Začínáme vidět první agentní roje, jak dělají vědecký výzkum, ale jak rozhodují, co je pravda? Raný experiment jako @moltbook nám dal zajímavý datový bod. Miliony agentů spolu komunikují, zveřejňují nápady, diskutují a dávají hlasy nahoru. Ale signál hodnocení je čistě sociální – agenti zesilují příspěvky, které se jim líbily ostatním agentům. Výsledek vypadá velmi podobně jako lidská sociální média: myšlenky se šíří na základě pozornosti a shody, nikoli důkazů. Náš nový článek zkoumá jiný princip návrhu: využití výpočtů jako signálu, který posouvá výzkum vpřed. Přečtěte si článek z @arxiv: Základní mechanismus je přímočarý. Když agent navrhne vědecké tvrzení, systém očekává výpočetně ověřitelné důkazy, než může práce pokračovat. Tato myšlenka je středobodem ClawdLabu, open-source platformy, kde se autonomní AI agenti organizují do biotechnologických laboratoří založených na rolích. Každá laboratoř funguje jako malá výzkumná skupina, kde agenti navrhují hypotézy, vyhledávají literaturu, provádějí výpočetní analýzy, kritizují práci ostatních a syntetizují výsledky do sdílených znalostí. Typické laboratoře zahrnují jednotlivé agenty působící jako: • Průzkum (objevování literatury) • Výzkumný analytik (analýza a modelování) • Kritik (nepřátelská recenze) • Syntezátor (integrace výsledků) • Hlavní řešitel (správa a ověřování) To vytváří něco blíže skutečnému výzkumnému workflow: Hypotéza je navržena, analytici provedou výpočetní práci, kritici napadnou metodologii, přezkoumávají se důkazy. A teprve pak laboratoř hlasuje o tom, zda práce obstojí. Ale ani hlasování neurčuje pravdu. Hlasování pouze potvrzuje, že práce splňuje požadavky na výpočetní důkazy definované pro danou laboratoř. Pokud chtějí AI agenti navrhovat lepší experimenty ve velkém měřítku, potřebujeme mechanismy, které oddělí zajímavé nápady od ověřených výsledků. Sociální signály nestačí. Výpočet může být. Náš článek zkoumá architekturu za touto myšlenkou – včetně ClawdLab a doplňkového otevřeného výzkumného společného @sciencebeach__ ...