网络智能：面向人机团队科学的主动共享上下文图

# 网络智能：面向人机团队科学的主动共享上下文图
来源：https://arxiv.org/html/2607.13220
Sutanay Choudhury, Jeffrey J\. Czajka, Lummy M\. O\. Monteiro, Erin Bredeweg, Jason McDermott, Katherine Wolf, Alex Beliaev, Josh Elmore, Paul Piehowski, Kylee Tate, Yuqian Gao, Aivett Bilbao, Kelly Stratton, Scott Baker, Jaydeep P\. Bardhan, Kristin Burnum Johnson, Chris Oehmen, Robert Rallo 太平洋西北国家实验室，里奇兰，华盛顿州，美国

###### 摘要

大多数人工智能科学系统专注于通过使用更好的模型、更大的上下文窗口、长周期智能体执行或与单一主要用户协作的数字协同科学家，来扩展单一的推理过程。然而，具有挑战性的科学问题很少仅靠一个推理者就能解决。它们是由团队成员共同解决的，这些成员携带着不同的先验知识、实验背景、隐性知识和领域训练直觉。因此，开放性问题不仅在于如何扩展模型，更在于如何培育*网络智能*，即扩展人类与人工智能系统之间的连接，使得在一个上下文中产生的结果或假设能够传递给另一个可以据此行动的人、智能体、仪器或机器人。我们提出*Mycelium*，一个主动共享工作空间，能够自动连接研究人员和AI智能体，类似于一个多用户协同科学家。当人类用户和智能体工作时，系统会捕获重要的观察结果和假设，追踪它们与团队不断演化的模型之间的关系，并将它们路由给下一个决策可能受其影响的人或智能体。我们在Mycelium的首次实证测试中对其进行评估，这是一项生物多组学研究，其中路由共享上下文将一个局部分析发现转化为跨专家机制的约束，并最终转化为实验设计。我们还将网络智能计算地描述为在分布式科学上下文上的稀疏条件计算，这区分了何时一个扩展的独立智能体可以匹配网络，以及何时独立的专业知识和不可合并的上下文使其不可简化。

## 1 引言

下一个科学发现时代需要弥合两个决定性维度：团队科学的分布式专业知识与AI智能体以机器速度运行的自主执行。大多数重要发现现在都需要超越任何个人所能掌握的专业知识，美国国家研究委员会将其正式化为*团队科学*\[27 (https://arxiv.org/html/2607.13220#bib.bib1)\]。AI系统已经开始自动化核心科学功能，从蛋白质结构预测\[19 (https://arxiv.org/html/2607.13220#bib.bib28)\]到实验化学规划与执行\[4 (https://arxiv.org/html/2607.13220#bib.bib21),33 (https://arxiv.org/html/2607.13220#bib.bib49),24 (https://arxiv.org/html/2607.13220#bib.bib22),31 (https://arxiv.org/html/2607.13220#bib.bib36)\]。因此，AI加速的团队科学正在成为国家层面的基础设施优先事项，例如美国能源部的Genesis任务等倡议设想了将这些孤立工具、仪器和高性能计算资源连接成共享网络的发现平台\[40 (https://arxiv.org/html/2607.13220#bib.bib37),36 (https://arxiv.org/html/2607.13220#bib.bib2),25 (https://arxiv.org/html/2607.13220#bib.bib29)\]。科学智能体、工具和仪器正在以比协调它们所需的网络架构更快的速度出现。

限制性问题不再仅仅是个别AI系统能否推理，而是科学背景能否在团队仍在发现的过程中，忠实地在人类、智能体和仪器之间传递。现有的AI协同科学家和自主实验室工作流基本上仍然局限于单个科学家的AI会话或编排好的智能体团队\[43 (https://arxiv.org/html/2607.13220#bib.bib9),35 (https://arxiv.org/html/2607.13220#bib.bib8)\]，尽管总体科学任务是由专家分布完成的，并且仍然通过缓慢的、人类中介的交流推进\[34 (https://arxiv.org/html/2607.13220#bib.bib25),8 (https://arxiv.org/html/2607.13220#bib.bib26)\]。随着智能体承担更长、更自主的调查\[13 (https://arxiv.org/html/2607.13220#bib.bib27)\]，协调成为一个模型扩展本身无法消除的架构瓶颈：一个科学家会话中的模型可以总结局部工作，但它没有运行时机制来决定一个发现何时应该改变另一个科学家的分析、将团队不断演化的假设作为持久共享状态来维护、或保证传播的主张带有重用所需的出处。智能体通信协议，例如模型上下文协议和智能体到智能体协议，标准化了工具和智能体如何发现或路由任务\[1 (https://arxiv.org/html/2607.13220#bib.bib19),12 (https://arxiv.org/html/2607.13220#bib.bib20),7 (https://arxiv.org/html/2607.13220#bib.bib7)\]，而新兴的记忆层将智能体自身的状态持久化到会话之外\[6 (https://arxiv.org/html/2607.13220#bib.bib16),39 (https://arxiv.org/html/2607.13220#bib.bib18),16 (https://arxiv.org/html/2607.13220#bib.bib17)\]。仍然缺失的是用于*网络智能*的运行时架构：科学上下文能够在人类、智能体和仪器之间移动，同时保持可归因、可争议和可操作。

