AI 模型与平台
AMD 和约翰霍普金斯大学的 Agent Laboratory：虚拟研究团队
将 Unite.AI 添加到您在 Google 上的首选来源
虽然大家都在讨论 AI 代理 和自动化，但 AMD 和约翰霍普金斯大学却在研究如何改善人类和 AI 在研究中的合作。他们的新开源框架 Agent Laboratory 是对科学研究如何通过人类-AI 协作加速的完全重新构想。
在查看了许多 AI 研究框架后，Agent Laboratory 以其实用方法脱颖而出。与其尝试取代人类研究人员（如许多现有解决方案），它专注于增强他们的能力，通过处理研究的耗时方面，同时让人类掌控方向。
核心创新在于： Agent Laboratory 创建了一个虚拟实验室，多个专门的 AI 代理共同工作，每个代理处理研究过程的不同方面，同时保持与人类指导的锚定。
虚拟实验室的拆解
可以将 Agent Laboratory 视为一个协调良好的研究团队，但 AI 代理扮演着专门的角色。就像真正的研究实验室一样，每个代理都有特定的职责和专业知识：
- 博士代理处理文献综述和研究规划
- 博士后代理帮助完善实验方法
- 机器学习工程师代理处理技术实现
- 教授代理评估和评分研究输出
这个系统特别有趣的是其工作流程。与传统的 AI 工具不同，Agent Laboratory 创建了一个协作环境，其中这些代理相互交互并建立在彼此的工作之上。
过程遵循自然的研究进展：
- 文献综述： 博士代理使用 arXiv API 搜索学术论文，收集和组织相关研究
- 计划制定： 博士和博士后代理合作创建详细的研究计划
- 实施： 机器学习工程师代理编写和测试代码
- 分析和文档： 团队共同努力解释结果和生成综合报告
但这里是它变得非常实用的地方： 框架是计算灵活的，这意味着研究人员可以根据他们的计算能力和预算约束分配资源。这使得它成为为现实世界的研究环境设计的工具。
Schmidgall et al.
人类因素：AI 与专业知识的交汇
虽然 Agent Laboratory 具有令人印象深刻的自动化能力，但真正的魔力发生在所谓的“副驾驶模式”。在这种设置中，研究人员可以在每个阶段提供反馈，创建人类专业知识和 AI 辅助之间的真正协作。
副驾驶反馈数据揭示了一些令人信服的见解。在自主模式下，Agent Laboratory 生成的论文在人类评估中平均得分为 3.8/10。但是，当研究人员参与副驾驶模式时，这些分数跳到了 4.38/10。特别有趣的是，改进出现在哪里——论文在清晰度（+0.23）和呈现（+0.33）方面得分明显更高。
但这里是现实检查： 即使有人类参与，这些论文仍然比平均接受的 NeurIPS 论文（得分为 5.85）低约 1.45 分。这不是失败，而是关于如何补充人类专业知识和 AI 能力的重要学习。
评估揭示了另一件令人着迷的事情： AI 评审员一致将论文评为比人类评审员高出 2.3 分。这一差距凸显了为什么人类监督在研究评估中仍然至关重要。
Schmidgall et al.
拆解数字
在研究环境中，真正重要的是什么？成本和性能。Agent Laboratory 的模型比较方法揭示了一些令人惊讶的效率增益。
GPT-4o 成为速度冠军，只需 1,165.4 秒即可完成整个工作流程——比 o1-mini 快 3.2 倍，比 o1-preview 快 5.3 倍。但更重要的是，它只需每篇论文 2.33 美元。与之前的自动研究方法相比，成本约为 15 美元，我们正在谈论 84% 的成本降低。
查看模型性能：
- o1-preview 在有用性和清晰度方面得分最高
- o1-mini 实验质量评分最佳
- GPT-4o 在指标方面落后，但在成本效率方面领先
这些现实世界的影响是显著的。
研究人员现在可以根据他们的具体需求选择他们的方法：
- 需要快速原型设计？GPT-4o 提供速度和成本效率
- 优先考虑实验质量？o1-mini 可能是您的最佳选择
- 寻找最精致的输出？o1-preview 显示出希望
这种灵活性意味着研究团队可以根据他们的资源和要求调整框架，而不是被锁定在一个通用解决方案中。
研究的新篇章
在查看了 Agent Laboratory 的功能和结果后，我相信我们正在看一个显著的转变，即如何进行研究。但这不是通常主导头条的替代叙事，而是更细致入微和强大的东西。
虽然 Agent Laboratory 的论文尚未达到顶级会议标准，但它们正在创造一个新的研究加速范式。可以把它想象成拥有一个永不眠的 AI 研究助手团队，每个助手都专门从事科学过程的不同方面。
对于研究人员的影响是深远的：
- 可以将用于文献综述和基本编码的时间转移到创意构思上
- 由于资源约束而搁置的研究想法变得可行
- 快速原型设计和测试假设的能力可能会带来更快的突破
当前的限制，例如 AI 和人类评分之间的差距，是机会。每次迭代这些系统都使我们更接近更复杂的人类和 AI 之间的研究合作。
展望未来，我看到三个关键的发展可能会重塑科学发现：
- 更复杂的人类-AI 协作模式将出现，因为研究人员将学会有效地利用这些工具
- 成本和时间的节省可能会使研究民主化，使较小的实验室和机构能够开展更雄心勃勃的项目
- 快速原型设计的能力可能会带来更多实验性的研究方法
最大化这一潜力的关键是理解 Agent Laboratory 和类似的框架是放大工具，而不是自动化工具。研究的未来不是选择人类专业知识和 AI 能力的其中一个，而是找到创新方法将它们结合起来。
