认真学习！哈佛大学、麻省理工联合发文：利用AI代理赋能生物医学发现！

文章提出了一个愿景，即利用AI代理作为“科学家”，与人类创造力和专业知识相结合，分析大型数据集，探索假设空间，执行重复性任务，加速生物医学发现流程。

1. 引言

文章首先提出了AI在生物医学领域的长期愿景，即开发能够进行重大科学发现的AI系统，实现所谓的“诺贝尔图灵挑战”。作者们讨论了基于代理的AI的发展，这些代理能够通过协调大型语言模型（LLMs）、机器学习（ML）工具、实验平台或它们的组合，进行怀疑性学习和推理。

图1：利用AI代理增强生物医学研究。AI代理为能够进行怀疑性学习和推理的“人工智能科学家”铺平了道路。这些多代理系统由基于对话的大型语言模型（LLMs）的代理组成，并且能够协调机器学习（ML）工具、实验平台、人类，或甚至是它们的组合。具体包括：

• 机器人代理：操作机器人硬件进行物理实验的AI代理；

• 数据库代理：可以通过“函数调用”和APIs在数据库中检索信息的AI代理；

• 推理代理：能够进行直接推理和带有反馈的推理的AI代理；

• 假设代理：在发展假设时具有创造力和怀疑精神的AI代理，能够表征自己的不确定性并将其作为驱动力来完善其科学知识基础；

• 头脑风暴代理：生成广泛研究思路的AI代理；

• 搜索引擎代理：使用搜索引擎作为工具快速收集信息的AI代理；

• 分析代理：能够分析实验结果以总结发现并综合概念的AI代理；

• 实验规划代理：优化实验方案以供执行的AI代理。

2. 数据驱动模型的演变

文章回顾了数据驱动模型如何在过去几十年中通过数据库、搜索引擎、机器学习和交互式学习模型的发展，重塑了生物医学研究。这些模型通过挖掘生物医学数据，推进了对蛋白质、基因、表型、临床结果和化学化合物的建模。

• 数据库和搜索引擎：聚合实验和研究知识，提供可搜索的、包含标准化生物数据词汇的存储库。

• 机器学习模型：在识别模式和整合潜在知识方面表现出色，能够对新数据做出预测。

• 交互式学习模型：通过探索和反馈机制提高ML技术的适应性和效率。

3. 生物医学AI代理的类型

作者们区分了基于大型语言模型的AI代理和多代理AI系统。基于LLM的代理通过预训练和领域内微调，能够访问工具并模拟人类专家的专业知识。多代理系统则结合了具有不同能力的代理，每个代理都拥有专门的工具和领域特定知识，以提高任务执行的效率。

4. 自主性水平

AI代理根据其在假设生成、实验设计和推理三个领域的能力被分为四个自主性水平。从Level 0（无AI代理，使用ML模型作为工具）到Level 3（AI代理作为科学家，能够发展和推断超出现有研究范围的假设），每个水平都代表了AI代理在科学研究中独立性的增加。

• Level 0：没有AI代理，ML模型作为工具。

• Level 1：AI代理作为研究助理，执行科学家定义的狭窄任务。

• Level 2：AI代理作为合作者，与科学家合作细化假设。

• Level 3：AI代理作为科学家，能够发展和推断超出现有研究范围的假设。

5. 构建AI代理的路线图

文章提出了构建AI代理所需的关键模块，包括感知模块（使代理能够理解和与环境中的元素交互）、交互模块（使代理能够与人类、其他代理和工具进行交流）、记忆模块（存储和检索知识）以及推理模块（处理信息并执行行动计划）。

• 感知模块：使代理能够理解和与环境中的元素交互。

• 交互模块：使代理能够与人类、其他代理和工具进行交流。

• 记忆模块：存储和检索知识，包括长期记忆和短期记忆。

• 推理模块：处理信息并执行行动计划。

7. 结论

文章总结了AI代理在生物医学研究中的潜力，并强调了负责任地开发和部署这些代理的重要性。作者们认为，通过建立信任、确保透明度和持续的评估，AI代理可以成为加速科学发现和提高研究效率的强大工具。