新的調查：用於科學發現的 AI 代理。 這是進入 2026 年最令人興奮的領域之一。 （把這個書籤起來） 這項新研究介紹了 SAGA（科學自主目標演變代理），這是一個雙層框架，其中外部循環自動演變目標，而內部循環則優化解決方案。 為什麼這篇論文如此重要？科學發現需要對優化的內容進行迭代，而不僅僅是如何優化。自動化這一目標演變循環填補了大多數近期 AI 驅動的科學研究的瓶頸。 SAGA 將目標設計視為一個動態的、自主的發現過程，而不是一次性的人類決策。 基於 LLM 的規劃者提出新的目標。實施者將其轉換為可執行的評分函數。優化器尋找解決方案。分析者檢查結果並確定需要改進的目標。 SAGA 在三個自動化層級上運作： > 副駕駛模式，科學家在目標演變上進行合作 > 半駕駛模式，科學家僅向分析者提供反饋 > 自動駕駛模式，分析和規劃完全自動化 在四個科學領域的結果： 在針對耐藥性克雷白氏菌的抗生素設計中，SAGA 在生物活性和藥物相似性之間達到了最佳平衡。雖然基準要麼未能優化活性，要麼以化學上不現實的分子實現高活性，SAGA 根據分析人口級趨勢動態添加合成性懲罰和代謝穩定性過濾器等目標。 在材料設計中，SAGA 在 200 次 DFT 計算中找到了 15 種新穩定結構的永久磁鐵，供應鏈風險低，超越了 MatterGen（11 種結構）。對於超硬材料，提出的晶體中有超過 90% 含有對硬度至關重要的輕元素，與實驗結果一致。 在 DNA 序列設計中，SAGA 在細胞類型特異性增強子設計上超越基準高達 176%，在特異性上提高了 48%，在基序豐富度上提高了 47%。 在化學過程設計中，SAGA 確定僅優化產品純度會導致不必要的複雜流程，然後自主添加資本成本和材料流強度的目標。 ...