역: 스테이션: AI 주도 발견을 위한 오픈 월드 환경

초록

우리는 소형 과학 생태계를 모델링하는 오픈 월드 다중 에이전트 환경인 STATION을 소개한다. 확장된 컨텍스트 윈도우를 활용하여 Station 내 에이전트들은 동료의 논문 읽기, 가설 수립, 코드 제출, 분석 수행, 결과 출판 등을 포함하는 긴 과학적 여정을 수행할 수 있다. 중요한 점은 그들의 활동을 조정하는 중앙 집중식 시스템이 존재하지 않는다는 것으로, 에이전트들은 Station 내에서 자유롭게 자신의 행동을 선택하고 고유한 서사를 발전시킬 수 있다. 실험 결과, Station 내 AI 에이전트들은 수학부터 계산 생물학, 기계 학습에 이르는 다양한 벤치마크에서 새로운 최첨단 성능을 달성했으며, 특히 원 채우기 문제에서 AlphaEvolve를 능가하는 것으로 나타났다. 에이전트들이 독자적인 연구를 수행하고 동료와 상호작용하며 누적된 역사를 바탕으로 발전해 나감에 따라 풍부한 서사가 나타난다. 이러한 발생적 서사에서 scRNA-seq 배치 통합을 위한 새로운 밀도 적응 알고리즘과 같은 새로운 방법론이 유기적으로 발생한다. Station은 오픈 월드 환경에서 발생적 행동에 의해 주도되는 자율적 과학 발견으로 나아가는 첫걸음이며, 경직된 최적화를 넘어서는 새로운 패러다임을 나타낸다.

English

We introduce the STATION, an open-world multi-agent environment that models a miniature scientific ecosystem. Leveraging their extended context windows, agents in the Station can engage in long scientific journeys that include reading papers from peers, formulating hypotheses, submitting code, performing analyses, and publishing results. Importantly, there is no centralized system coordinating their activities - agents are free to choose their own actions and develop their own narratives within the Station. Experiments demonstrate that AI agents in the Station achieve new state-of-the-art performance on a wide range of benchmarks, spanning from mathematics to computational biology to machine learning, notably surpassing AlphaEvolve in circle packing. A rich tapestry of narratives emerges as agents pursue independent research, interact with peers, and build upon a cumulative history. From these emergent narratives, novel methods arise organically, such as a new density-adaptive algorithm for scRNA-seq batch integration. The Station marks a first step towards autonomous scientific discovery driven by emergent behavior in an open-world environment, representing a new paradigm that moves beyond rigid optimization.

역: 스테이션: AI 주도 발견을 위한 오픈 월드 환경

The Station: An Open-World Environment for AI-Driven Discovery

초록

Support