一个研究小组通过一个名为 WARA 的系统向回答这个问题迈出了重要一步，这是一个旨在完成从头到尾无线通信研究的自动化智能体。该团队并没有要求人工智能一次性写出一篇完整的论文，而是构建了一个闭环系统，将研究过程分解为不同的、易于管理的阶段。该系统从一个广泛的主题开始，例如如何在多天线网络中管理功率，然后有系统地将其缩小为一个特定的、可解决的问题。随后，它构建该问题的数学模型，设计求解算法，编写运行模拟的计算机代码，最后检查结果以确保其真实有效。只有在数据经过验证后，系统才会开始撰写手稿，从而确保文中的每一项主张都有机器自身生成的证据作为支撑。
研究人员发现，这种结构化的、分步进行的方法产生的结果远优于仅仅要求人工智能一次性撰写论文。当他们将该系统与一次性生成全文的标准人工智能进行对比测试时，自动化系统生成的作品在连贯性和科学严谨性方面明显更胜一筹。单次尝试的 AI 经常生成一些表面看起来不错、但内部存在矛盾的论文，例如描述的解决方案与试图解决的问题不匹配，或者声称了计算机代码从未实际产生的结果。相比之下，WARA 系统在每一步都扮演着严谨编辑的角色，在验证前一个阶段之前拒绝进入下一步。如果代码运行失败，系统会在重试前修复代码；如果结果不支持假设，它会修改假设。这种检查与修复的过程确保了最终输出是一个包含问题、解决方案和证明的完整整体，且彼此一致。
为了测试这种自动化研究的质量，该团队将系统生成的论文与人类撰写并被顶级无线通信期刊接收的论文进行了对比。虽然人类撰写的论文在实验设计的深度和论证的复杂性方面仍保持优势，但机器生成的论文已经非常接近。它们比单次尝试的 AI 生成的内容要可靠得多，尤其是在证据和逻辑这些关键领域。该自动化系统成功创建了一个数学模型，解决了它，并产生了一篇清晰解释该方案如何运作的论文，且在技术细节方面无需人工干预。这项研究表明，未来的科学发现可能不在于取代人类研究员，而在于为他们提供一个能够处理验证和一致性等繁重工作的伙伴，从而让研究过程变得更快、更可靠。通过将研究视为一系列经过验证的步骤而非单一的创造力爆发，该团队展示了只要给予正确的规则，机器确实可以学会做科学。
目前的尖端自动研究系统（如 AI Scientist）通常依赖单智能体推理，或缺乏有效的故障恢复机制，导致数学公式、算法设计、实验证据与最终结论之间存在不一致性。在无线优化领域，研究依赖于建模假设、数学公式化、算法设计、仿真和性能声明这一结构化工作流，因此迫切需要一个能够确保这些阶段之间连贯性与可验证性的系统。本文认为，目前尚无现有工作能在统一的闭环框架内，实现涵盖问题发现、建模、实验和手稿生成的无线优化研究端到端自动化。
作者谦逊地总结道，虽然 WARA 可以构建包含一致性数值结果的研究包，但目前仍缺乏成熟人类研究中所具备的实验深度和贡献水平的判断力。他们建议，未来的改进方向可以包括将人类专业知识直接整合进人工制品链中（例如，作为修订后的契约或门控标准），而非仅仅作为外部评论，从而使系统能够在保持自动化的同时，从专家的决策中学习。