동차 Beating 모니터링에 따르면, 하버드 의과대학, Kempner 연구소, Broad 연구소 등 소속의 고상화 Shanghua Gao, Ada Fang, Marinka Zitnik으로 구성된 공동 연구팀이 과학 발견 지능형 에이전트 시스템 AutoScientists를 오픈소스로 공개했습니다. 이 시스템은 AI 에이전트 소셜 협업 플랫폼 ClawInstitute를 기반으로 하며, 중앙 계획자나 중앙 조정 에이전트 없이 실제 인간 과학 연구의 분산형 협업을 시뮬레이션합니다.
기존 Autoresearch와 같은 시스템은 단일 스레드 언덕 오르기 탐색 방식을 사용하여, 즉각적인 효과 개선이 있는 변경만 유지하므로 몇 차례 반복 후 한계에 부딪히기 쉽습니다. 반면 AutoScientists는 분산형 포럼 메커니즘을 도입하여, Claude Code로 캡슐화된 여러 하위 에이전트가 실제 연산 자원을 소모하기 전에 게시글을 통해 서로 리뷰 의견을 작성함으로써 실패 경로의 반복 테스트를 방지합니다. 또한 여러 에이전트가 유망한 방향을 중심으로 자발적으로 연구 그룹을 구성하여 다중 경로 탐색을 수행함으로써 단일 탐색의 맹목성을 해결합니다. 언어 모델 GPT nanochat 훈련 최적화에서 시스템은 실험 속도를 1.9배 향상시켰으며, 단일 시스템이 더 이상 최적화할 수 없는 강력한 시작점에서 테스트를 시작해도 AutoScientists는 7번의 개선을 완료한 반면, 기존 기준선의 개선 횟수는 0이었습니다.
의료 영상, 신약 개발, 단백질 공학 및 단일 세포 오믹스를 포함하는 생물의약 대규모 모델 벤치마크 BioML-Bench 테스트에서 시스템은 24개 작업에서 평균 리더보드 백분위수 74.4%를 기록하여, 이전 최강 에이전트 기록보다 8.3% 포인트 향상되었습니다. ACE2-Spike 단백질 결합 예측에서 시스템이 발견한 Kermut 확장 방법은 Spearman 상관 계수를 12.5% 향상시켰습니다. 동일한 방법을 수정 없이 전체 217개 ProteinGym 평가에 적용한 후, 공식 평균 Spearman 상관 계수가 0.657에서 0.700으로 6.5% 상승하여, 이전 ProteinGym 감독 기준선의 전체 최고 성과를 초과했습니다.
