Networked Intelligence: Active Shared Context Graphs for Human-AI Team Science
本文介绍了 Mycelium，这是一个主动式共享上下文图系统，它通过在多样化的人类与 AI 团队成员之间自动路由科学观察与假设，来培育网络化智能，从而将孤立的发现转化为协作式的机制约束与实验设计。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
将科学想象成一座繁忙的大型城市，每一位专家都是居住在各自社区的专业人士。其中一组科学家生活在“蛋白质区”，另一组生活在“遗传学林园”，还有第三组生活在“化学峡谷”。长期以来，这些社区被高耸且沉默的围墙分隔开来。如果蛋白质区的科学家发现了一个奇怪的线索，他们会将其记录在笔记本中，但遗传学林园的科学家可能要过几个月才能看到，甚至永远看不到。这就是目前大多数“AI驱动科学”的工作方式：它试图构建一个超级智能机器人，能够一次性阅读所有内容，寄希望于一个巨大的大脑就能独自解决整个谜题。但真正的科学突破往往发生在不同的专家将任何单个人都无法察觉到的点连接起来的时候。一个重大的问题是：我们如何构建一个数字系统，它不仅仅是让一个大脑变得更大，而是能将所有这些不同的大脑和工具连接在一起，让它们能够即时进行交流？
这正是名为 Mycelium（菌丝体）的新系统发挥作用的地方。太平洋西北国家实验室的研究人员构建了这个系统，使其像巨大蘑菇的地下网络一样运作。正如蘑菇的根部（菌丝）连接着森林的不同部分以共享养分和信号一样，Mycelium 连接了不同的科学家和 AI 智能体。它并不试图强迫一个 AI 掌握一切，而是创建了一个“共享生命图谱”——一个数字空间，其中每一个观察、假设和实验都是一个节点。当一个社区的科学家做出发现时，系统会自动检查该发现是否与另一个社区的人相关，并将信息“路由”给他们。这就像拥有一个神奇的信使，它准确地知道谁需要听到特定的新闻，从而瞬间将局部发现转化为团队范围内的突破。
在最近的一次测试中，团队利用 Mycelium 处理了一个棘手的生物学问题：弄清楚为什么一种特定类型的细菌（Pseudomonas putida，恶臭假单胞菌）会积累一种叫做葡萄糖酸脱氢酶的化学物质，而不是产生他们想要的东西。他们组织了一场“冲刺”，三位人类专家（一位专注于蛋白质，一位专注于遗传学，一位专注于物理结果）与 AI 智能体协同工作。他们都使用标准的聊天界面，但在幕后，Mycelium 正忙于连接他们的思维点。系统捕捉到了遗传学专家提供的一个困惑线索（即某些基因没有开启），并立即将其路由给蛋白质专家。这一连接帮助蛋白质专家意识到，他们的数据并非仅仅是“噪声”，实际上正是在证实那个遗传学线索。随后，来自第三位专家的物理测量结果帮助团队意识到，他们需要改变整个实验设计。结果如何？团队最终凝聚出了一个关于如何修复细菌代谢的新型详细方案，该方案包含了具体的基因编辑和化学测试建议。
为了证明这种“网络化”方法确实优于仅仅拥有一个更聪明的机器人，研究人员进行了一场正面交锋。他们给了同一个功能强大的单一 AI 智能体完全相同的数据，并要求它在没有任何团队或共享图谱帮助的情况下独立解决问题。他们还尝试了一个版本，即告诉 AI “表现得像一个团队”，但没有实际的网络结构。结果非常明确：单一的 AI 智能体虽然聪明，但它们忽略了大局。它们发现的线索较少，且在跨领域连接不同领域的点方面不如人机协作团队。网络化团队发现了 25 个独特的科学发现和行动计划，而单一 AI 智能体分别只发现了 17 个和 18 个。更重要的是，网络化团队生成了 4 条完整的“可执行决策规则”（即下一步该怎么做的具体指令），相比之下，单一智能体仅生成了 2 条和 3 条。
论文指出，真正的力量不仅在于让 AI 模型变得更大或更聪明，而在于构建能够连接它们的正确架构。作者发现，虽然单个 AI 可以对某一主题进行深度推理，但在探索现实科学问题中那广阔且混乱的空间时却显得力不从心，因为在这些问题中，不同的专家看到了不同的东西。通过使用 Mycelium 进行异步路由——在正确的时间将正确的线索发送给正确的人——团队能够将通常需要数月反复沟通的过程压缩进一次快速的冲刺中。该系统不仅仅是存储数据；它还在积极管理团队不断演进的理解过程，确保每一个新想法都能追溯到产生它的证据。这种被作者称为“网络化智能”的方法表明，科学的未来可能不在于一个超级大脑，而在于由许多思想组成的、智能且互联的网络共同协作。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。