Co-Scientist dan AlphaEvolve adalah agen yang dikembangkan Google yang mempercepat proses riset dan pengembangan. Agen ini memanfaatkan Gemini untuk mengotomatiskan penalaran ilmiah yang kompleks dan penemuan algoritmik.
Ringkasan agen Co-Scientist
Co-Scientist adalah sistem AI multi-agen yang dibangun di Gemini, yang dirancang untuk bertindak sebagai kolaborator ilmiah virtual. Sistem ini membantu peneliti menemukan pengetahuan asli dan merumuskan hipotesis riset baru serta proposal eksperimental. Dengan menggabungkan penalaran AI dengan metode ilmiah, Co-Scientist memungkinkan ilmuwan menavigasi literatur, menyintesis insight di berbagai domain, dan mempercepat penemuan biomedis.
Cara kerjanya
Co-Scientist dibangun di atas arsitektur multi-agen dan framework eksekusi tugas asinkron untuk menskalakan komputasi waktu pengujian. Desain ini memungkinkan sistem untuk melakukan penalaran, berdebat, dan meningkatkan output secara berulang.
Saat Anda memberikan tujuan riset dalam bahasa alami, Co-Scientist akan mengoordinasikan agen khusus berikut:
- Agen pembuatan: Menjelajahi literatur menggunakan penelusuran web, menyintesis temuan, dan merumuskan hipotesis awal.
- Agen refleksi: Bertindak sebagai peninjau sejawat untuk memeriksa kebenaran, kualitas, dan keamanan hipotesis yang dibuat.
- Agen peringkat: Mengevaluasi dan memprioritaskan proposal riset menggunakan turnamen berbasis Elo.
- Agen evolusi: Menyempurnakan hipotesis peringkat teratas dengan mendasarkannya pada literatur dan menggabungkan ide-ide inovatif.
- Agen kedekatan: Mengatur pertandingan turnamen dan menghapus duplikat hipotesis menggunakan grafik kedekatan.
- Agen meta-peninjauan: Menyintesis insight dari semua peninjauan dan perdebatan ke dalam peta jalan riset yang komprehensif.
Agen Pengawas khusus mengatur proses, mengalokasikan resource, dan mengelola antrean pekerja untuk mempertahankan loop penalaran ilmiah yang terus meningkat.
Kasus penggunaan
Co-Scientist memecahkan masalah kompleks di berbagai disiplin ilmu, khususnya yang memerlukan keahlian mendalam dalam materi pelajaran dan insight lintas disiplin. Contoh kasus penggunaan mencakup:
Penggunaan kembali obat: Mengidentifikasi indikasi terapeutik baru untuk obat yang disetujui dengan menganalisis tanda tangan molekuler, jalur pensinyalan, dan informasi berbasis literatur.
Penemuan target: Mengusulkan komponen biologis dan target epigenetik baru untuk penyakit kompleks dan menyederhanakan pemilihan hipotesis untuk validasi eksperimental.
Penjelasan mekanistik: Membuat hipotesis untuk masalah yang rumit, seperti resistensi antimikroba, dengan menyintesis data ilmiah yang terfragmentasi.
Untuk mengetahui informasi selengkapnya dan kasus penggunaan tambahan, lihat blog Mempercepat terobosan ilmiah dengan Partner AI untuk Ilmuwan.
Ringkasan agen AlphaEvolve
AlphaEvolve adalah agen coding evolusioner yang didukung Gemini yang menemukan algoritma tujuan umum dan mengoptimalkan kode. Agen ini menggabungkan kemampuan generatif Gemini dengan evaluator otomatis untuk mengusulkan, memverifikasi, dan meningkatkan seluruh codebase untuk masalah kompleks dalam komputasi, riset operasi, dan matematika.
Cara kerjanya
AlphaEvolve menggunakan framework evolusioner dan kumpulan model Gemini untuk menyempurnakan solusi terprogram melalui proses berulang:
Pembuatan: Model Gemini mengusulkan program komputer baru untuk menerapkan solusi algoritmik, sehingga memaksimalkan luasnya ide yang dieksplorasi.
Evaluasi: Sistem menilai kebenaran dan performa fungsional setiap solusi menggunakan metrik objektif dan terukur.
Peningkatan evolusioner: Algoritma evolusioner memilih program dengan skor tinggi dari database untuk berfungsi sebagai input untuk iterasi berikutnya.
Kasus penggunaan
AlphaEvolve efektif di domain yang progresnya dapat diukur secara sistematis melalui skor objektif yang dapat diverifikasi. Contoh kasus penggunaan mencakup:
Percepatan pelatihan dan inferensi AI: Mengoptimalkan operasi penting dan petunjuk GPU tingkat rendah untuk pelatihan dan inferensi AI.
Bantuan desain hardware: Menyarankan dan memverifikasi modifikasi dalam bahasa desain chip, seperti mengurangi bit dalam sirkuit aritmetika untuk Unit Pemrosesan Tensor (TPU) kustom Google.
Pengoptimalan logistik dan supply chain: Memecahkan tantangan kombinatorial skala besar dalam operasi supply chain.
Pengoptimalan infrastruktur komputasi: Meningkatkan operasi tingkat sistem dan efisiensi operasional.
Penemuan algoritma matematika: Mengusulkan solusi untuk masalah terbuka dalam geometri, kombinatorika, dan teori bilangan.
Untuk mengetahui kasus penggunaan dan hasil lainnya, lihat blog AlphaEvolve: Agen coding yang didukung Gemini untuk mendesain algoritma lanjutan.
Langkah berikutnya
Untuk mendaftarkan minat Anda dalam Program Akses Awal untuk Co-Scientist atau AlphaEvolve, hubungi tim akun Anda Google Cloud .