https://arxiv.org/abs/2408.06292

인공 일반 지능의 가장 큰 과제 중 하나는 과학 연구를 수행하고 새로운 지식을 발견할 수 있는 에이전트를 개발하는 것입니다. 프런티어 모델은 이미 아이디어 브레인스토밍, 코드 작성 또는 예측 작업과 같이 인간 과학자를 위한 보조 도구로 사용되었지만 여전히 과학적 프로세스의 작은 부분만 수행합니다. 이 논문은 완전 자동 과학적 발견을 위한 최초의 포괄적 프레임워크를 제시하여 프런티어 대규모 언어 모델이 독립적으로 연구를 수행하고 결과를 전달할 수 있도록 합니다. 새로운 연구 아이디어를 생성하고, 코드를 작성하고, 실험을 실행하고, 결과를 시각화하고, 전체 과학 논문을 작성하여 결과를 설명한 다음 평가를 위해 시뮬레이션된 검토 프로세스를 실행하는 AI Scientist를 소개합니다. 원칙적으로 이 프로세스는 인간 과학 커뮤니티처럼 작용하여 개방형 방식으로 아이디어를 반복적으로 개발하기 위해 반복될 수 있습니다. 확산 모델링, 변환기 기반 언어 모델링 및 학습 역학이라는 세 가지 뚜렷한 머신 러닝 하위 분야에 적용하여 다재다능함을 보여줍니다. 각 아이디어는 구현되어 논문당 15달러 미만의 비용으로 전체 논문으로 개발됩니다. 생성된 논문을 평가하기 위해 자동화된 리뷰어를 설계하고 검증하여 논문 점수를 평가하는 데 있어 인간에 가까운 성과를 달성하는 것을 보여줍니다. AI 과학자는 자동화된 리뷰어가 판단한 대로 최고의 머신 러닝 컨퍼런스에서 수용 기준을 초과하는 논문을 생산할 수 있습니다. 이 접근 방식은 머신 러닝에서 과학적 발견의 새로운 시대가 시작되었음을 의미합니다. AI 에이전트의 혁신적인 이점을 AI 자체의 전체 연구 프로세스에 도입하고, 세계에서 가장 어려운 문제에 무한한 저렴한 창의성과 혁신을 발휘할 수 있는 세상에 더 가까이 다가갑니다. 저희 코드는 이 URL 에서 오픈 소스로 제공됩니다.