AutoScientists：面向长周期科学实验的自组织智能体团队

科学研究通过假设生成、实验设计、执行与修订的迭代循环向前推进。AI智能体可以自动化这一过程的部分环节，但现有方法通常沿单条研究轨迹推进，或通过目标固定的中央规划器进行协调。因此，它们难以维持并行探索，难以随实验证据的变化而调整，也难以在长周期实验中保留关于失败方向的知识。我们提出AutoScientists，一个面向长周期计算科学实验的去中心化AI智能体团队。智能体解读共享的实验状态，围绕有前景的假设自组织成团队，在使用实验算力之前对提案进行评审，并共享成功与失败以减少冗余探索。在匹配的实验预算下，AutoScientists在生物医学机器学习、语言模型训练优化和蛋白质适应度预测上均优于先前的AI智能体。在涵盖生物医学成像、蛋白质工程、单细胞组学与药物发现的BioML-Bench上，AutoScientists在24个任务中取得74.4%的平均排行榜百分位，较最强AI智能体提升+8.33%。在GPT训练优化上，AutoScientists达到目标验证bits-per-byte的速度比Autoresearch快1.9倍，并在单智能体方法一无所获的情况下从一个起始冠军方案出发持续发现改进（7对0个被接受的改进）。在ProteinGym适应度预测上，AutoScientists发现了一种用于ACE2-Spike结合的方法，其Spearman相关较当前最先进模型提升+12.5%。在不加修改地应用于全部217个ProteinGym检测时，同一方法较此前最先进水平提升+6.5%（Spearman相关）。