في عالم الأبحاث العلمية، تبرز العديد من الأدوات والتقنيات التي تهدف إلى تسريع عملية البحث وتحسين النتائج. من بين هذه الأدوات الحديثة، تظهَر تقنية AutoScientists، التي تعتمد على فرق من وكلاء الذكاء الاصطناعي (AI Agents) القادرة على التنظيم الذاتي. هذه التقنية المتطورة تطمح إلى تعزيز كفاءة التجارب العلمية المطولة من خلال السماح بتخطيط ديناميكي، وتبادل المعرفة بشكل غير مركزي بين الفرق.

تتمثل التحديات التي تواجه الوكلاء الحاليين في ضرورة اتباع مسار بحث مركزي ذي أهداف محدودة، مما يعوق قدرتهم على التكيف مع المعطيات الجديدة أو الاستفادة من الدروس الناتجة عن الفشل. لكن AutoScientists تغير هذا المفهوم، حيث تتعاون الفرق ذاتية التنظيم على تفسير الحالة التجريبية المشتركة، وتحديد الفرضيات الواعدة، وتقديم اقتراحات نقدية قبل الشروع في التجارب.

ليس فقط أن AutoScientists قادرة على تقليل الاستكشاف المكرر، بل أثبتت أيضًا قدرتها على تحقيق نتائج مذهلة في مجموعة واسعة من المهام. ففي التجارب على منصة BioML-Bench، تميزت بتحقيق متوسط تصنيف على المدرج بنسبة 74.4% عبر 24 مهمة، متفوقةً بذلك على أقوى وكلاء الذكاء الاصطناعي بنسبة 8.33%. أما في تحسين تدريب نماذج اللغة (Language Models)، فقد كانت أسرع ب1.9 مرة من سابقتها Autoresearch.

من جهة أخرى، في مجال تنبؤ اللياقة البروتينية، تمكنت AutoScientists من اكتشاف طريقة لتحسين الربط بين ACE2 وSpike، محققةً زيادة قدرها 12.5% في معامل سبيرمان. تم تطبيق هذه الطريقة بدون تعديل على جميع القياسات المتاحة في ProteinGym، مما أظهر تحسنًا بنسبة 6.5% مقارنةً بالنموذج السابق الأكثر تقدمًا.

تنذر هذه الابتكارات عن مستقبل واعد للبحث العلمي، حيث يعد استخدام AutoScientists بمثابة قفزة نوعية نحو تحسين فعالية التجارب العلمية واستغلال الذكاء الاصطناعي بشكل أكبر في هذا المجال.