SAGA:一种能自主演化科研目标的AI Agent
在真实的科学研究中,初始定义的优化目标往往难以覆盖所有复杂情况,科学家通常需要根据实验反馈不断调整评分函数、增加约束或重新平衡权重。针对这一痛点,来自Cornell、MIT、UC Berkeley等高校和机构的研究团队联合提出了SAGA(Scientific Autonomous Goal-evolving Agents)。该系统不仅能在给定目标下进行搜索,更重要的是具备自主决定“应该搜索什么”的能力,旨在构建像科学家一样思考的AI Agent。
01核心架构:双层循环机制
SAGA 采用双层循环架构(Bi-level Architecture),通过内外两层协作实现目标的自主演化:
- 外层循环(Sub Agent):负责分析优化结果,基于反馈提出新的目标建议,并将其转化为可执行的代码。
- 内层循环(Optimizer):利用多种优化算法(如LLM驱动优化、遗传算法、强化学习等),在当前设定的目标下搜索候选方案。
02五大跨领域任务验证
SAGA 已在包括湿实验在内的5个跨领域任务中完成验证,涵盖了从分子设计到化工流程的广泛场景:
| 应用领域 | 具体任务 | 验证成果 |
|---|---|---|
| 抗生素设计 | 寻找安全且可合成的抗生素 | 成功模拟并合成4种显著抑制大肠杆菌的化合物;其中1种对人体细胞无毒且结构新颖 |
| 纳米抗体设计 | 针对PD-L1从头设计纳米抗体 | 3个候选方案经实验证实为真实结合物;自主演化评分函数有效区分了结合剂与非结合剂 |
| 功能性DNA设计 | HepG2特异性增强子设计 | 性能相较SOTA方法提升约50%;自主发现TF motif富集和GC含量限制等专家级目标 |
| 无机材料设计 | 永磁体和超硬材料设计 | 结果得到DFT计算验证的支撑 |
| 化工流程设计 | 化学分离流程优化 | 从零开始优化,产生了分离水和丁烷的新颖工作流 |
SAGA在五大任务中的实测表现
03人机协作的三种模式
协作模式对比
Co-pilot
人机协作规划
- 允许人类与AI共同参与规划过程
- 结合人类直觉与AI搜索能力
Semi-pilot
人类反馈驱动
- AI主要执行搜索
- 根据人类提供的反馈进行目标调整
Autopilot
完全自主演化
- AI独立完成从目标设定到优化的全过程
- 适合高度自动化且目标明确的场景
SAGA 提出了AI for Science的新视角:让AI学会像科学家一样,在不断尝试中自主修正目标。这种设计旨在使AI成为辅助人类科研的强力工具,而非简单的替代者。
当前文章无评论,是时候发表评论了