人工智能代理有惊人的优势，但也有弱点。科学家对可能性感到兴奋——超过60%的研究人员现在使用人工智能帮助工作——但他们对过度信任大型语言模型持谨慎态度。我们如何利用一个潜力巨大但也有风险的系统？如果你的科学问题可以转化为一组具体的、可检查的提议，连接一个自动评分循环，让人工智能迭代，它就能发挥作用。我们实验室最近将这种方法应用于视觉神经科学中的一个问题。我们将其转化为人工智能可以玩的游戏：人工智能的任务是编写Python程序，给定神经元调谐的参数，预测神经元对视觉刺激的反应。每个程序由固定管道自动评分，衡量方程拟合实验数据的程度。我们使用进化策略：每一步，系统提示大型语言模型编写一个改进先前尝试的新程序。系统运行45分钟，评估了几百个候选方程，成本仅为8.25美元。人工智能发现的方程在回顾时是显而易见的——它只是在标准高斯调谐曲线中添加了几个特征，特别是将高斯中的指数“2”改为自由形状参数。当这个指数低于1时，调谐曲线出现尖峰状峰值，产生高维群体编码。本文基于《The Transmitter》的报道，系统解析如何与人工智能协作及其在神经科学中的应用。

一、人工智能的优势与风险

二、协作方法：进化策略

三、案例研究：视觉神经科学中的调谐曲线

四、人工智能发现的方程

五、为什么人类没有想到？

六、人工智能在科学中的角色

七、人类与人工智能的分工

八、结论：人工智能协作的未来

即使当前的人工智能系统不可靠，这个项目展示了一种利用它们的方法：将困难的科学问题转化为一组具体的、可检查的提议，连接自动评分循环，让人工智能迭代。创造力仍然主要是人类的（选择问题和目标）；人工智能的优势是在技术解决方案空间中进行不懈的、中等聪明的试错。这种组合已经足以解决神经科学中真实的、长期存在的谜题——没有理由认为这种协作风格不会在未来一两年内成为科学实践的标准部分。

核心信息：

• 人工智能优势：编码、数学、视觉推理；风险：幻觉。

• 协作方法：转化问题 → 评分循环 → 人工智能迭代。

• 案例：45分钟，8.25美元，发现拉伸指数方程。

• 人工智能发现尖峰峰值产生高维群体编码。

• 人工智能做你本可以做但没做的事情——更快。

• 人类：目标、评分函数、数据、意义识别；人工智能：迭代、跨学科想法。