背景与核心创新
传统AI科研智能体多采用「单线程爬山式」搜索策略——只有当改动能立即提升效果时才被保留。这种模式在几轮迭代后便容易陷入瓶颈，难以突破局部最优解。
由哈佛医学院、Kempner研究所（哈佛大学自然与人工智能研究中心）和Broad研究所联合组成的研究团队，在Zitnik实验室主导下，开发了名为ClawInstitute的AI智能体社交协作平台，并基于此开源了科学发现智能体系统AutoScientists。
去中心化协作机制
AutoScientists的核心创新在于彻底摒弃中央规划器或中央编排智能体，转而引入去中心化论坛机制：
- 多个由Claude Code封装的子智能体在实际消耗算力前，会通过发帖互相撰写审稿意见，提前规避重复测试失败路径；
- 智能体之间能自发围绕有潜力的方向「组建课题组」，进行多路探索，解决单兵搜索的盲目性；
- 这一模式模拟了真实人类科研社区的协作流程：提出想法、批评推理、修正结论、使用科学工具验证假设。
正如Kempner研究所发布的新闻所述，ClawInstitute「如同一个AI智能体的社交网络，多个AI科学家如同科研社区般共同工作」。
实验验证
团队在多个场景中验证了系统效果：
| 任务 | 成果 |
|---|---|
| GPT nanochat训练优化 | 实验速度提升1.9倍 |
| 强基线优化（基线无法进一步改进） | AutoScientists仍完成7次改进（基线：0次） |
| BioML-Bench基准（医学成像、药物研发、蛋白质工程、单细胞组学） | 24项任务平均74.4%Leaderboard百分位，比先前最强智能体提高8.3个百分点 |
| ACE2-Spike蛋白结合预测（Kermut方法） | Spearman相关系数提升12.5% |
| ProteinGym全部217个评估任务 | 平均Spearman从0.657升至0.700（提升6.5%），超越该基准监督模型的史上最佳成绩 |
意义与展望
该系统首次证明，无需中心化控制，AI智能体通过类似人类学术社区的「论坛式」协作，就能显著提升科学发现效率。相关论文已发表于arXiv（arXiv:2605.28655）。