Networked Intelligence: Active Shared Context Graphs for Human-AI Team Science

背景

当前的 AI-for-science 系统大多聚焦于扩展单一推理过程：通过更好的模型、更大的上下文窗口、长程 agent 执行，或者与单一主用户协作的数字共同科学家。然而，真正有挑战性的科学问题很少由单个推理者独立解决。它们是由团队解决的——团队成员带着不同的先验知识、实验背景、隐性知识和经过领域训练形成的直觉。因此，关键问题不仅是如何扩展模型，而是如何培育“网络化智能”（networked intelligence）：扩展人类与 AI 系统之间的连接，使得在一个上下文中产生的结果或假设能够到达另一个可以据此采取行动的人、agent、仪器或机器人。

核心内容

本文提出 Mycelium——一个主动共享工作空间，能自动将研究人员和 AI agent 连接成一个多用户共同科学家（multi-user co-scientist）。当人类用户和 agent 工作时，系统会捕获重要的观察结果和假设，追踪它们与团队不断演化的模型之间的关系，并将它们路由到下一个决策可以从中获益的人或 agent。

作者在首次实证测试中评估了 Mycelium：一项生物学多组学（multi-omics）研究活动。在该活动中，路由后的共享上下文将一个局部分析发现转化为跨专家的机制约束，并最终转化为一个实验设计方案。

此外，本文还为网络化智能提供了一个计算层面的解释：将其视为分布式科学上下文上的稀疏条件计算（sparse conditional computation over distributed scientific contexts）。这一解释区分了两种情况：何时一个扩展后的独立 agent 能够匹配网络的效果，以及何时独立的专业知识和不可合并的上下文（non-mergeable contexts）使得网络不可约简（irreducible）。

关键要点

• Mycelium 是一个主动共享工作空间，自动连接人类研究人员和 AI agent，形成多用户共同科学家。
• 系统在用户和 agent 工作时持续捕获重要观察与假设，并追踪它们与团队模型的关系。
• 系统将关键信息路由到最需要该信息的个人或 agent，以影响其下一步决策。
• 首次实证测试在生物学多组学领域进行，展示了共享上下文如何将局部发现转化为跨专家的机制约束，并最终形成实验设计。
• 网络化智能在计算层面被建模为分布式科学上下文上的稀疏条件计算。
• 该计算框架明确指出了何时独立 agent 可以替代网络，以及何时网络因专业知识和上下文的不可合并性而不可约简。

意义与影响

Mycelium 代表了从“单个智能体”向“多智能体网络”范式的转变。它强调了科学发现中协作与上下文共享的重要性，而非仅依赖单一模型的能力提升。通过在真实科学场景中验证其有效性，该工作为未来构建人-AI 协作的团队科学平台提供了设计原则和理论基础。稀疏条件计算框架则提供了一种形式化工具，用于判断何时需要网络化架构而非独立 agent，这有助于指导系统设计者在扩展性与协作成本之间做出合理权衡。