AI guides

ScienceDiscovery发布:零科研幻觉的一站式AI工作台,BiomniBench-DA验证效果业界SOTA

By 机器之心0 viewsSource: 机器之心
ScienceDiscovery发布:零科研幻觉的一站式AI工作台,BiomniBench-DA验证效果业界SOTA

ScienceDiscovery 是基于 Agent OS(JiuwenSwarm)开发的一款面向跨学科、全流程科研场景的一站式 AI 工作台,解决科研场景面临的工具碎片化、大模型科研幻觉两大痛点问题,打造 AI 辅助科研新范式,加速科学发现,广泛应用于各行各业。

The full text has not been translated yet. The Chinese original is shown below.

ScienceDiscovery 是基于 Agent OS(JiuwenSwarm)开发的一款面向跨学科、全流程科研场景的一站式 AI 工作台,解决科研场景面临的工具碎片化、大模型科研幻觉两大痛点问题,打造 AI 辅助科研新范式,加速科学发现,广泛应用于各行各业。在行业权威的生物医学智能体基准 BiomniBench-DA 任务中,ScienceDiscovery 验证效果业界 SOTA,成功应用于纳米抗体药物设计等关键领域。

1 AI 辅助科研的痛点问题

Agent 的发展重塑了传统的科研流程,成为 AI 辅助科研的新范式。在该范式下,Agent 负责科研任务规划、方案生成、任务执行等全流程工作,可以极大提升了传统科研效率。但是,由于传统科研领域的复杂性和当前大模型能力的局限性,AI 辅助科研面临两大痛点问题,制约了其在实际科研工作中的应用:

  • 问题一:工具碎片化,科研全流程链条长、工具多,科研人员开展文献阅读、假设提出、代码编写、实验试错、参数调优等工作,需频繁切换多个平台,流程繁琐、时间成本极高;
  • 问题二:科研幻觉,由于大模型本身存在幻觉问题,对于复杂、长链条的科研任务,AI 辅助科研易出现文献引用、因果推导、实验流程造假等错误,严重破坏科研工作的可复现性与严谨性,制约科研落地转化。

2 ScienceDiscovery:一站式 AI 科研工作台

我们正式推出 ScienceDiscovery—— 专为科学研究打造的一站式 AI 科研工作台。依托该平台,科研人员能够一站式高效完成 “文献阅读、假设提出、代码编写、实验试错、参数调优” 这一极为繁琐的科研探索流程。

基于 ScienceDiscovery,用户可以完成以下功能:

  • 海量资源一键配置与高效接入:通过平台内置的科研数据库 Connector,实现文献库与数据库的一键快速配置,快速获取海量前沿文献与核心试验数据;
  • 安全沙箱环境下的自主代码探索:支持智能体在安全隔离的沙箱环境中自主编写、调试并运行 Python、R 或 Shell 代码,为复杂科学数据处理提供稳定环境;
  • 复杂科研任务的自动拆解与动态执行:凭借强大的任务规划与多智能体协同能力,系统可自动拆解复杂科研任务,动态编排并调用 300 + 跨领域 Skills ;
  • 科研流程全链路可溯源:平台将完整展现全流程工作流,并提供包含代码、环境和日志在内的全链路产物溯源,确保科研全流程的高可信度。

文章配图

3 ScienceDiscovery v0.1 版本核心技术

ScienceDiscovery 此次发布 v0.1 版本,构建了以下三大核心技术:

  • 基于 MCP 构建科研 Connector,实现碎片化工具即插即用

ScienceDiscovery 基于标准化 MCP 协议构建可插拔 Connector,统一封装文献检索、PDF 抽取等工具接口,集成鉴权、缓存等治理能力,新增数据源遵循规范即可无缝接入。

  • 构建高维结构化记忆图谱与多维审核机制,实现零科研幻觉

通过高维结构化记忆图谱严格维护任务时序与产物证据链;结合零幻觉 Reviewer 多级审核机制,确保每条科研结论均可沿图谱追溯,实现全流程 100% 可溯源。

  • 集成生物、化学、流体等领域 300+Skills,实现多领域科研工作流自动化执行

构建多层次科研 Skills 以实现复杂任务的智能编排与自主执行。通过 Plan Skills 与 Team Skills 精准解析意图,自动匹配最优工作流并动态拆解执行;平台集成 MindSpore Science Skills 中 300 + 开箱即用 Skills,包括领域工业软件、科研搜索 API、40 + 昇思与昇腾 AI4S 顶尖模型。这些 Skills 全面覆盖生物医药、化学材料、流体计算、偏微分方程(PDE)等核心前沿学科,覆盖了科学分析、计算仿真及湿实验等基础需求。

ScienceDiscovery v0.1 版本预置了专为生化领域设计的 Team Skill,可自主完成从数据搜集、生化实验数据分析到报告撰写的全流程。在行业权威的生物医学智能体基准 BiomniBench-DA任务中,基于 GLM-5.2 模型,评测分数达到 77.4(图 1),达到业界 SOTA。

文章配图

图 1 BiomniBench-DA 打榜结果

4 应用实践

4.1 BiomniBench 打榜案例 —— 脓毒症病例数据分析与特征挖掘

本案例以 BiomniBench-DA 中的脓毒症患者病例数据分析问题为例:

脓毒症是 ICU 常见致死病,同症异机现象显著。本案例基于约 3,948 例 ICU 与住院脓毒症患者的多队列数据,对上述六大分型框架衍生的 38 项免疫特征评分进行相关性与层次聚类分析,旨在挖掘潜在关联规律,识别协同变化的特征组合。

