答案已發布17 個來源
AI 能找出科學規律，還能解釋背後原因嗎？清華推出兩項研究工具
清華大學電子工程系資料科學與智慧實驗室於 2026 年 10 月 14 日介紹 SRHarness 與 MechBench：前者支援 AI 從科學資料中搜尋公式，後者評估 AI 能否找出公式背後的機制。[6][8] 在 LSR Transform 測試中，使用 DeepSeek v4 flash 0731 的 SRHarness 符號準確率為 93.69%；移除科學描述與變數語意後，準確率為 72.97%。[1][17] MechBench 的核心集結果顯示，搭配 GPT 5.6 sol 的 Codex 找出規律的比例為 35.00%，找出機制則為 13.75%。[4][6]
發布者使用 GPT-6 Luna 編輯圖片由 GPT Image 2 生成
研究答案
重點整理
- 清華大學電子工程系資料科學與智慧實驗室於 2026 年 10 月 14 日介紹 SRHarness 與 MechBench：前者支援 AI 從科學資料中搜尋公式，後者評估 AI 能否找出公式背後的機制。[6][8]
- 在 LSR Transform 測試中，使用 DeepSeek v4 flash 0731 的 SRHarness 符號準確率為 93.69%；移除科學描述與變數語意後，準確率為 72.97%。[1][17]
- MechBench 的核心集結果顯示，搭配 GPT 5.6 sol 的 Codex 找出規律的比例為 35.00%，找出機制則為 13.75%。[4][6]
AI 提示詞
openai.comCreate a landscape editorial hero image for this Studio Global article: What did researchers at Tsinghua University’s Data Science and Intelligence Lab in the Department of Electronic Engineering introduce with S. Article summary: Tsinghua University’s Data Science and Intelligence Lab introduced two complementary contributions: SRHarness, a runtime for agents that discover mathematical formulas from data, and MechBench, a benchmark testing whethe. Topic tags: general web, openai, chatgpt, llm, agents. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts wi
清華大學電子工程系資料科學與智慧實驗室在 2026 年 10 月 14 日介紹兩項相互呼應的成果：SRHarness 是協助 AI 智慧體從資料中搜尋數學公式的執行框架；MechBench 則是一套評測基準，用來檢驗 AI 能否進一步找出公式背後的生成機制。6
8
兩者鎖定的是科學探索中的不同問題：能不能整理出資料呈現的規律，以及能不能說明規律為何出現。可以借用克卜勒與牛頓的差異來理解：克卜勒定律描述行星如何運行，牛頓的萬有引力則嘗試解釋這些運動背後的原因。換句話說，找到一條能吻合觀測資料的公式，並不必然代表掌握了產生現象的機制。6
SRHarness：讓 AI 在搜尋過程中反覆試驗
符號回歸（symbolic regression）是從資料中尋找可解釋數學公式的方法。SRHarness 提供一套專門的執行環境，讓語言模型代理能整理科學資料、呼叫可組合的分析與擬合工具、保留已評估的假設，再逐步修正公式，支援較長的搜尋流程。9
研究團隊報告指出，在使用相同 DeepSeek-v4-flash-0731 模型的比較中，SRHarness 在 LSR-Transform 的符號準確率為 93.69%，高於 SR-Scientist 的 62.16%。當測試移除科學描述及變數語意後，SRHarness 的準確率為 72.97%，SR-Scientist 則為 39.64%。1
| LSR-Transform 測試條件 | SRHarness | SR-Scientist | Codex |
|---|---|---|---|
| 保留科學脈絡與變數語意 | 93.69% | 62.16% | 可查資料未提供可比數值 |
| 移除科學描述與變數語意 | 72.97% | 39.64% | 20.72%（使用相同 DeepSeek 底層模型） |
研究摘要也表示，匿名化測試中 SRHarness 的表現與搭載 GPT-5.5 的 Codex 相近，但可查資料未列出 GPT-5.5 Codex 的確切準確率。 這些數字衡量的是符號或公式恢復能力，不能直接視為 AI 已理解公式背後的物理機制。1
2
SRHarness 的程式碼可在 GitHub 上查閱；團隊亦公開了 MechBench 的程式碼與資料。9
15 可查來源未能確認 SRHarness 的 PyPI 套件名稱或線上示範網址，因此不列出未經核實的資訊。
MechBench：把「找出規律」和「找出機制」分開評量
MechBench 將可觀測的輸入—輸出規律，與產生這些規律的隱藏機制視為不同的評測目標。它的重點不是只問 AI 能否找到一條符合資料的公式，而是進一步檢驗 AI 是否能還原公式所代表的機制。2
15
在 MechBench 核心集上，搭配 GPT-5.6-sol 的 Codex 找出規律的比例為 35.00%，但找出機制的比例只有 13.75%。4
6 這項落差反映，在該基準的測試中，AI 找到可觀測模式仍比解釋模式如何形成容易；它並不能單獨證明 AI 已具備或完全不具備科學理解能力。
2
4
這正是 MechBench 的價值所在：把公式恢復與機制恢復分開測量，避免把「找到一條合用的公式」直接等同於「理解了現象」。SRHarness 著眼於如何更有效搜尋公式，MechBench 則追問搜尋結果是否走得更深、觸及機制層次。
Studio Global AI
繼續深入研究
這個頁面包含附來源佐證的答案，你可以在 Studio Global 內繼續追問。
大家也會問
「AI 能找出科學規律，還能解釋背後原因嗎？清華推出兩項研究工具」的簡短答案是什麼？
清華大學電子工程系資料科學與智慧實驗室於 2026 年 10 月 14 日介紹 SRHarness 與 MechBench：前者支援 AI 從科學資料中搜尋公式，後者評估 AI 能否找出公式背後的機制。[6][8]
最值得優先驗證的重點是什麼？
清華大學電子工程系資料科學與智慧實驗室於 2026 年 10 月 14 日介紹 SRHarness 與 MechBench：前者支援 AI 從科學資料中搜尋公式，後者評估 AI 能否找出公式背後的機制。[6][8] 在 LSR Transform 測試中，使用 DeepSeek v4 flash 0731 的 SRHarness 符號準確率為 93.69%；移除科學描述與變數語意後，準確率為 72.97%。[1][17]
接下來在實務上該怎麼做？
MechBench 的核心集結果顯示，搭配 GPT 5.6 sol 的 Codex 找出規律的比例為 35.00%，找出機制則為 13.75%。[4][6]