NY undersökning: AI-agenter för vetenskapliga upptäckter. Detta är ett av de mest spännande områdena inför 2026. (bokmärk den här) Denna nya forskning introducerar SAGA (Scientific Autonomous Goal-evolving Agent), en tvånivåram där den yttre slingan automatiskt utvecklar målen medan den inre slingan optimerar lösningarna. Varför är denna artikel en stor grej? Vetenskapliga upptäckter kräver iteration på vad som ska optimeras, inte bara hur man optimerar. Att automatisera denna objektiva evolutionsslinga täpper till ett gap som har blockerat det mesta av den senaste AI-drivna vetenskapliga forskningen. Istället för att behandla objektiv design som ett engångsbeslut för mänsklig karaktär, gör SAGA det till en dynamisk, autonom upptäcktsprocess. En LLM-baserad planerare föreslår nya mål. En implementatör konverterar dem till exekverbara poängfunktioner. En optimerare söker efter lösningar. En analysator granskar resultaten och identifierar var målen behöver förfinas. SAGA verkar på tre automationsnivåer: > co-pilotläge, där forskare samarbetar kring objektiv evolution > semi-pilot där forskare endast ger feedback till analysatorn > autopilot där både analys och planering är helt automatiserade Resultat inom fyra vetenskapliga områden: Vid antibiotikadesign för läkemedelsresistent K. pneumoniae uppnår SAGA den bästa balansen mellan biologisk aktivitet och läkemedelslikhet. Medan baslinjer antingen misslyckas med att optimera aktiviteten eller uppnår hög aktivitet med kemiskt orealistiska molekyler, lägger SAGA dynamiskt till mål som syntetiserbarhetsnackdelar och filter för metabol stabilitet baserat på analys av populationstrender. Inom materialdesign fann SAGA 15 nya stabila strukturer för permanentmagneter med låg risk i leveranskedjan inom 200 DFT-beräkningar, vilket överträffade MatterGen (11 strukturer). För superhårda material innehåller över 90 % av de föreslagna kristallerna lätta grundämnen som är nödvändiga för hårdhet, vilket stämmer överens med experimentella fynd. I DNA-sekvensdesign överträffar SAGA baslinjerna för celltypspecifik förstärkardesign med upp till 176 %, med 48 % förbättring i specificitet och 47 % i motivberikning. Inom kemisk processdesign identifierar SAGA att optimering enbart för produktens renhet leder till onödigt komplexa flödesscheman, och lägger sedan autonomt till mål för kapitalkostnader och materialflödesintensitet. Papper: Lär dig att bygga effektiva AI-agenter i vår akademi: