[논문 리뷰] Kosmos: An AI Scientist for Autonomous Discovery

Ludovico Mitchener, Angela Yiu외 35명|ArXiv.org|2025. 11. 04.

Biomedical Text Mining and Ontologies인용 수 3

한 줄 요약

Kosmos는 데이터 분석과 문헌 조사를 조정하는 구조화된 세계 모델을 통해 데이터 기반의 과학적 발견을 자동화하고, 최대 12시간 주기의 사이클에서 작동하며 추적 가능한 과학 보고서와 다 영역의 발견을 제공하고 전문가 시간의 절감 효과를 측정 가능한 지표로 제공합니다.

ABSTRACT

Data-driven scientific discovery requires iterative cycles of literature search, hypothesis generation, and data analysis. Substantial progress has been made towards AI agents that can automate scientific research, but all such agents remain limited in the number of actions they can take before losing coherence, thus limiting the depth of their findings. Here we present Kosmos, an AI scientist that automates data-driven discovery. Given an open-ended objective and a dataset, Kosmos runs for up to 12 hours performing cycles of parallel data analysis, literature search, and hypothesis generation before synthesizing discoveries into scientific reports. Unlike prior systems, Kosmos uses a structured world model to share information between a data analysis agent and a literature search agent. The world model enables Kosmos to coherently pursue the specified objective over 200 agent rollouts, collectively executing an average of 42,000 lines of code and reading 1,500 papers per run. Kosmos cites all statements in its reports with code or primary literature, ensuring its reasoning is traceable. Independent scientists found 79.4% of statements in Kosmos reports to be accurate, and collaborators reported that a single 20-cycle Kosmos run performed the equivalent of 6 months of their own research time on average. Furthermore, collaborators reported that the number of valuable scientific findings generated scales linearly with Kosmos cycles (tested up to 20 cycles). We highlight seven discoveries made by Kosmos that span metabolomics, materials science, neuroscience, and statistical genetics. Three discoveries independently reproduce findings from preprinted or unpublished manuscripts that were not accessed by Kosmos at runtime, while four make novel contributions to the scientific literature.

연구 동기 및 목표

• 데이터 분석과 문헌 검토의 반복적 사이클을 통해 자율적 과학적 발견을 촉진합니다.
• 공유된 세계 모델을 사용하여 개방형 목표의 일관된 다중 에이전트 탐사를 가능하게 합니다.
• 데이터와 문헌에 대한 추적 가능한 인용으로 과학적으로 보고 가능한 발견을 생성합니다.

제안 방법

• 두 대의 Edison Scientific 에이전트를 병행으로 실행합니다.
• 출력을 에이전트 간 공유하고 합성하기 위해 구조화된 세계 모델을 유지합니다.
• 주기당 최대 열 개의 작업을 실행하고 세계 모델을 반복적으로 업데이트합니다.
• 데이터나 문헌에 밀착된 진술으로 3~4개의 과학적 보고서를 생성합니다.
• 보고서의 정확성은 진술, 문헌 소스 및 분석에 대한 전문가 평가를 통해 평가합니다.
• 약 42,000 줄의 코드가 작성된 상태에서 최대 약 200명의 에이전트 롤아웃으로 탐색을 확장합니다.

Figure 1: Kosmos workflow and performance. a) Overall workflow for Kosmos. (left) Kosmos is provided with an initial dataset and broad research objective specified by a scientist. (middle) The Kosmos world model coordinates data analysis and literature search agents to identify key discoveries. (rig

실험 결과

연구 질문

• RQ1 AI 주도 시스템이 개방형 연구 목표를 달성하기 위해 반복적 데이터 분석과 문헌 검토를 자율적으로 수행할 수 있는가?
• RQ2 구조화된 세계 모델이 일관된 크로스-에이전트 추론 및 추적 가능한 과학 보고서를 위한 출처 인용을 가능하게 하는가?
• RQ3 다양한 도메인에서 Kosmos가 생성한 발견의 정확도와 전문가 시간 등가성은 어느 수준인가?

주요 결과

• Kosmos는 실행당 평균 42,000줄의 코드를 작성하고 매 실행에서 약 1,500편의 논문을 읽습니다.
• 독립 전문가들은 Kosmos의 진술 중 79.4%를 정확하다고 평가했습니다.
• 20주기 Kosmos 실행은 협력자들에 의해 대략 인간 연구 시간의 6개월에 해당하는 것으로 추정되었습니다.
• Kosmos는 대사체학, 재료과학, 신경과학, 통계유전학에 걸친 7개의 발견을 생산했습니다.
• 세 가지 발견은 미발표되거나 컷오프 이후의 연구를 재현했고, 네 가지는 새로운 통찰을 기여했습니다.
• Kosmos 보고서의 모든 진술은 데이터 분석 출력이나 인용된 문헌과 연결되어 있어 추적 가능성을 제공합니다.

Figure 2: Kosmos reproduces unpublished discovery in neuroprotection metabolomics. a) Research objective and dataset description provided to Kosmos and experimental design for untargeted metabolomic profiling of mouse brains. b) Barplot showing up-regulation of purine and pyrimidine salvage products