NOVÝ průzkum: AI agenti pro vědecké objevy. To je jedna z nejzajímavějších oblastí před rokem 2026. (ulož si tohle do záložek) Tento nový výzkum představuje SAGA (Scientific Autonomous Goal-evolving Agent), dvouúrovňový rámec, kde vnější smyčka automaticky vyvíjí cíle, zatímco vnitřní smyčka optimalizuje řešení. Proč je tento článek tak důležitý? Vědecký objev vyžaduje iteraci toho, co optimalizovat, nejen jak optimalizovat. Automatizace tohoto objektivního evolučního cyklu uzavírá mezeru, která brzdila většinu nedávného vědeckého výzkumu řízeného umělou inteligencí. Místo toho, aby SAGA považovala objektivní návrh za jednorázové lidské rozhodnutí, činí z něj dynamický, autonomní proces objevování. Plánovač založený na LLM navrhuje nové cíle. Implementátor je převádí na spustitelné skórovací funkce. Optimalizátor hledá řešení. Analyzátor zkoumá výsledky a identifikuje, kde je třeba cíle zpřesnit. SAGA funguje na třech úrovních automatizace: > režimu kopilota, kde vědci spolupracují na objektivní evoluci > polopilotní fázi, kde vědci poskytují zpětnou vazbu pouze analyzátoru > autopilot, kde jsou analýzy i plánování plně automatizované Výsledky ve čtyřech vědeckých oblastech: Při návrhu antibiotik pro lékově rezistentní K. pneumoniae dosahuje SAGA nejlepší rovnováhy mezi biologickou aktivitou a podobností léku. Zatímco základní hodnoty buď neoptimalizují aktivitu, nebo dosahují vysoké aktivity s chemicky nerealistickými molekulami, SAGA dynamicky přidává cíle jako penalizace syntetizovatelnosti a filtry metabolické stability na základě analýzy populačních trendů. V návrhu materiálů SAGA objevila 15 nových stabilních struktur pro permanentní magnety s nízkým rizikem v dodavatelském řetězci během 200 výpočtů DFT, což překonalo MatterGen (11 struktur). U supertvrdých materiálů více než 90 % navrhovaných krystalů obsahuje lehké prvky nezbytné pro tvrdost, což odpovídá experimentálním zjištěním. V návrhu DNA sekvencí SAGA překonává základní hodnoty v návrhu zesilovačů specifických pro typ buňky až o 176 %, s 48% zlepšením ve specifitě a 47 % v obohacení motivů. V návrhu chemických procesů SAGA identifikuje, že optimalizace pouze pro čistotu produktu vede k zbytečně složitým tokovým listům, a poté autonomně přidává cíle pro kapitálové náklady a intenzitu toku materiálu. ...