Rethinking Scientific Discovery in an Agentic Era

背景

当前，人工智能在推动科学发现方面取得了显著进展，但大多数 AI for Science（AI4Science）系统仍然只是零散的工具，依赖人类来协调问题的提出、文献知识支撑、模型使用、模拟仿真、验证以及知识的复用。这种碎片化的模式导致科研流程难以追溯、难以复用，且缺乏统一的执行与协调机制。随着大语言模型和多智能体系统的兴起，研究者开始探索如何将 AI 从“辅助工具”升级为“自主研究伙伴”，但现有系统在分解复杂任务、验证结果、记忆复用等方面仍有明显不足。在此背景下，论文提出了一个面向智能体时代的科学发现操作系统 SCION，旨在将科研从人工协调的松散流程转变为可执行、可审计、可复用的协同过程。

核心内容

论文提出了 SCION（Scientific Collaborative Innovation with Agentic Organizational Nexus，即“面向科学协同创新的智能体组织枢纽”），这是一个智能体化的科学操作系统，其核心定位是作为一个“组织枢纽（organizational nexus）”。SCION 通过一个被称为“元框架（Meta-Harness）”的 Science Agent，将科学任务、工具、智能体、人工制品（artifacts）和记忆连接起来，把研究转化为可执行、可审计且可复用的操作流程。

SCION 的核心组件是 Research Execution Plan（REP，研究执行计划）。REP 将高层次的研究意图编译为分阶段的目标、依赖关系、验证检查点、工具需求、预期产出以及回退条件（fallback conditions）。基于 REP，SCION 进一步整合了分层多智能体执行、基于画像的专业化分工、选择性上下文构建、受控委派以及分层认知记忆（layered epistemic memory），以支持长周期的科学工作。

论文将 SCION 框架下的科学发现形式化为 “目标条件化逆向搜索（Target-conditioned Inverse Search）”，并在有限实验预算下，通过批量主动搜索（batch active search）将其扩展到隐藏目标（hidden-target）场景。应用案例涵盖材料分析、分子设计、蛋白质/抗体筛选；实验环节则包括科学阅读、想法生成、分子生成和抗体筛选。结果表明，SCION 在任务分解、验证、优化和记忆复用等方面均优于现有的自主研究智能体基线系统。

关键要点

• SCION 的本质：一个以组织枢纽为定位的智能体操作系统，非单一智能体，而是连接工具、智能体、数据和记忆的协同层。
• Science Agent（元框架）：作为顶层协调者，负责管理和编排所有子智能体与资源。
• Research Execution Plan（REP）：将研究意图转化为结构化执行计划，包含阶段目标、依赖、验证点、工具需求、预期产出和回退条件。
• 分层多智能体执行：支持不同层级的智能体协作，通过画像（profile）驱动专业化分工。
• 选择性上下文与受控委派：智能体只获取与当前任务相关的上下文，并通过委派机制避免信息过载和错误扩散。
• 分层认知记忆：保存不同粒度的知识（如实验结果、推理链、外部文献），支持长期复用。
• 形式化发现模型：提出 Target-conditioned Inverse Search，并在有限实验预算下扩展为 batch active search 处理隐藏目标。
• 实验验证领域：材料分析、分子设计、蛋白质/抗体筛选、科学阅读、想法生成。
• 性能优势：相比基线方法，在任务分解、验证、精细化优化和记忆复用方面显著提升。

意义与影响

SCION 的提出标志着 AI for Science 从零散工具向统一操作系统的范式转变。通过将研究流程形式化为可执行的 REP，SCION 不仅提高了科研的可审计性和可重复性，还使长周期、多步骤的复杂科学任务能够被智能体系统自主完成。其分层记忆与选择性上下文机制为解决“智能体遗忘”和“上下文溢出”等实际问题提供了可行方案。此外，Target-conditioned Inverse Search 为在有限资源下进行智能探索提供了理论框架。从应用前景看，SCION 有望加速材料、药物、蛋白质设计等领域的发现速度，并为未来构建完全自主的“AI 科学家”奠定基础。论文通过多个领域的实验证明了框架的有效性，展示了从工具集成到系统级创新的巨大潜力。