Technische Samenvatting: Netwerkintelligentie via Actieve Gedeelde Context-grafen

Probleemstelling

Huidige AI-voor-wetenschapssystemen richten zich primair op het schalen van individuele redeneercapaciteiten door middel van grotere modellen, uitgebreide contextvensters of autonome agenten die met een enkele gebruiker werken. Echter, complexe wetenschappelijke ontdekking vindt zelief niet in isolatie plaats; het leunt op "teamwetenschap", waarbij leden beschikken over onderscheidende priors, impliciete kennis en domeinspecifieke intuïtie. De kritieke flessenhals is niet louter het redeneervermogen van een enkele agent, maar de getrouwe verplaatsing van wetenschappelijke context tussen gedistribueerde mensen, agenten en instrumenten. Bestaande architecturen falen vaak in het handhaven van persistente gedeelde staten, het routeren van bevindingen naar de specifieke experts die er actie op kunnen ondernemen, of het bewaren van de herkomst (provenance) die vereist is voor hergebruik over verschillende sessies heen. Bijgevolg blijft wetenschappelijke context gesiloerd binnen individuele sessies, wat de opkomst van netwerkintelligentie verhindert, waarbij een hypothese gegenereerd in één context beslissingen in een andere context informeert.

Methodologie: De Mycelium-architectuur

De auteurs introduceren Mycelium, een runtime-architectuur ontworpen om netwerkgestuurde mens-AI wetenschappelijke ontdekking te faciliteren. Het systeem is gebouwd rond een Actieve Context-graaf (ACG) en opereert via drie kernzuilen:

1. Actieve Context-graaf (Gedeelde Staat):

   • De kerndatastructuur is een gerichte graaf $G = (V, E)$ die de gedeelde projectstaat vertegenwoordigt.
   • Knopen ($V$): Getypeerde wetenschappelijke invoer gedefinieerd door een gesloten ontologie, inclusief datasets, observaties, interpretaties, hypothesen, bevindingen, openstaande vragen, aanbevelingen en experimentele voorstellen.
   • Randen ($E$): Strikt semantische verbindingen (bijv. gegenereerd_door, ondersteunt, weerspreekt) die herkomst en cross-sessie afleidingen in kaart brengen, waardoor elke claim gekopperd is aan de specifieke data, gebruiker, agent of tool-executie.
   • Activiteit: In tegenstelling tot passieve databases is de graaf "actief", wat betekent dat de runtime de staat continu evolueert, verbindingen evalueert en context routeert.

2. Runtime Infrastructuur:

   • Interface: Gebruikers interageren via standaard AI-chatclients verbonden via het Model Context Protocol (MCP). Dit maakt het mogelijk om de volledige geschiedenis van het project te bevragen en workflows aan te sturen zonder de conversationele interface te verlaten.
   • Executie: De server-side runtime voert complexe analytische workflows uit middels dynamische, on-the-fly codegeneratie binnen een gesandboxte Python-omgeving. Het maakt gebruik van gevalideerde bibliotheekfuncties voor reproduceerbaarheid en bevat geautomatiseerd foutherstel (het lezen van foutmeldingen om corrigerende scripts te genereren).
   • Output: Elke autonome ontdekking genereert een volledig uitvoerbare Jupyter notebook van de trace, wat zorgt voor menselijk controleerbare reproduceerbaarheid.

3. Gedeelde Context-protocollen (Agentic Primitives):

   • Herkomst (Logging): Analytische executies worden automatisch omgezet in onveranderlijke, querybare staat-knopen die gebonden zijn aan hun parameterruimte en toolchains.
   • Begrensde Autonomie (Proactieve Executie): Het systeem monitort op kennishiaten en lanceert autonome exploratieve analyses tussen gebruikerssessies door om structurele defecten of ontbrekende schakels aan te pakken.
   • State-Routing (Bestuiving): Het systeem routeert opkomende context asynchroon naar relevante deelnemers. Het scoort nieuwe verbindingen tegen lokale overtuigingsstaten (belief states) om de epistemische bruikbaarheid te bepalen (ondersteuning, verfijning of spanning). Cruciaal is dat deze architectuur onenigheid behoudt; belief states blijven geïsoleerd binnen hun respectievelijke threads in plaats van stilzwijgend te worden samengevoegd tot een enkele distributie.
   • Gronding (Persistentie): Alle invoer die aan de graaf wordt toegevoegd, moet expliciet gegrond zijn in bestaande knopen (bijv. geregistreerde datasets, geverifieerde tool-outputs), om de accumulatie van ongegronde teksten te voorkomen.

