人工智能在科學中的代理實驗
本文介紹了兩種新穎的自主AI代理框架——DeepTS/DeepCollector和DeepScribe，它們利用混合本地-遠程架構自動化科學工作流程，包括時間序列數據整理和講座報告轉換，並討論了向知識圖譜和高能物理的擴展。
文章情報
要點
- 兩種代理框架：DeepTS/DeepCollector用於時間序列數據，DeepScribe用於講座分析。
- 混合本地-遠程架構，使用Google Colab和LLM後端。
- 採用Cellular RAG和分佈式併發控制克服上下文限制。
- 未來擴展到深度知識圖譜和高能物理（DeepQCD）。
為甚麼重要
這條新聞值得關注，因為兩種代理框架：DeepTS/DeepCollector用於時間序列數據，DeepScribe用於講座分析。
技術影響
可能影響模型選型、推理成本、產品能力和評測基準。
近日，arXiv上發佈了一篇題為《Experiments in Agentic AI for Science》的論文，詳細介紹了兩種用於科學工作流的自主AI代理框架。這兩套系統均採用了創新的“本地身體、遠程大腦”（Local Body, Remote Brain）混合架構，通過Google Colab平台運行，利用基於Python的本地協調器調用大型語言模型（LLM）雲後端，從而自動化複雜的科學任務。
第一種代理名為DeepTS/DeepCollector，專注於大規模時間序列數據集的自動化整理、提取和去重。時間序列數據在氣候建模、金融分析和醫療監測等領域至關重要，但人工處理耗時且易出錯。DeepTS/DeepCollector通過智能數據管道，高效識別、清洗和合並不同來源的數據，顯著提升數據準備的質量和效率。其核心在於利用LLM進行模式識別和數據標準化，同時結合遠程數據檢查機制確保數據完整性。
第二種代理DeepScribe則是一個自主演示分析器，專門將視覺密集、數學複雜的物理講座轉換為結構化科學報告。物理學講座常包含大量圖表、公式和推理過程，傳統方法難以自動解析。DeepScribe藉助LLM的強大理解能力，結合細粒度屬性提取技術（稱為Cellular RAG），從幻燈片圖像和演講音頻中提取關鍵信息，並以清晰結構呈現。該技術通過將文檔分割為細粒度屬性單元，實現了更精準的信息檢索與整合。
論文還展示了多項系統工程創新，如分佈式併發控制，有效克服了當前AI系統在上下文長度和推理能力方面的限制。例如，在同時處理多個數據源時，分佈式併發控制確保操作一致性和效率。此外，遠程數據檢查允許代理實時訪問和驗證外部數據，增強了可靠性。
最後，作者提出了DeepTS的通用化擴展，以支持深度知識圖譜，並討論了該概念方法在高能物理中的應用（DeepQCD項目）。這一研究展示了代理AI在加速科學發現方面的巨大潛力，有望改變科學家處理數據、生成報告和構建知識體系的方式。未來，這類自主代理可廣泛應用於跨學科研究，推動科學工作流的全面自動化。