【第650期】AutoScientists：自组织智能体团队助力长期科学实验探索

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法、crypto方向，让大家跟着AI一起进步。

如果你想要解读自己的论文，获得更多曝光度。请联系小助手微信：seventy3_podcast 加群。
合作邮箱：zhiwudazhanjiangshi#gmail.com

今天的主题是：

AUTOSCIENTISTS: Self-Organizing Agent Teams for Long-Running Scientific Experimentation

Summary

科学研究是通过“假设生成、实验设计、执行和修正”的迭代循环来推进的。AI 智能体可以使这一过程的部分环节实现自动化，但现有的方法通常遵循单一的研究轨迹，或者通过一个具有固定目标的核心规划器来进行协调。因此，在长期运行的实验中，它们难以维持并行探索、难以随着实验证据的变化而进行调整，也难以保存有关失败方向的知识。

我们引入了 AutoScientists，这是一个用于长期计算科学实验的去中心化 AI 智能体团队。智能体们共同解读一个共享的实验状态，围绕有前景的假设自发组织成团队，在调用实验算力前对提案进行审辩式评议（critique），并分享成功与失败的经验以减少冗余探索。

在相同的实验预算下，AutoScientists 在生物医学机器学习、语言模型训练优化以及蛋白质适应度预测方面均比先前的 AI 智能体有所提升：

• 在 BioML-Bench 上（涵盖生物医学成像、蛋白质工程、单细胞组学和药物发现），AutoScientists 在 24 个任务中实现了 74.4% 的平均排行榜百分位，比最强的 AI 智能体提高了 +8.33%。

• 在 GPT 训练优化上，AutoScientists 达到目标验证位/字节（bits-per-byte）的速度比 Autoresearch 快 1.9 倍，并且能够从一个初始的最优基准（starting champion）出发持续发现改进方案，而单智能体方法在此时则无法找到任何改进（采纳的改进方案数量为 7 对 0）。

• 在 ProteinGym 适应度预测上，AutoScientists 发现了一种用于 ACE2-Spike 结合的方法，该方法相比当前最先进（SOTA）的模型在斯皮尔曼相关系数（Spearman correlation）上提升了 +12.5%。在不加修改地应用到所有 217 个 ProteinGym 测试中时，该方法将先前的最先进水平提升了 +6.5%（斯皮尔曼相关系数）。

原文链接：https://arxiv.org/abs/2605.28655