Problem

目前的 AI 代理在自動化科學實驗時，多受限於單一研究路徑或由中央計畫者主導的固定目標。這導致系統在長期實驗中難以維持多線並行的探索，且無法靈活因應實驗證據的變化，亦難以有效保存並學習失敗的經驗，造成資源重複浪費。

Method

提出名為 AutoScientists 的去中心化 AI 代理團隊，成員能根據共用的實驗狀態，針對具潛力的假說自主組織成小組。系統在消耗運算資源前會先對提案進行內部評議，並透過共享成功與失敗的紀錄來減少冗餘探索，實現長時程的計算科學實驗自動化。

Results

在 BioML-Bench 的 24 項任務中，AutoScientists 達到 74.4% 的平均百分位數，超越現有最強代理 8.33%。在 GPT 訓練優化中，其達成目標的速度快了 1.9 倍；在 ProteinGym 測試中，該系統發現的新方法將 ACE2-Spike 結合預測的相關性提升了 12.5%，整體效能亦優於現有最先進模型。

Significance

此研究證明了去中心化代理協作在複雜科學任務中的巨大潛力。透過自我組織與知識共享，AutoScientists 為生物醫學研究、藥物開發及大型模型優化提供了一個更高效、具備韌性且能持續自我進化的自動化研究框架。