最近，美国麻省理工学院（MIT，MassachusettsInstituteofTechnology）团队发布了一个名为“SciAgents”的AI系统。

该系统通过结合大规模本体知识图谱、大语言模型和多智能系统，揭示出传统研究方法中经常忽略的隐藏跨学科联系，从而实现了材料领域的自动化科学探索。

SciAgents在整个科研探索过程中能够“自动搞定”，包括：自主阅读文献、确定研究方向、设计和执行实验。

该研究不仅展示了AI在材料设计和研究领域的潜力，还为发现新材提供了新途径，并有望显著加速新材料的开发进程。

近日，相关论文以《通过多智能体智能图推理实现科学发现自动化》（SciAgents：Automatingscientificdiscoverythroughmulti-agentintelligentgraphreasoning）为题发表在预印本网站arXiv上[1]。

MIT博士后研究员阿利雷扎·加法罗拉希（AlirezaGhafarollahi）是第一作者，马库斯·J·布勒（）教授担任通讯作者。

然而需要了解的是，随着学科交叉和科学知识的扩展，分析和处理数据的复杂性也在逐渐提升，特别是其中蕴含的某些隐藏信息和联系，这也成为研究人员在科学探索中的挑战之一。

近年来，AI的发展和进步为科学发现和设计带来新范式，其能够加速分析海量数据集、自动检索关联性，还可以综合处理更广范围的各种信息。

例如，谷歌DeepMind曾开发出旨在促进材料发现过程的AI系统GNoME，并基于该系统发现了220万种新晶体。

SciAgents的核心在于多智能体图推理能力，这一能力使其能够自主推进科学理解、探索相关领域、识别复杂模式，并在海量科学数据中发现此前尚未建立的联系。

这一系统不仅提高了研究的规模和精度，还超越了以人为中心的传统研究方法的探索能力。

总结来说，SciAgents的工作原理依赖于以下三点：

第一，使用大规模本体知识图谱，以组织和连接不同的科学概念；第二，运用一系列大型语言模型和数据检索工具组合；第三，采用具有现场学习能力的多智能体系统。

基于此，该系统通过智能协作，不仅能自动构建和细化研究假设，还能揭示潜在的机制、设计原则和一些难以发现的材料特性。

与人类相比，SciAgents在理解信息、发现关联性和提出假设方面优势更明显。

具体来说，它不仅能从海量数据中发现某种特殊的联系，还能对已有研究进行深入评估和分析。

这种方法使SciAgents能够发现新材料、针对现有假设提出改进意见、检索最新的研究数据，并指出相关优势和局限性。

从SciAgents的工作流程来看，它能够在识别关键词/分析科学论文后生成知识图谱，再利用这些信息自动化地进行科学发现。

该系统内的多个智能体以不同的策略进行交互。一些遵循预定义的任务序列以确保假设的一致性，而另一些则允许自由交互，以适应研究过程中的变化。

值得注意的是，知识图谱在SciAgents的运行中发挥了关键作用。它通过将各种概念和知识整合，帮助系统发现那些此前被忽略的、看似不相关的假设。

SciAgents利用随机路径生成和高级推理，从复杂的数据网络中挖掘出关键信息，进而促进更深层次的科学研究。

SciAgents在仿生材料、新药开发、环境等领域展现出应用潜力。

一方面，通过分析和合成大型数据集中的模式和联系，可显著加速科学发现和发展过程；另一方面，通过为相关领域提供新方案，或促进更多的发现。

SciAgents为科学领域带来了新的启发和帮助，同时也引发了一些讨论。尽管它展现出强大的科研能力，但人类研究人员的创造力、直觉和批判性思维仍然不可或缺。

因此，在未来的发展中，怎样兼顾AI系统的效率与人类创造力的价值，将是科研领域需要继续探索的重要问题之一。

参考资料：

1.

2.

3.

支持：Ren

运营/排版：何晨龙