AI Co-Scientist: Google möchte mit Multi-Agenten-System die Forschung voranbringen

Veröffentlicht am von

Google hat mit dem AI Co-Scientist ein Multi-Agenten-System an den Start gebracht, das auf dem Sprachmodell Gemini 2 basiert und aktuell im Rahmen eines Trusted Tester Programs verfügbar ist. Ein Ziel solcher KI-Systeme ist die Unterstützung von Wissenschaftlern bei der Generierung neuer Hypothesen und experimenteller Vorschläge.

Mensch-KI-Forschungsprozess

Google
Ein Forschungsprozess mit Multi-Agenten – Quelle: Google

Die obere Grafik zeigt ziemlich gut, wie der gesamte Mensch-KI-Forschungsprozess funktionieren soll. Zu Beginn definiert die forschende Person über einen Prompt in natürlicher Sprache ein klar definiertes Ziel, wie zum Beispiel die Entwicklung eines neuen Materials, Medikaments oder Ähnlichem. Nach einem Button-Klick kommunizieren die unterschiedlichen Agenten innerhalb dieses Multi-Agenten-Systems miteinander über Feedback, um so einen Top-Vorschlag zu unterbreiten.

Tp do so it uses a coalition of specialized agents – Generation, Reflection, Ranking, Evolution, Proximity and Meta-review — that are inspired by the scientific method itself. These agents use automated feedback to iteratively generate, evaluate, and refine hypotheses, resulting in a self-improving cycle of increasingly high-quality and novel outputs. Quelle: Google

 

Beteiligte Agenten:

  • Generation-Agent: Generiert die ersten Hypothesen basierend auf dem Forschungsziel
  • Reflection-Agent: Überprüft die Hypothesen auf Korrektheit, Qualität, Neuheit und Testbarkeit
  • Ranking-Agent: Organisiert das Turniersystem zur Bewertung der Hypothesen
  • Evolution-Agent: Verfeinert die besten Hypothesen durch Verbesserung der Logik und Begründung
  • Proximity-Agent: Berechnet die Ähnlichkeit zwischen Hypothesen und erstellt einen Proximity-Graphen
  • Meta-Review-Agent: Aggregiert Agenten-Feedback und erstellt einen Überblick für die Wissenschaftler

Web-Suche & API-Zugriffe & Datenuploads

Als Wissensgrundlage werden die Web-Suche, der Zugang zu den trainierten Daten von Gemini, externe Datenbanken via API wie im Beispiel zur Cancer Dependency Map (DepMap) sowie hochgeladene PDFs im Kontextspeicher verwendet. Hat der Multi-Agent ein Top-Resultat erzielt, dann wird dieses im Rahmen einer “Research Overview Formulation” an den User über das Interface ausgegeben. Hierfür ist der Meta-review Agent zuständig. Nun kann eine Mensch-KI-Forschungsdiskussion gestartet werden. Forscher können Anpassungen machen und mit dem Co-Scientist die einzelnen Bereiche diskutieren, um noch tiefer in die Thematik einzutauchen und so maximale Ergebnisse zu generieren. Vor allem ein Upload von tagesaktuellen Publikationen über die RAG-Technik wäre mehr als interessant, um sich voll und ganz auf diese Daten zu beziehen, ohne eine mögliche fehlerhafte Suche über das Internet.

Offizielles Forschungspaper als PDF

ai_coscientist

Autor des Beitrags auf Linkedin

matthias kindt

Matthias Kindt auf Linkedin

 

Ähnliche Beiträge