AI離自主科研，真的越來越近了！

最近，Hyperbolic聯(lián)創(chuàng)Jasper Zhang在采訪中稱，AI智能體已經(jīng)可以自主租用GPU，利用PyTorch進行開發(fā)了。

其實，在科研方面，AI智能體也是一把能手。

只要腦海里有科研的奇思妙想，一份高質(zhì)量的研究報告甚至連代碼，都能很快呈現(xiàn)在你眼前。

這不，AMD聯(lián)手霍普金斯打造出的一款「智能體實驗室」，瞬間在全網(wǎng)爆火。

這個超牛的AI系統(tǒng)，代號叫做Agent Laboratory，全程靠LLM驅(qū)動！

從文獻綜述開始，到開展實驗，再到最后生成報告，就像一位不知疲倦的科研小能手，一站式搞定整個科研流程。

Agent Laboratory由LLM驅(qū)動的多個專業(yè)智能體組成，自動處理編碼、文檔編寫等重復(fù)耗時的任務(wù)。

在研究的每個階段，用戶都可以提供反饋與指導(dǎo)。Agent Laboratory旨在助力研究人員實現(xiàn)研究創(chuàng)意，加速科學(xué)發(fā)現(xiàn)，提高研究效率。

論文地址：https://arxiv.org/abs/2501.04227

研究發(fā)現(xiàn)：

1. 由o1-preview驅(qū)動的Agent Laboratory產(chǎn)出的研究成果最佳；
2. 與現(xiàn)有方法相比，Agent Laboratory生成的代碼達到先進水平；
3. 人類在各階段提供的反饋，顯著提升了研究的整體質(zhì)量；
4. Agent Laboratory大幅降低研究費用，與傳統(tǒng)研究方法相比，費用減少了84%。

Agent Laboratory有三個關(guān)鍵階段：文獻綜述、實驗設(shè)計和報告撰寫。

由LLM驅(qū)動的專業(yè)智能體（如博士、博士后等）協(xié)同工作，承擔(dān)文獻綜述、實驗規(guī)劃、數(shù)據(jù)準(zhǔn)備和結(jié)果解釋等工作。這些智能體還會集成arXiv、Hugging Face、Python和LaTeX等外部工具，來優(yōu)化結(jié)果。

文獻綜述

文獻綜述階段，旨在收集、整理與給定研究主題相關(guān)的論文，為后續(xù)研究提供參考。

在這個過程中，博士智能體借助arXiv API檢索相關(guān)論文，并執(zhí)行三個主要操作：摘要、全文和添加論文。

• 摘要：從與初始查詢相關(guān)的前20篇論文中提取摘要
• 全文：提取特定論文的完整內(nèi)容
• 添加論文：將選定的摘要或全文納入到文獻綜述

該過程并非一次性完成，而是迭代進行。智能體多次執(zhí)行查詢，依據(jù)論文內(nèi)容評估其相關(guān)性，篩選出合適的論文，構(gòu)建全面的文獻綜述。

當(dāng)通過「添加論文」命令達到指定數(shù)量（N=max）的相關(guān)文獻后，文獻綜述才會完成。

實驗環(huán)節(jié)

實驗環(huán)節(jié)包括制定計劃、數(shù)據(jù)準(zhǔn)備、運行實驗和結(jié)果解釋。

制定計劃

在這個階段，依據(jù)文獻綜述和研究目標(biāo)，智能體需要制定一份詳盡且可行的研究計劃。

博士和博士后智能體通過對話協(xié)作，明確研究方法，比如要采用哪些機器學(xué)習(xí)模型、使用什么數(shù)據(jù)集，以及實驗的主要步驟。

達成一致后，博士后智能體通過「計劃」命令提交該計劃，作為后續(xù)子任務(wù)的行動指南。

數(shù)據(jù)準(zhǔn)備

在此階段，ML工程師智能體負責(zé)執(zhí)行Python命令來運行代碼，為實驗籌備可靠的數(shù)據(jù)。該智能體有權(quán)限訪問 HuggingFace數(shù)據(jù)集。

