大家好，SDbioinfo 第16期播客分享节目即将到来！

当前科学研究问题日趋复杂，新药研发、材料筛选等领域常需处理海量数据、跨学科协作，且实验成本高昂。单靠传统团队或单个智能体已难以高效应对，亟需更优协作模式。

随着AI技术发展，语言模型已具备科研参与能力，多智能体协同可通过分工并行辅助科研（如数据预处理、实验初设计）。但现有模式存明显短板：一是缺乏统一原则导致智能体目标分散、冲突；二是难平衡自主与协同，或人工干预过多失效率，或协作无序偏离目标，多智能体仍局限于科研单一环节。

为此，蒲应明博士提出信息理论框架PiFlow，将自动化科学发现定义为“原则（如科学定律）指导的结构化不确定性减少问题”。

其核心是建立明确原则：确保智能体目标一致、资源合理分配、冲突有效协调，且过程与结果可追溯。该模式下，智能体承担重复高负荷任务，研究者聚焦方向与关键决策，实现高效人机协同。

发现具有目标特性的纳米材料结构、生物分子和超导体候选物等三个领域的评估中，PiFlow显著提升发现效率——AUC较探索步骤增73.55%，解决方案质量较普通代理系统提高94.06%。作为即插即用方法，PiFlow构建了自动化科学发现的新范式。

蒲应明现为西湖大学博士研究生，其研究兴趣聚焦于AI智能体在科学发现中的应用，属于当前 "AI for Science" 前沿交叉领域。

他主要致力于构建基于大语言模型的多智能体系统，通过设计高效的规划算法与智能决策机制，探索如何使多个智能体自主协作，从而完成假设生成到实验设计与结果反馈的完整科研闭环。

具体而言，其工作旨在突破传统AI工具的辅助性与可解释性的局限，赋予智能体在复杂科学问题（如材料发现、药物设计）中进行高效推理的能力，最终推动形成具备科学洞察力的新型AI科学发现范式。