新的调查：用于科学发现的AI代理。 这是进入2026年最令人兴奋的领域之一。 （把这个书签起来） 这项新研究介绍了SAGA（科学自主目标演变代理），这是一个双层框架，外层循环自动演变目标，而内层循环优化解决方案。 为什么这篇论文如此重要？科学发现需要在优化什么上进行迭代，而不仅仅是如何优化。自动化这个目标演变循环填补了大多数近期AI驱动科学研究的瓶颈。 SAGA将目标设计视为一个动态的自主发现过程，而不是一次性的人类决策。 基于LLM的规划者提出新的目标。实施者将其转换为可执行的评分函数。优化者搜索解决方案。分析者检查结果并识别需要改进的目标。 SAGA在三个自动化级别上运行： > 协同驾驶模式，科学家们共同协作进行目标演变 > 半自动驾驶，科学家仅向分析者提供反馈 > 自动驾驶，分析和规划完全自动化 在四个科学领域的结果： 在针对耐药性克雷伯氏肺炎杆菌的抗生素设计中，SAGA在生物活性和药物相似性之间实现了最佳平衡。虽然基线要么未能优化活性，要么以化学上不现实的分子实现高活性，SAGA根据分析人口级趋势动态添加合成可行性惩罚和代谢稳定性过滤等目标。 在材料设计中，SAGA在200次DFT计算中发现了15种新型稳定结构的永久磁铁，具有低供应链风险，超越了MatterGen（11种结构）。对于超硬材料，超过90%的提议晶体包含对硬度至关重要的轻元素，与实验结果一致。 在DNA序列设计中，SAGA在细胞类型特异性增强子设计上超越基线高达176%，在特异性上提高了48%，在基序富集上提高了47%。 在化学过程设计中，SAGA发现仅优化产品纯度会导致不必要的复杂流程图，然后自主添加资本成本和物料流强度的目标。 ...