在谷歌DeepMind实验室,研究人员开发了一种名为Model Discovery Agent(MDA)的创新系统,它从根本上改变了科学研究的方法。这个数字助手不仅能生成所研究现象的潜在机制,还能自主确定在每个工作阶段哪个实验最具信息量,然后根据获得的结果修正初始假设。

MDA的架构基于主动学习和贝叶斯优化原理。该系统在闭环中运行:提出假设、规划实验、分析数据并完善模型。这种方法能够最大限度地减少所需实验的数量,这在分子生物学或材料科学等成本高昂的领域至关重要。

在测试过程中,该代理在物理、化学和生物学的任务集上进行了测试。结果显示,MDA显著优于用于分析实验数据的传统机器学习方法。使用新代理的模型学习效率大幅提高,这为将科学发现速度提升数倍开辟了前景。

特别令人感兴趣的是MDA处理不完整和含噪声数据的能力,这是真实实验室研究中不可或缺的一部分。与需要明确问题设定的经典方法不同,该代理能够实时适应实验条件。

引入此类人工智能系统能够转变科学方法论,将重点从常规的选项枚举转向研究的战略性规划。然而,值得注意的是,科学过程的完全自动化目前仍处于人类研究人员的控制之下,由他们设定目标并解释基础性结果。

我的分析:MDA的出现是迈向创建“自主实验室”的重要一步,在这些实验室中,人工智能承担了研究循环中的常规部分。在未来几年,我们很可能会看到此类代理被集成到商业科学平台中,这将显著降低新材料和药物上市的成本和时间。