Empirische Evaluatie

Het systeem werd geëvalueerd in een biologische multi-omics campagne die onderzoek deed naar de accumulatie van gesecreteerd gluconaat in Pseudomonas putida.

• Setup: Drie domeinexperts (proteomics, regulatoire biologie, en genetica/fenotype) werkten asynchroon via onafhankelijke chatinterfaces naast autonome Mycelium-agenten.
• Baseline Vergelijking: Het netwerkteam werd vergeleken met twee standalone agent-baselines (beide gebruikmakend van Claude Opus 4.8):
  • Baseline B: Een enkele agent geprompt met de multidisciplinaire teamspecificatie.
  • Baseline C: Een enkele agent die uitsluitend geprompt werd met doel- en dataspecificaties (zonder team-framing).
• Metrieken: De evaluatie richtte zich op 26 unieke "wetenschappelijke artefacten" (traceerbare claims, hypothesen of beslisregels), gescoord van 0 (afwezig) tot 4 (actiegericht, met onderbouwde rationale). Metrieken omvatten breedte (fractie van de gesurfaceerde artefacten) en specificiteit (diepte van de ontwikkeling).

Belangrijkste Resultaten

1. Verbeterde Ontdekkingsbreedte: Mycelium bracht 25 van de 26 in kaart gebrachte artefacten aan het licht, wat significant beter presteerde dan Baseline B (17 artefacten) en Baseline C (18 artefacten). De dekking-gewogen artefact-score voor Mycelium was 2,62, vergeleken met 1,62 en 1,81 voor de baselines, respectievelijk.
2. Behoud van Specificiteit: Wanneer standalone agenten wel een artefact aan het licht brachten, was hun specificiteit vergelijkbaar met die van het netwerkteam (gemiddelde specificiteit: 2,72 voor Mycelium versus ~2,5 voor baselines). Dit geeft aan dat het voordeel van het netwerk ligt in de ontdekkingsbreedte in plaats van de diepte van de gelokaliseerde redenering.
3. Cross-domein Synergie: Het routingsmechanisme slaagde erin geïsoleerde bevindingen te transformeren naar actiegerichte beperkingen. Bijvoorbeeld:
   • Een regulatoire anomalie opgemerkt door de biologie-expert (User-E) werd gerouteerd naar de proteomics-expert (User-L), waardoor een verwarrende bevinding over de afwezigheid van een eiwit werd gehercontextualiseerd.
   • Fenotypische beperkingen van de design-expert (User-J) herformuleerden de proteomische analyse van een rankingsprobleem naar een interventieprobleem, wat leidde tot de identificatie van specifieke moleculaire mechanismen.
4. Convergentie naar Experimenteel Ontwerp: Het netwerk faciliteerde de convergentie van gedistribueerd bewijs naar een verenigd mechanistisch model (met de focus op gluconaatretentie en -reassimilatie), wat direct een concreet experimenteel ontwerp voorstel vormde met betrekking tot CRISPRi-perturbaties en stamengineering.

Betekenis en Claims

Het paper claimt dat netwerkintelligentie een onderscheidende schaalingsas vertegenwoordigt die complementair is aan, in plaats van een vervanging voor, modelschaling.

• Architecturale Doorbraak: De primaire bijdrage is de demonstratie dat het routeren van de wetenschappelijke staat over gedistribueerde contexten het traject van onderzoek verandert, waardoor iteratiecycli worden verkort van maanden naar een enkele sprint.
• Onherleidbaarheid van Netwerken: De auteurs formaliseren netwerkintelligentie als sparse conditional computation over gedistribueerde contexten. Zij stellen dat onafhankelijke expertise en niet-samengevoegde contexten (door datarechten, institutionele muren of unieke operationele kennis) strikte grenzen creëren waar een geschaalde standalone agent de functie van een gedistribueerd netwerk niet kan overnemen.
• Actieven Context: Het systeem bewijst dat wetenschappelijke context getrouw kan bewegen tussen mensen en agenten terwijl deze attributief, betwistbaar en actiegericht blijft, waarmee het "coördinatieprobleem" wordt opgelost dat modelschaling alleen niet kan adresseren.

Het paper concludeert dat hoewel sterkere modellen de lokale synthese verbeteren, de "netwerkschaling" van verbindingen tussen mensen en AI essentieel is voor open-ended wetenschappelijke ontdekking, waarbij het systeem in staat is om de zeldzame randgevallen te identificeren die downstream acties in geïsoleerde domeinen veranderen.