、单位、覆盖范围2️⃣ 生成与评估提出候选表达式，在开发集上拟合，用验证证据比较备选可执行表达式、拟合参数、基线对比3️⃣ 挑战应用留出集检查与证据门禁，才允许升级为规则切分定义、误差、负对照、失败原因4️⃣ 综合与探索把受支持的 Rule 与观察、相关 Principle 放进一张保存的研究地图排版公式、白话解读、链接证据

两个对新手很友好的设计细节：

• Fast / Balanced / Deep 三档预算：限制运行时长、假设数量和挑战轮数，小机器也能跑；
• 生成代码隔离运行：AI 生成的 Python 只在受审计的沙箱中执行（见 sandbox.py），记录内存与运行回执；源文件始终以只读方式打开，不会污染你的数据。

上图：一个演示项目的 Study Map——紫色节点是发现结果，绿色节点是被评估的 Rule，点击任一节点即可展开其证据。

四、5 个开箱即用的演示项目

v1.4.2 随包附带 5 个用 DeepSeek-V4-Pro 完成的公开数据分析项目，无需原始数据集和 API Key 即可离线浏览（详见 demo-projects.md）：

注意官方强调：这些是可解释数据分析的精选示例，并不宣称"每条规则都是新自然律"。每条 Rule 都会明确写出局限性，比如地震示例"不预测地震的时间或位置"。

上图：地震震级 Rule 的详情页——公式、解读、归一化 RMSE、验证切分方式和适用范围一目了然。

五、研究结论如何溯源：证据链与"失败也留档"

Principia 最鲜明的设计哲学是fail-closed（失败即停）：

• ✅证据引用必须可解析：生成内容里的每个引用都必须精确对应(work_id, kind, record_id)，模型"自创"的引文会被直接拒绝，而非静默替换（见 trustworthiness.md）；
• ✅没有模板兜底：模型不可用或输出不合格时，该阶段直接失败，绝不插入假标题或假公式；
• ✅新异度只分四档：not assessed、prior art found、no close prior art found、possibly novel——系统永远不会无条件地宣称"novel"；
• ✅失败候选保留：未通过的假设同样是研究记录的一部分，不会被悄悄删掉。

上图：点击任意 Principle 可查看其可靠性评分、论证、边界条件（Boundary & Disproof）和关联的元原则——每个结论都能这样被"盘问"。

六、Principia-100 基准：让方法可以被公平比较

想评估新的科学发现 Agent？Principia-100 提供了标准考场：

• 100 个科学场景、1,685 个冻结科学资产，覆盖物理、生物、医学、地球科学、材料、金融等 20+ 学科；
• 100 份 GPT-6 Astra 参考组合：含 PDF 报告、公式、代码、预测和"被保留下来的失败"；
• 134 个数值任务版本（99 个案例），带显式目标、信息预算和分组指标，评测完全开放可回溯；
• 约 5.8 GB，可通过 DOWNLOAD.md 选择性下载。

官方同时明确：参考发现只是可被推翻的基线，机制、新颖性和工业影响需要独立的证据，不存在一个"综合发现分"。

上图：P100-001 参考案例中，留出集确认检验生成的证据图——基准中每个案例的证据都可以这样逐张审查。

七、快速上手：四步在本地跑起 Principia

要求Python 3.11 或 3.12，前端已预构建，无需 Node.js：

# 1. 克隆仓库 git clone https://gitcode.com/gh_mirrors/princi/Principia cd Principia # 2. 创建虚拟环境并安装（含 ASD 与本地运行依赖） python3 -m venv .venv && source .venv/bin/activate python -m pip install "./Principia-v1.4.2/core-v1.4.2[asd,local]" # 3. 启动应用 principia open --working-directory ./principia-workspace --port 8142

浏览器打开http://127.0.0.1:8142/即可。空工作区首次启动会自动装入 5 个演示项目；之后用New research → Add data挂载自己的文件夹、填写研究目标、在Sources & model配置模型，就能开始自己的发现之旅。🚀

💡 数据与工作区状态相互隔离：重复发现无需复制原始数据集；原始文件始终留在你自己的文件夹里，远程调用前必须逐次授权。

八、负责任的解读：Principia 不是预言机

最后，官方在 README.md 中列出的"负责任的解读"清单，也是你使用该框架时应有的心态：

• 流畅的陈述 ≠ 自动成为 Principle；
• 经过审查的记录 ≠ 在其声明范围之外普遍成立；
• 关系分数 ≠ 正确的概率；
• 生成的连接只是推理路径建议，不替代实证检验。

总结：Principia 的价值不在于"替你做科研"，而在于把 AI 的每个科学产出都变成可检验、可追溯、可复现的对象。对研究者而言，这是目前少见的、把"证据链"作为一等公民的 AI 科学发现框架。📌

延伸阅读：工作区设计 · 隐私与安全 · 数据发现全流程 · 发布与验收记录