传统的科学发现依赖于假设、实验和优化的迭代循环，但这一过程往往依赖直觉和临时方法，可能导致资源浪费、设计效率低下并错失关键洞见。本教程介绍的贝叶斯优化是一种基于原则的概率驱动框架，旨在将这一核心科学循环形式化和自动化。 贝叶斯优化使用代理模型（如高斯过程）将经验观察建模为不断演化的假设，并利用采集函数来指导实验选择。该方法在利用已知知识和探索未知领域之间取得平衡，从而消除猜测和手动试错。教程首先将科学发现构建为一个优化问题，然后详细解析贝叶斯优化的核心组件、端到端工作流程，并通过在催化、材料科学、有机合成和分子发现等领域的案例研究展示其实际效能。 此外，教程还涵盖了针对科学应用的关键技术扩展，包括批量实验、异方差性处理、上下文优化以及人机协同集成。本教程内容面向广泛受众，旨在搭建人工智能中贝叶斯优化进展与自然科学实际应用之间的桥梁，通过分层内容设计，赋能跨学科研究人员设计更高效的实验，加速基于原则的科学发现进程。