训练

因为AI模型研发本身就是一个反复试验、分析、修改和再训练的过程，而基础模型更多提供的是一次性的推理和代码生成能力。

DeepTech：上次我们聊的时候，AIBuildAI主要展示的是自动完成模型设计、代码生成和训练调优。

同时，下游实验产生的新数据还可以持续反馈回来，用于下一轮模型训练和优化。

如果是生物实验、湿实验产生的数据，那么无论成功还是失败，通常都需要纳入模型训练。

对于ScienceAgent来说，这些失败数据会被用于模型训练吗？

所以从模型训练的角度来看，失败的数据同样具有价值。

理想的流程是：Agent根据已有数据构建模型并做预测，再进入实验系统验证，新的实验结果继续回流，用于下一轮模型训练和迭代，逐步形成“模型预测—实验验证—数据回流—模型迭代”的闭环。

谢澎涛团队给出的答案是：独立处理一个真实科学任务，理解问题、分析数据、设计模型、写出代码，再通过训练结果反复修改方案。

代码能够正常运行之后，它会开始训练模型、调整参数并进行实验。

谢澎涛：真正的“AIbuildAI”与简单的代码生成或自动训练模型有本质区别。

DeepTech：NatureBench的90个任务都来自已经发表的论文，因此训练数据本身是现成的。

二是论文公开的训练数据。

如果训练数据全部都是正样本，模型实际上很难学到完整的判断边界，后续的泛化能力也会受到很大限制。

评测时我们还关闭了搜索功能，它不能查找对应论文或参考论文中的方法，只能根据任务描述和训练数据，自主完成模型设计、实验和优化。

训练一个能够泛化的AI模型，需要同时有正样本和负样本。