ScienceDiscovery 接收上述数据及核心问题,自主分析问题并组建由 code-engineer、result-evaluator、report-writer 构成的 agent 团队(图 2),执行如下工作流:

  1. code-engineer 计算各特征评分在患者间的两两相关性,进行层次聚类、识别聚类群,并生成 heatmap、树状图及聚类归属文件;
  2. result-evaluator 从方法论、正确性与稳健性等多维度审核分析结果;
  3. report-writer 综合分析结果,并按要求输出运行轨迹文件与结果文件。

文章配图

图 2 Subagents 执行过程

文章配图

图 3 特征相关性 heatmap

文章配图

图 4 38 个免疫评分指标在 3948 名患者身上的 “相似度”

最终智能体将 38 项分型特征划分为 “髓系炎症 / 疾病严重度” 与 “适应性 / 淋巴系保护性” 两大显著反相关的聚类轴,并经轮廓系数与 ARI 指标验证,揭示了脓毒症免疫失调的核心双轴结构。

文章配图

图 5 查看输出报告

文章配图

图 6 查看产物溯源代码、环境、日志

文章配图

图 7 查看产物相关 code、claim 等节点

为验证多智能体协作在数据科学工作流中的有效性,我们展示了 ScienceDiscovery 在分析任务中的执行轨迹与任务图谱。图 5 以 trace.md 串联各 Agent 产物,支持点击溯源;图 6 记录底层日志,确保过程可复现;图 7 通过节点边关系,直观呈现三 Agent 的任务拆解与协同。

4.2 生化领域案例

4.2.1 纳米抗体药物设计 + 筛选流程

纳米抗体因分子小、稳定性高、易改造等特点应用前景广阔,但传统研发周期长、成本高。RFAntibody 作为主流设计流程,可自动设计候选纳米抗体并多维度筛选,流程涵盖抗原准备至报告整理七大环节。

ScienceDiscovery 通过自动调用 MindSpore Science 提供的 RFDiffusion、ProteinMPNN、Protenix 模型,无缝串联复杂计算工作流,最终输出含筛选信息与空间结构的辅助决策报告,而非零散文件。

文章配图

图 8 纳米抗体设计流程

完整纳米抗体设计筛选流程分为五阶段(图 8):

  1. 环境准备:校验运行环境、依赖及权重文件,确认抗原结构与设计约束完备。
  2. 骨架生成:基于抗原及表位输入,通过 RFDiffusion 生成候选纳米抗体骨架。
  3. 序列设计:利用 ProteinMPNN 对骨架进行反向折叠,设计对应氨基酸序列。
  4. 复合物预测:通过 Protenix 预测抗原 - 抗体复合物结构,评估结合构象可信度。
  5. 筛选报告:综合 ipTM 等指标及多维度标准排序,筛选最优候选并生成报告。

文章配图

ScienceDiscovery 当前能够完整运行 RFAntibody 的抗体设计流程,输入抗原,表位及对应的设计数量,Agent 能够自动监控并完成设计筛选流程,设计成功率与单独运行 RFAnitbody 相当。

文章配图

4.2.2 肝实质细胞基因表达调研与通路分析

本案例为跨库文献调研任务:智能体需检索 PubMed 与 bioRxiv(2023–2025)论文,比较成人与儿童肝实质细胞基因表达差异,聚焦免疫通路,生成前 14 条富集通路基因计数对比柱状图并标注文献矛盾。该任务通常耗时数天且易遗漏。

ScienceDiscovery 通过工具编排实现端到端自动化:调用文献搜索 MCP 工具并行查询,利用大模型理解内容并调用代码工具完成富集分析与绘图。执行过程结构化记录于记忆图谱,形成可追溯任务链。报告阶段主动查询真实链路,确保论述有据。

最终输出带可点击引用标签的报告,标签对应具体引用、来源文献及执行链路,用户点击即可核验。

文章配图

4.3 通用科研任务案例

ScienceDiscovery 团队正联合领域科学家与行业专家,共同推进通用科研任务能力建设,覆盖化学反应、材料模拟、流体仿真、地质勘探、电磁仿真、数学证明、数值计算等基础科研领域,并面向矿藏勘探、半导体设计、民用航空设计、电池材料研发、核聚变发电、疾病诊疗、遥感分析、工业控制、睡眠健康等产业落地方向开展深度合作。

以 IMO2026 Day2 第五题这道函数不等式函数方程试题为例,题目要求找出全部函数,使得给定不等式对任意正实数恒成立。ScienceDiscovery 首先对候选解做出猜想,并代入原题完成验证,确认猜想函数满足条件;随后对原始不等式做代数化简,从中推导出约束更强的函数方程。再通过换元变形、代入特殊取值、构造矛盾命题等推理手段,逐一排除其余候选可能性,最终锁定问题的唯一解。

文章配图

5 下一步演进方向

未来,ScienceDiscovery 将持续向具备自主进化能力的跨学科科研平台演进。平台将内置 RSI 能力驱动智能体持续自我迭代,并构建强大的启发式探索引擎,通过多路径搜索破解复杂科学问题。此外,系统将深度接入生化等多领域知识图谱以实现跨学科探索,为药物设计、新材料设计等场景提供更高效的联想推理与知识溯源能力。

6 社区贡献

欢迎每一位开发者、科研人员以及领域专家参与共建,通过 issue 提出反馈或贡献内容,我们会持续迭代优化。

ScienceDiscovery 代码仓:

  • GitCode:https://atomgit.com/openJiuwen/sciencediscovery
  • Github:https://github.com/openJiuwen-ai/sciencediscovery

💡 一起,共创科研新范式。

文章来自于"机器之心",作者 "机器之心"。

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)