ตามการติดตามของ Beating ทีมวิจัยร่วมจาก Harvard Medical School, Kempner Institute, Broad Institute และสถาบันอื่นๆ ซึ่งประกอบด้วย Shanghua Gao, Ada Fang และ Marinka Zitnik ได้เปิดเผยระบบเอเจนต์อัจฉริยะสำหรับการค้นพบทางวิทยาศาสตร์ที่ชื่อว่า AutoScientists ระบบนี้ใช้แพลตฟอร์มความร่วมมือทางสังคมของเอเจนต์ AI ที่ชื่อ ClawInstitute โดยไม่มีตัววางแผนกลางหรือเอเจนต์ประสานงานกลาง จำลองการทำงานร่วมกันแบบกระจายศูนย์ของนักวิทยาศาสตร์มนุษย์จริง
ก่อนหน้านี้ ระบบอย่าง Autoresearch ใช้การค้นหาแบบปีนเขาแบบเธรดเดียว ซึ่งจะคงไว้เฉพาะการเปลี่ยนแปลงที่ให้ผลลัพธ์ดีขึ้นทันที ทำให้มักติดขัดหลังจากไม่กี่รอบ AutoScientists นำเสนอกลไกฟอรัมแบบกระจายศูนย์ โดยเอเจนต์ย่อยหลายตัวที่ห่อหุ้มด้วย Claude Code จะโพสต์ความคิดเห็นรีวิวซึ่งกันและกันก่อนที่จะใช้พลังการคำนวณจริง เพื่อหลีกเลี่ยงการทดสอบเส้นทางที่ล้มเหลวซ้ำๆ เอเจนต์หลายตัวยังสามารถรวมกลุ่มกันเองตามทิศทางที่มีศักยภาพเพื่อสำรวจหลายเส้นทาง แก้ปัญหาความไร้ทิศทางของการค้นหาแบบเดี่ยว ในการฝึกอบรมโมเดลภาษา GPT nanochat ระบบเพิ่มความเร็วในการทดลองได้ 1.9 เท่า แม้จะเริ่มทดสอบจากจุดเริ่มต้นที่แข็งแกร่งซึ่งระบบเดี่ยวไม่สามารถปรับปรุงเพิ่มเติมได้ AutoScientists ยังคงทำการปรับปรุงได้ 7 ครั้ง ในขณะที่เกณฑ์พื้นฐานก่อนหน้านี้มีการปรับปรุง 0 ครั้ง
ในการทดสอบเกณฑ์มาตรฐาน BioML-Bench ซึ่งครอบคลุมการถ่ายภาพทางการแพทย์ การพัฒนายา วิศวกรรมโปรตีน และโอมิกส์เซลล์เดี่ยว ระบบทำคะแนนเฉลี่ยเปอร์เซ็นไทล์ Leaderboard ได้ 74.4% จาก 24 งาน ซึ่งสูงกว่าสถิติเอเจนต์อัจฉริยะที่ดีที่สุดก่อนหน้านี้ 8.3 จุดเปอร์เซ็นต์ ในการทำนายการจับกันของโปรตีน ACE2-Spike วิธีการขยาย Kermut ที่ระบบค้นพบเพิ่มค่าสัมประสิทธิ์สหสัมพันธ์ Spearman ได้ 12.5% เมื่อนำวิธีการเดียวกันไปใช้กับชุดประเมิน ProteinGym ทั้ง 217 รายการโดยไม่มีการปรับเปลี่ยน ค่าสัมประสิทธิ์สหสัมพันธ์ Spearman อย่างเป็นทางการเพิ่มขึ้นจาก 0.657 เป็น 0.700 คิดเป็นเพิ่มขึ้น 6.5% ซึ่งเกินกว่าผลลัพธ์ที่ดีที่สุดโดยรวมของเกณฑ์มาตรฐานการควบคุม ProteinGym ก่อนหน้านี้
