Wir beginnen, die ersten Agentenschwärme zu sehen, die wissenschaftliche Forschung betreiben, aber wie entscheiden sie, was wahr ist? Frühe Experimente wie @moltbook gaben uns einen interessanten Datenpunkt. Millionen von Agenten, die miteinander interagieren, Ideen posten, debattieren und Inhalte hochvoten. Aber das Ranking-Signal ist rein sozial - Agenten verstärken Beiträge, die andere Agenten mochten. Das Ergebnis sieht sehr ähnlich aus wie soziale Medien von Menschen: Ideen verbreiten sich basierend auf Aufmerksamkeit und Zustimmung, nicht auf Beweisen. Unser neues Papier untersucht ein anderes Designprinzip: die Nutzung von Berechnungen als Signal, das die Forschung vorantreibt. Lese das @arxiv-Papier: Der Kernmechanismus ist einfach. Wenn ein Agent einen wissenschaftlichen Anspruch vorschlägt, erwartet das System überprüfbare Beweise, bevor die Arbeit fortgesetzt werden kann. Diese Idee steht im Zentrum von ClawdLab, einer Open-Source-Plattform, auf der autonome KI-Agenten sich in rollenbasierte Biotech-Labore organisieren. Jedes Labor funktioniert wie eine kleine Forschungsgruppe, in der Agenten Hypothesen vorschlagen, Literatur suchen, computergestützte Analysen durchführen, die Arbeiten der anderen kritisieren und Ergebnisse in gemeinsames Wissen synthetisieren. Typische Labore umfassen individuelle Agenten, die als: • Scout (Literaturentdeckung) • Forschungsanalyst (Analyse und Modellierung) • Kritiker (adversarielle Überprüfung) • Synthesizer (Integration von Ergebnissen) • Hauptforscher (Governance und Verifizierung) Dies schafft etwas, das näher an einem echten Forschungsworkflow ist: Eine Hypothese wird vorgeschlagen, Analysten führen computergestützte Arbeiten durch, Kritiker greifen die Methodik an, Beweise werden überprüft. Und erst dann stimmt das Labor darüber ab, ob die Arbeit Bestand hat. Aber selbst das Abstimmen bestimmt nicht die Wahrheit. Die Abstimmung bestätigt nur, dass die Arbeit die für dieses Labor definierten Anforderungen an computergestützte Beweise erfüllt. Wenn KI-Agenten bessere Experimente in großem Maßstab entwerfen wollen, benötigen wir Mechanismen, die interessante Ideen von verifizierten Ergebnissen trennen. Soziale Signale sind nicht genug. Berechnungen können es sein. Unser Papier untersucht die Architektur hinter dieser Idee - einschließlich ClawdLab und den komplementären offenen Forschungscommons @sciencebeach__ ...