代碼完成后，ML工程師智能體通過「提交代碼」命令提交。在正式提交前，代碼會先經(jīng)過Python編譯器檢查，確保不存在編譯問題。若代碼有錯誤，這個過程將反復(fù)進行，直至代碼無誤。

運行實驗

在運行實驗階段，ML工程師智能體借助mle-solver模塊來執(zhí)行之前制定的實驗計劃。

mle-solver是一個專門的模塊，主要功能是自主生成、測試以及優(yōu)化機器學(xué)習(xí)代碼，其工作流程如下：

A. 命令執(zhí)行

在命令執(zhí)行階段，初始程序是從預(yù)先維護的高性能程序中選取的。

mle-solver通過「REPLACE」和「EDIT」這兩個操作，對這個程序進行迭代優(yōu)化。

「EDIT」操作會選定一系列行，用新生成的代碼替換指定的內(nèi)容。「REPLACE」操作會直接生成一個全新的Python文件。

B. 代碼執(zhí)行

執(zhí)行代碼命令后，編譯器會檢查新程序在運行時是否存在錯誤。

若程序成功編譯，系統(tǒng)會給出一個得分。若該得分高于現(xiàn)有程序，頂級程序列表就會更新。

要是程序編譯失敗，智能體就會嘗試修復(fù)代碼，最多嘗試3次。如果修復(fù)失敗，就會返回錯誤提示，重新選擇或生成代碼。

C. 程序評分

通過基于LLM獎勵模型對編譯成功的代碼打分，評估m(xù)le-solver生成的機器學(xué)習(xí)代碼的有效性。

該獎勵模型會依據(jù)研究計劃、生成的代碼以及觀察到的輸出，對程序進行評分，評分范圍是0到1。得分越高，表明程序能夠更有效地實現(xiàn)研究目標(biāo)。

D. 自我反思

無論代碼運行成功與否，mle-solver都會依據(jù)實驗結(jié)果或者錯誤信號進行反思。智能體會思考每個步驟，力求優(yōu)化最終結(jié)果。

如果程序編譯失敗，求解器就會琢磨下一次迭代時該怎么解決這個問題。要是代碼成功編譯且有了得分，求解器則會思考怎樣提高這個分?jǐn)?shù)。這些反思旨在幫助系統(tǒng)從錯誤中學(xué)習(xí)，并在后續(xù)迭代中提高代碼質(zhì)量和穩(wěn)定性。

E. 性能穩(wěn)定化

為避免性能出現(xiàn)波動，采用了兩種機制：頂級程序采樣和批量并行化。這兩種策略在探索新解決方案和優(yōu)化現(xiàn)有方案之間找到平衡，讓代碼修改過程更加穩(wěn)定 。

• 頂級程序采樣：指維護一組評分最高的程序。在執(zhí)行命令前，會從這組程序中隨機挑選一個，既能保證程序的多樣性，又能確保質(zhì)量。
• 批量并行化：求解器每進行一步操作，都會同時對程序做出N次修改，然后從這些修改中挑選出評分最高的，去替換頂級集合里評分最低的程序。

研究者在MLE-bench的10個ML挑戰(zhàn)中單獨評估了mle-solver。mle-solver始終優(yōu)于其他求解器，獲得了更多獎牌，并在10個基準(zhǔn)中的6個中達到了高于中位數(shù)的人類表現(xiàn)。

解釋結(jié)果

在此階段，博士和博士后智能體一同探討對mle-solver得出的實驗結(jié)果的理解，旨在從實驗結(jié)果中提煉出有價值的見解。

當(dāng)他們就某個有意義的解釋達成共識，且認為該解釋能為學(xué)術(shù)論文增添價值時，博士后智能體便會通過「解釋」命令提交該解釋，為后續(xù)的報告撰寫提供支撐。

撰寫研究報告

報告寫作階段，博士和教授智能體負責(zé)把研究成果整理成一份完整的學(xué)術(shù)報告。這一過程借助名為paper-solver的模塊，來迭代生成并完善報告。

paper-solver并非要完全取代學(xué)術(shù)論文的寫作過程，而是以人類易于理解的格式，對已完成的研究成果進行總結(jié)。

該模塊生成的報告遵循學(xué)術(shù)論文的標(biāo)準(zhǔn)結(jié)構(gòu)。paper-solver模塊的工作流程如下：

A. 初始報告框架

paper-solver的首要任務(wù)是生成研究論文的初始框架。該框架框架遵循學(xué)術(shù)規(guī)范，采用了LaTeX編譯所需的格式，生成的論文能直接進入審閱和修改環(huán)節(jié)。

