Agenci

AI Scientist

2024BadawczyOpublikowano: 9 września 2026Aktualizacja: 9 września 2026Opublikowany

System AI zdolny autonomicznie prowadzić badania naukowe: generować hipotezy, projektować i uruchamiać eksperymenty, analizować wyniki i pisać artykuły naukowe.

Kluczowa innowacja

Zamyka całą pętlę badań naukowych — od generowania hipotez, przez projektowanie i uruchamianie eksperymentów, po analizę wyników i pisanie artykułów — w jednym autonomicznym systemie agentowym, bez człowieka w pętli.

Kategoria

Agenci

Poziom abstrakcji

System

Poziom operacji

Środowisko agentoweSystemOrkiestracja

Zastosowania

Automatyczne odkrycia w uczeniu maszynowymGenerowanie i priorytetyzacja hipotez badawczychAutomatyczne projektowanie i uruchamianie eksperymentówRedakcja artykułów naukowych i przeglądów literaturyAutomatyczna recenzja naukowaOdkrycia biomedyczne (repozycjonowanie leków, cele terapeutyczne)

Jak działa

System działa jako agent (lub zespół wyspecjalizowanych agentów) sterowany LLM-em. Typowy potok: (1) generowanie pomysłów — model proponuje nowe kierunki i weryfikuje ich nowość względem literatury (np. przez Semantic Scholar); (2) iteracja eksperymentalna — agent pisze i uruchamia kod, zbiera metryki, generuje wykresy; (3) redakcja artykułu — system tworzy manuskrypt (np. w LaTeX) z cytowaniami; (4) automatyczna recenzja — osobny agent-recenzent ocenia pracę i przekazuje feedback do kolejnej iteracji. Systemy multi-agentowe (np. Google AI co-scientist) rozdzielają role na agentów Generation, Reflection, Ranking (turnieje Elo), Evolution, Proximity i Meta-review, wykorzystując debatę typu self-play i skalowanie compute w czasie inferencji.

Rozwiązany problem

Badania naukowe — szczególnie w ML — są wąskim gardłem ograniczonym liczbą wykwalifikowanych badaczy oraz czasem potrzebnym na iterację hipoteza→eksperyment→analiza→publikacja. Koncept dąży do skalowania i przyspieszenia odkryć naukowych przez automatyzację tej pętli, obniżając koszt i zwiększając liczbę równolegle testowanych pomysłów.

Komponenty

Generator hipotez / pomysłówIdeacja

Moduł LLM proponujący nowatorskie kierunki badań i weryfikujący ich nowość względem literatury.

Oficjalna

Silnik eksperymentówWykonanie eksperymentów

Agent piszący i wykonujący kod, zbierający metryki i generujący wizualizacje.

Oficjalna

Moduł redakcji artykułuRedakcja

Generuje manuskrypt naukowy (np. LaTeX) wraz z automatycznym cytowaniem źródeł.

Oficjalna

Automatyczny recenzentEwaluacja

Osobny agent LLM oceniający jakość pracy i dostarczający feedback do iteracji.

Oficjalna

Implementacja

Implementacje referencyjne

Pułapki implementacyjne

Halucynacje i zawyżona nowość wynikówWysoka

Systemy potrafią raportować nieprawdziwe wyniki lub przeceniać oryginalność, co wymaga weryfikacji przez człowieka.

Rozwiązanie:Człowiek w pętli walidujący wyniki i sprawdzanie nowości względem literatury.

Ryzyko bezpieczeństwa autonomicznego wykonania koduWysoka

Agent uruchamiający dowolny kod może modyfikować środowisko lub podejmować niezamierzone działania — konieczne sandboxowanie.

Rozwiązanie:Izolowane środowiska wykonawcze (kontenery/sandbox) i limity zasobów.

Kwestie etyczne i integralności publikacjiŚrednia

Publikowanie prac generowanych przez AI budzi nierozstrzygnięte pytania o autorstwo i przeciążenie systemu recenzji.

Rozwiązanie:Jawne oznaczanie treści generowanych przez AI i zgoda instytucji/organizatorów.

Ewolucja

Oryginalny paper · 2024 · arXiv 2024 (Sakana AI) · Chris Lu

The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery

Chris Lu, Cong Lu, Robert Tjarko Lange, Jakob Foerster, Jeff Clune, David Ha

2024

Sakana AI publikuje „The AI Scientist”

Punkt przełomowy

Pierwszy szeroko nagłośniony w pełni zautomatyzowany potok badawczy generujący kompletne artykuły ML kosztem ~15 USD za pracę.

2025

Google prezentuje „AI co-scientist”

Multi-agentowy system oparty na Gemini 2.0 (agenci Generation, Reflection, Ranking, Evolution, Proximity, Meta-review) do generowania hipotez biomedycznych; ogłoszony 19 lutego 2025.

2025

Artykuł AI Scientist-v2 przechodzi recenzję na warsztacie ICLR 2025

W pełni wygenerowany manuskrypt uzyskał oceny 6/7/6 na warsztacie ICBINB (ICLR 2025) i został dobrowolnie wycofany przed publikacją; ogłoszono 12 marca 2025.