我们介绍*Mycelium*，一个基于*主动上下文图*（ACG）的网络化人机科学发现运行时架构。该图将共享科学上下文表示为具有出处意识的项目状态：类型化条目记录观察结果、解释、假设、发现、未解答问题、建议和实验提议，以及它们的推导历史。

Mycelium 使三个操作明确化：跨用户状态路由，其中在一个参与者工作中产生的上下文可以在相关时呈现给另一个参与者；持久假设状态，其中团队不断演化的机制模型跨越会话和角色而存活；以及出处有界传播，其中每个路由的主张仍然与产生它的证据和推理相关联。研究人员和AI智能体可以通过普通的聊天界面读写这个共享图。当人类和智能体用户通过他们的工作修改图时，Mycelium 定期发现条目之间的连接，更新网络状态，并将与目标相关的上下文呈现给接下来决策可能受其影响的用户或智能体。

我们展示扩展网络（而不仅仅是模型）会改变活跃科学调查的轨迹。为了孤立这种网络架构的价值，我们将 Mycelium 与一个对抗性基线进行比较：一个拥有相同数据并被提示以最大资源和自主权推理所有领域的独立智能体。我们在一个多组学微生物活动中评估 Mycelium\[37 (https://arxiv.org/html/2607.13220#bib.bib38)\]，其中三位在蛋白质组学、调控生物学和遗传学方面具有互补专业知识的研究人员通过各自的聊天界面与自主的 Mycelium 调查异步工作。尽管该系统在结构上是领域中性的，但这项活动提供了其首次实证测试。

在本文中，我们首先定义主动共享上下文网络的需求，并介绍 Mycelium 架构（第2节）。在第3节中，我们详细描述这项实证测试，展示与独立智能体基线相比，路由上下文如何改变科学解释和实验行动。最后，我们将网络智能形式化为稀疏条件计算，阐明独立专业知识使网络不可简化为单一扩展模型的严格边界（第4节）。

## 2 方法

Mycelium 实现了网络化人机科学发现的运行时架构（图1 (https://arxiv.org/html/2607.13220#S2.F1)）。该架构建立在三个不同的支柱上：（1）一个主动上下文图，持有共享科学状态并强制执行出处（第2.1节）；（2）一个面向参与者的运行时，将研究人员的标准 AI 聊天机器人客户端连接到服务器端执行环境（第2.2节）；（3）一组共享上下文协议，即自主注入、维护和跨分布式团队路由状态的智能体原语（第2.3节）。

参见图标题图1：Mycelium 运行时架构。该系统协调跨四个不同领域的分布式科学工作流：来源领域和参与者（左）：研究人员和 AI 智能体在共享工作空间内操作，向共享图读写类型化条目。主动上下文图（中）：管理持久项目状态的核心路由层。它映射数据集、自主工作流执行和演化假设之间具有出处感知的关系（例如，generated_by、supports、contradicts）。数据和计算资源（底）：将运行时连接到科学资产（例如，组学文件、笔记本）和执行环境（从云中的虚拟机到 HPC 集群）。推理消费者（右）：读取同步图以驱动跨分析协调、跟踪假设和提出实验设计的专业工具和协同科学家。

### 2.1 主动上下文图

网络智能的关键推动器是一个*主动上下文图*，将共享项目状态表示为有向图 G=(V,E)G=(V,E)。节点 VV 表示类型化的科学条目，每个条目携带一个由封闭本体定义的认识论角色（例如，证据、推理、行动）（表1 (https://arxiv.org/html/2607.13220#S2.T1)）。边 EE 使用严格的语义（例如，generated_by、derived_from、supports，如图1 (https://arxiv.org/html/2607.13220#S2.F1) 所示）映射出处和跨会话的推导，明确地将每个新主张链接到产生它的确切数据、用户、智能体或工具执行。

