[LG]《Self-Revising Discovery Systems for Science: A Categorical Framework for Agentic Artificial Intelligence》F Y. Wang, M J. Buehler [MIT] (2026)

在AI科学发现中，真正难的是区分“搜索答案”和“改写问题空间”。过去系统受困于固定 schema，本质原因是证据、工具、验证器和产物缺少可审计的类型边界。

本文的核心洞见是：把科学发现重新看作“表征体制的迁移”。由此，范畴论用对象标记产物、用态射标记操作、用Kan扩张搬运旧证据，使新发现成为可验证的残差。

这项工作真正留下的遗产是给自修正AI科学家一套审计语法。它打开的新门是让发现过程可追踪、可反驳；但尚未跨过的门槛是schema仍主要靠人工设计。

arxiv.org/abs/2606.01444 机器学习 人工智能 论文 AI创造营