B. ArXiv研究

paper-solver可按文獻綜述接口訪問arXiv，探索與當(dāng)前撰寫主題相關(guān)的文獻，還可以查找可引用的論文。

C. 報告編輯

使用「EDIT」命令，對LaTeX代碼進行迭代和修改，確保論文與研究計劃相符、論點清晰且滿足格式要求。

D. 論文審閱

這個系統(tǒng)借助基于LLM的代理，模擬科學(xué)論文的審閱過程，遵循NeurIPS會議的審稿指南對論文進行評估。

E. 論文完善

在論文修改階段，根據(jù)三個評審代理給出的反饋意見，博士智能體負責(zé)決定論文是需要修訂。這一過程能夠持續(xù)優(yōu)化研究報告，直至達到較高標(biāo)準(zhǔn)。

輔助駕駛模式

Agent Laboratory有兩種運行模式：自主模式和輔助駕駛模式。

自主模式下，用戶僅需提供初始研究思路，此后整個過程完全無需人工干預(yù)。每完成一個子任務(wù)，系統(tǒng)便會自動按順序推進至下一個子任務(wù)。

輔助駕駛模式下，同樣是先提供研究思路。不同的是，每個子任務(wù)結(jié)束時設(shè)有檢查點。在這些檢查點，人工審閱者會對代理在該階段的工作成果（如文獻綜述總結(jié)、生成的報告等）進行審閱。

人工審閱者有兩個選擇：一是讓系統(tǒng)繼續(xù)推進到下一個子任務(wù)；二是要求代理重復(fù)當(dāng)前子任務(wù)，并給出改進建議，助力代理在后續(xù)嘗試中表現(xiàn)更佳。

o1-preview總分最高

通過比較15篇由10位博士審閱的論文，研究者分析了3個LLM（gpt-4o、o1-mini、o1-preview）在實驗質(zhì)量、報告質(zhì)量和實用性方面的表現(xiàn)。人類評審者使用NeurIPS風(fēng)格的標(biāo)準(zhǔn)來評估論文。

o1-preview的總分最高（4.0/10），其次是o1-mini（3.8）和gpt-4o（3.5）。o1-preview在實用性和報告質(zhì)量方面表現(xiàn)出色，o1-mini在質(zhì)量上領(lǐng)先。

而在重要性和貢獻這兩項上，所有模型的表現(xiàn)都較為普通，這反映出模型在原創(chuàng)性和影響力方面存在局限。

所有模型的得分均低于NeurIPS的平均分，表明生成的論文在技術(shù)性和方法論的嚴(yán)謹(jǐn)性上顯著不足。凸顯了進一步優(yōu)化Agent Laboratory的必要性，讓其生成的內(nèi)容符合高質(zhì)量出版物的標(biāo)準(zhǔn)。

在輔助駕駛模式下，研究人員對論文的實用性（3.5/5）、延續(xù)性（3.75/5）、滿意度（3.63/5）和可用性（4.0/5）進行了評分。輔助駕駛模式下的論文質(zhì)量從3.8/10提高到4.38/10。

運行時間和成本分析顯示，gpt-4o的計算效率和成本效益最佳，完成時間為1165.4秒，成本為2.33美元，優(yōu)于o1-mini（3616.8秒，7.51美元）和o1-preview（6201.3秒，13.10美元）。

報告撰寫是成本最高的階段，尤其是o1-preview（9.58美元）。

Agent Laboratory的出現(xiàn)，無疑是科研領(lǐng)域的一次重大革新，展現(xiàn)了AI在助力科研上的巨大潛力。

盡管它還存在一些需要完善的地方，如生成論文在某些方面與高質(zhì)量出版物標(biāo)準(zhǔn)尚有差距，但它所帶來的高效、便捷以及新思路，已經(jīng)讓我們看到了未來科研發(fā)展的新方向。