AI & computing › Agentic AI & autonome agents
AI-tool zet elk onderzoekspaper om in een ondervraagbare digitale onderzoeker
Onderzoekers van Stanford University hebben een AI-tool gebouwd die een wetenschappelijk paper automatisch omzet in een eigen AI-assistent. Die assistent beantwoordt vragen over het onderzoek, past de methode toe op nieuwe data en werkt zelfs samen met assistenten van andere papers. In een test versloeg de tool, Paper2Agent genaamd, gevestigde concurrenten en ontdekte het zelfs een mogelijke fout in de originele conclusies.
Een nieuw wetenschappelijk paper lezen kost tijd, zeker als het onderwerp buiten je eigen vakgebied ligt. Onderzoekers van Stanford University, onder leiding van computerwetenschapper James Zou, bedachten daar een oplossing voor: een tool die van elk paper automatisch een AI-agent maakt. Die agent fungeert als een soort digitale versie van de hoofdauteur, die dag en nacht bereikbaar is om vragen te beantwoorden. Het onderzoek naar de tool, Paper2Agent gedoopt, is gepubliceerd in het tijdschrift Nature.
Van tekst naar werkende tool
Paper2Agent doorzoekt eerst alle onderdelen van een paper: de hoofdtekst, de gebruikte programmeercode en de datasets. Die informatie wordt geplaatst op een zogeheten MCP-server, een soort digitaal opslagpunt waarmee AI-systemen onderling gegevens en hulpmiddelen kunnen delen. Vervolgens gaat een team van AI-agents zelfstandig aan de slag om tools te bouwen die de methode uit het paper kunnen toepassen op nieuwe data. Een wetenschapper kan daarna met een large language model naar keuze verbinding maken met die server. Het resultaat is een agent die in gewone spreektaal antwoord geeft op vragen over het paper.
Om de tool te testen, kozen de onderzoekers een pittig onderwerp: het paper achter AlphaGenome, een AI-model van Google DeepMind dat voorspelt welk effect veranderingen in DNA hebben op bijvoorbeeld genactiviteit. Paper2Agent bouwde in ongeveer 45 minuten een werkende agent voor dit paper. De benodigde rekenkracht kostte zo'n 14 dollar, minder dan de prijs van een lunch.
Beter dan de concurrentie, met een opvallende bijvangst
De nieuwe agent beantwoordde genetische vragen met bijna perfecte nauwkeurigheid. Daarmee versloeg hij andere gerenommeerde biomedische AI-agents die dezelfde vragen kregen over hetzelfde paper. Een van de verslagen concurrenten was Biomni, een tool van academische onderzoekers die put uit tientallen databases, maar die volgens de Stanford-onderzoekers duidelijk lager scoorde. Zou verklaart het succes van de paper-agent doordat deze de tools en mogelijkheden van AlphaGenome tot in detail beheerst.
Interessanter werd het toen de onderzoekers de agent een lastigere vraag voorlegden: welk gen verklaart dat één verandering in een DNA-letter samenhangt met verhoogd 'slecht' cholesterol? De agent wees een ander gen aan dan het gen dat in het oorspronkelijke AlphaGenome-paper wordt genoemd. Volgens Zou ondersteunen de onderliggende data van AlphaGenome beide verklaringen. Dat verschil laat volgens hem precies zien waar de kracht van Paper2Agent zit: wetenschappers kunnen gepubliceerde conclusies opnieuw tegen het licht houden zonder dat ze daarvoor helemaal opnieuw hoeven te experimenteren.
Zou ziet in de technologie meer dan een handig hulpmiddel. Papers die veranderen van statische tekst in een soort levend kennisbestand kunnen volgens hem helpen om te herdenken hoe wetenschappelijke kennis er in de toekomst uitziet. Omdat de paper-agents zelfstandig met elkaar kunnen samenwerken, zouden ze in de toekomst ook onderzoekers uit verschillende vakgebieden makkelijker bij elkaar kunnen brengen.
Achtergrond & begrippen
Wat betekent dit voor de toekomst? Als elk paper straks zijn eigen ondervraagbare AI-assistent krijgt, wordt wetenschappelijke kennis toegankelijker voor onderzoekers buiten het eigen vakgebied. Het kan bovendien sneller aan het licht brengen of gepubliceerde conclusies wel volledig kloppen, zonder dat daar dure nieuwe experimenten voor nodig zijn. Op termijn kan het zelfs leiden tot netwerken van samenwerkende AI-agents die vakgebieden met elkaar verbinden.
- Agentic AI / AI-agent
- Een AI-systeem dat niet alleen antwoord geeft, maar zelfstandig taken kan uitvoeren, zoals het bouwen van tools of het raadplegen van data.
- MCP-server (Model Context Protocol)
- Een digitaal platform waarop informatie en hulpmiddelen worden opgeslagen zodat AI-systemen ze onderling kunnen gebruiken.
- Large language model (LLM)
- Een AI-model dat getraind is om menselijke taal te begrijpen en te genereren, en dat als basis dient voor chatbots en AI-assistenten.
- Papieragent
- Een AI-agent die specifiek is gebouwd rond de inhoud, code en data van één wetenschappelijk paper, en die als virtuele vertegenwoordiger van dat onderzoek fungeert.
- Genexpressie
- Het proces waarbij de informatie in een gen wordt afgelezen en gebruikt om bijvoorbeeld een eiwit te maken; veranderingen hierin kunnen invloed hebben op gezondheid.
Bronnen
Dit artikel is met behulp van AI geschreven op basis van bovenstaande bronnen en is geen letterlijke vertaling. Zo werkt onze redactie.