表 1：主动上下文图使用的封闭条目类型词汇表。我们称此图为*主动*的，因为 Mycelium 运行时持续演化和评估状态，不同于被动的图数据库。具体来说，运行时在此图上执行独立智能体会话无法获得的三个操作：*跨用户状态路由*动态地将相关上下文从发起参与者或过程移动到其分析受其影响的参与者，无需显式请求。*演化假设状态*维护团队的声明以及跨独立会话的支持和矛盾证据。*出处有界传播*确保随着声明被路由，它们保留评估和重用所需的谱系、工具链和归属。因此，每个下游解释或提议的实验都正式基于先前的图上下文，确保整个协作谱系保持物理可审计性。

### 2.2 用于自主分析执行的运行时基础设施

用户通过标准的 AI 聊天客户端（通过模型上下文协议 MCP 连接）与 Mycelium 接口（图2 (https://arxiv.org/html/2607.13220#S2.F2)）。

参见图标题图2：面向参与者的运行时。研究人员使用标准的、熟悉的 AI 聊天界面与 Mycelium 网络交互。与作为孤立聊天机器人不同，模型上下文协议（MCP）将此聊天窗口直接连接到团队的共享主动上下文图。这使得用户可以查询整个项目的历史、分派复杂的自主工作流以及审查结果，这一切都无需离开简单的对话界面。然而，与上下文在窗口关闭时丢失的标准聊天模型不同，此运行时通过一套有状态的智能体工具将客户端绑定到主动上下文图。这使得用户界面能够无缝查询共享项目状态、分派自主工作流以及正式提交新发现。

为了执行复杂的分析工作流，服务器端运行时主要依赖在沙盒 Python 环境中动态、即时代码生成（图3 (https://arxiv.org/html/2607.13220#S2.F3)）。运行时集成了用于标准任务的项目特定工具（例如，数据摄取、PCA、差异丰度和代谢路径查询），优先利用经过验证的库函数以强制执行科学可重复性。仅当工作流需要不可用的分析模式时，它才生成新的执行图。关键的是，这种自主执行包括自动错误恢复：如果由于数据不一致或运行时异常导致编程步骤失败，系统会自动读取错误追踪、生成纠正脚本并恢复执行。由于系统是严格模式感知的，它在交互前以编程方式验证所有数据结构，并在完成时发出完全可执行的 Jupyter 笔记本作为其追踪。这确保每个自主发现保持完全可重复和可由人类专家审计。

参见图标题图3：自主工作流执行。Mycelium 运行时利用动态代码生成即时构建多步分析管道，用于交互式和自主分析。上图展示了说明性的计算数据流图。执行引擎支持自动容错，允许系统从运行时错误中恢复并成功将正式化的发现输出到共享项目状态。

### 2.3 共享上下文协议

四个操作原语定义了科学状态如何进入、穿过和在 Mycelium 网络中重用。这些原语共同使主动上下文图不仅仅是共享记忆存储器：它们指定了主张如何成为可审计状态、自主工作如何保持有界、相关上下文如何到达正确的接收者，以及合成的主张如何与证据保持联系。

出处（日志记录）。运行时通过将分析执行转换为持久的、可查询的状态节点来强制执行严格出处。当人类或智能体执行任务时，系统自动捕获结果作为不可变的观察，精确绑定到其参数空间、工具链和数据集引用。

有界自主（主动执行）。运行时持续监控新出现的知识空白，并在活跃用户会话之间启动自主探索性分析（补充方法中图7 (https://arxiv.org/html/2607.13220#Sx2.F7)）。当检测到数据结构缺陷或缺失链接时，智能体自主规划并执行纠正任务。纠正后的结果随后持久化到主动上下文图，在参与者下次会话时干净地呈现为可操作的发现。

状态路由（授粉）。网络的典型功能是异步将新出现的上下文路由给相关参与者（见补充方法中图6 (https://arxiv.org/html/2607.13220#Sx2.F6)）。为了在不淹没用户的情况下实现这一点，系统针对局部信念状态评估新的候选链接，以评分其认识论效用——确定新观察是否支持、细化或引入与特定研究人员正在进行的分析之间的张力。在算法上，这种跨相邻线程的评分和更新操作充当消息传递步骤\[29 (https://arxiv.org/html/2607.13220#bib.bib52),11 (https://arxiv.org/html/2607.13220#bib.bib53)\]。然而，与将信号平均成单一联合分布的标准图算法不同，此架构有意保留分歧。信念状态