傳統上，科學研究是一個緩慢而謹慎的過程。科學家花費數年的時間測試想法並進行實驗。他們閱讀了成千上萬的論文，並試圖連接不同的知識。這種方法工作了很長時間，但通常需要數年才能完成。如今，世界面臨著緊急問題，例如氣候變化和需要更快答案的疾病。微軟認為人工智能可以幫助解決這個問題。在2025年的Build Build，Microsoft推出了Microsoft Discovery，這是一個使用AI代理來加速研發的新平台。本文解釋了Microsoft Discovery如何工作以及代理為何對研發很重要。
現代科學研究的挑戰
傳統的研發麵臨數十年來一直持續的幾個挑戰。科學知識是廣泛的，並且分佈在許多論文，數據庫和存儲庫中。連接不同領域的想法需要特殊的專業知識和充足的時間。研究項目涉及許多步驟，例如審查文獻，形成假設，設計實驗，分析數據和完善結果。每個步驟都需要不同的技能和工具，因此很難保持進步穩定和穩定。此外，研究是一個迭代過程。科學知識通過證據，同伴討論和持續的完善而增長。這種迭代性質在初始想法和實際應用之間產生了重大的時間延遲。由於這些問題，科學進步的速度與我們需要解決氣候變化和疾病等問題的解決方案之間存在差異。這些緊急問題需要比傳統研究所能提供的更快的創新。
Microsoft Discovery：加速與AI代理的研發
Microsoft Discovery是一個用於科學研究的新企業平台。它使AI代理能夠與人類科學家合作，產生假設，分析數據和執行實驗。 Microsoft在Azure上構建了平台，該平台提供了模擬和數據分析所需的計算能力。
該平台通過三個關鍵功能解決了研究挑戰。首先，它使用基於圖的知識推理來連接跨不同領域和出版物的信息。其次，它採用專門的AI代理，可以專注於特定的研究任務，同時與其他代理商進行協調。第三，它保持了一個迭代學習週期，該學習週期可根據結果和發現調整研究策略。
使Microsoft Discovery與其他AI工具不同的原因是其對完整研究過程的支持。該平台並沒有僅僅為研究的一部分提供幫助，而是從想法開始到最終結果。這種全面的支持可以大大減少科學發現所需的時間。
基於圖的知識引擎
傳統搜索系統通過匹配關鍵字來查找文檔。儘管有效，但這種方法通常忽略了科學知識中的更深層次的聯繫。 Microsoft Discovery使用基於圖的知識引擎，該引擎映射了來自內部和外部科學來源的數據之間的關係。該系統可以理解相互矛盾的理論，不同的實驗結果以及跨領域的假設。它不僅可以在一個主題上找到論文，還可以表明一個領域的發現如何應用於另一個領域的問題。
知識引擎還顯示瞭如何得出結論。它跟踪來源和推理步驟，因此研究人員可以檢查AI的邏輯。這種透明度很重要，因為科學家需要了解如何得出結論，而不僅僅是答案。例如，在尋找新電池材料時，系統可以將冶金，化學和物理學的知識聯繫起來。它還可以找到矛盾或丟失的信息。這種廣泛的觀點可幫助研究人員找到可能會錯過的新想法。
AI代理在Microsoft Discovery中的作用
代理是一種可以獨立行動執行任務的人工智能。與普通的AI只能通過按照指示幫助人類，代理人做出決定，計劃行動並自行解決問題。他們像智能助理一樣工作，可以主動採取計劃，從數據中學習並幫助完成複雜的工作，而無需持續的人類指導。
Microsoft Discovery沒有使用一個大型AI系統，而是採用了許多專注於不同研究任務並相互協調的專業代理。這種方法模仿了人類研究團隊如何運作，具有不同技能的專家共同運作並分享知識。但是AI代理可以連續工作，處理大量數據並保持完美的協調。
該平台允許研究人員創建滿足其專業要求的自定義代理。研究人員可以以自然語言指定這些要求，而無需任何編程技能。代理商還可以建議他們應該使用哪些工具或模型以及如何與其他代理商合作。
Microsoft Copilot在這項合作中起著核心作用。它充當科學的AI助手，根據研究人員提示，精心策劃專門的代理商。 Copilot了解平台中的可用工具，模型和知識庫，並可以設置涵蓋整個發現過程的完整工作流程。
現實世界的影響
任何研究平台的真實測試都在於其現實世界的價值。微軟的研究人員在大約200小時內發現了一個無害PFAS化學物質的數據中心的新冷卻劑。這項工作通常需要幾個月或幾年。新發現的冷卻液可以幫助減少技術中的環境危害。
在幾周而不是幾年內查找和測試新公式可以加速向更清潔的數據中心的過渡。該過程使用多種AI代理來篩選分子，模擬特性並提高性能。在數字階段之後，他們成功製作並測試了冷卻液，證實了AI的預測和平台的準確性。
Microsoft Discovery也用於其他領域。例如，太平洋西北國家實驗室使用它來為核科學所需的化學分離創建機器學習模型。這些過程是複雜而緊迫的，使得更快的研究至關重要。
科學研究的未來
Microsoft Discovery正在重新定義如何進行研究。科學家們可以與AI代理人合作，而不是使用有限的工具，而是根據結果來處理大量信息，查找模式並根據結果更改方法。這種轉變通過將來自不同域的想法鏈接起來來實現新的發現方法。材料科學家可以使用生物學見解，藥物研究人員可以應用物理髮現，工程師可以使用化學知識。
該平台的模塊化設計使其可以使用新的AI模型和域工具來生長，而不會改變當前的工作流程。它使人類的研究人員保持控制，在處理繁重的計算工作時擴大他們的創造力和直覺。
挑戰和考慮因素
儘管AI代理在科學研究中的潛力是巨大的，但仍有一些挑戰。確保AI假設是準確的需求，請進行強制檢查。 AI推理的透明度對於從科學家那裡獲得信任很重要。將平台集成到現有研究系統可能很困難。組織必須在遵循法規和標準的同時調整流程以使用代理。
廣泛使用高級研究工具會引發有關保護知識產權和競爭的問題。由於AI使許多人的研究更加容易，因此科學學科可能會發生重大變化。
底線
Microsoft Discovery提供了一種新的研究方式。它使AI代理可以與人類研究人員合作，加快發現和創新。早期的成功，例如冷卻液發現和主要公司的興趣，這表明AI代理商有可能改變行業的研發方式。通過將研究時間從數年到幾週或幾個月縮短，Microsoft Discovery等平台可以幫助解決全球挑戰，例如氣候變化和疾病。關鍵是平衡人工智能與人類的監督，因此技術支持而不是取代人類的創造力和決策。
