Fortschritte in der autonomen wissenschaftlichen Entdeckung durch InternAgent-1.5

Die Landschaft der wissenschaftlichen Forschung durchläuft einen signifikanten Wandel, angetrieben durch Fortschritte in der Künstlichen Intelligenz. Ein aktuelles Entwicklungsprojekt, InternAgent-1.5, stellt ein vereinheitlichtes agentenbasiertes Framework vor, das darauf abzielt, autonome wissenschaftliche Entdeckungen über lange Zeiträume hinweg zu ermöglichen. Dieses System wurde entwickelt, um den gesamten Forschungsprozess zu automatisieren, von der Hypothesengenerierung bis zur experimentellen Validierung, und verspricht eine erhebliche Beschleunigung wissenschaftlicher Durchbrüche.

Einheitliches Agenten-Framework für autonome Forschung

InternAgent-1.5 ist als ein Ende-zu-Ende-System konzipiert, das sowohl rechnergestützte als auch empirische Domänen der wissenschaftlichen Entdeckung abdeckt. Die Kernarchitektur besteht aus drei koordinierten Subsystemen:

• Generierung: Dieses Subsystem ist für die Formulierung von Hypothesen und die Planung von Methoden zuständig. Es führt umfangreiche Literaturanalysen und wissenschaftliche Schlussfolgerungen durch und integriert kontextuelles Wissen, oft unter Einsatz domänenspezifischer Werkzeuge.
• Verifizierung: Hier werden die generierten Hypothesen und Pläne bewertet. Dies kann durch rechnergestützte Simulationen oder physische Experimente geschehen. Das System unterstützt eine strukturierte, mehrstufige Optimierung von Methodenvorschlägen.
• Evolution: Das Evolutionssubsystem verarbeitet Feedback aus den Verifizierungsergebnissen, um internes Wissen zu aktualisieren, Strategien zu verfeinern und eine langfristige Gedächtnisfunktion aufrechtzuerhalten. Dies gewährleistet eine kohärente und sich verbessernde Entwicklung über längere Entdeckungszyklen hinweg.

Diese Architektur ermöglicht es InternAgent-1.5, kontinuierlich über ausgedehnte Entdeckungszyklen hinweg zu operieren und dabei ein kohärentes und sich verbesserndes Verhalten beizubehalten. Es koordiniert rechnergestützte Modellierung und Laborexperimente innerhalb eines einzigen, vereinheitlichten Systems.

Leistungsfähigkeit und Anwendungsbereiche

Die Evaluierung von InternAgent-1.5 erfolgte anhand etablierter wissenschaftlicher Denk-Benchmarks wie GAIA, HLE, GPQA und FrontierScience. Hierbei erreichte das System eine führende Leistung, die seine grundlegenden Fähigkeiten unterstreicht. Über diese Benchmarks hinaus wurde InternAgent-1.5 in zwei Hauptkategorien von Entdeckungsaufgaben getestet:

• Algorithmus-Entdeckungsaufgaben: In diesem Bereich entwirft InternAgent-1.5 autonom wettbewerbsfähige Methoden für zentrale Probleme des maschinellen Lernens.
• Empirische Entdeckungsaufgaben: Hier führt das System vollständige rechnergestützte oder Nasslabor-Experimente durch und generiert wissenschaftliche Erkenntnisse in den Bereichen Geowissenschaften, Biologie und Materialwissenschaften.

Die Ergebnisse zeigen, dass InternAgent-1.5 einen allgemeinen und skalierbaren Rahmen für die autonome wissenschaftliche Entdeckung bietet. Es ist in der Lage, traditionelle Arbeitsabläufe, die Wochen in Anspruch nehmen könnten, auf wenige Minuten zu komprimieren.

Tiefergehende Einblicke in die Architektur

Wissensgraph und Dynamischer Strukturierter Wissensfluss

Ein wesentlicher Bestandteil von InternAgent-1.5 ist sein interdisziplinärer Wissensgraph. Dieser Graph erfasst eine Vielzahl wissenschaftlicher Elemente, die über einfache Entitäts-Beziehungs-Tripel hinausgehen. Er integriert Dokumente, Konzepte, Methoden, Datensätze und empirische Einstellungen, wobei Kanten typisierte Beziehungen wie "zitiert" oder "Nebenprodukt von" kodieren. Diese Struktur ermöglicht es, Forschungsideen an den Schnittstellen verschiedener Domänen zu generieren und verwandelt einen flachen Korpus in eine strukturierte Karte, auf der interdisziplinäre Abhängigkeiten als navigierbare Pfade sichtbar werden.

Zur Steuerung komplexer Denkprozesse verwendet InternAgent-1.5 einen Dynamischen Strukturierten Wissensfluss (Dynamic Structured Knowledge Flow). Dieser wird als gerichteter azyklischer Graph (DAG) dargestellt, der Aufgaben, Unteraufgaben und deren Abhängigkeiten explizit modelliert. Jeder Knoten im Flussgraphen entspricht einer Unteraufgabe mit einem definierten Typ (z. B. Suchen, Lösen, Beantworten), Inhalt, Ausführungsstatus und resultierendem Wissenskontext. Gerichtete Kanten kodieren Abhängigkeiten wie "benötigt Ergebnis von" oder "liefert Beweise für", wodurch sichergestellt wird, dass Informationen strukturiert und abhängigkeitsbewusst verbreitet werden. Dieses Design unterstützt die adaptive Verfeinerung des Denkprozesses, wenn neue Beweise auftauchen, und ermöglicht eine systematische und überprüfbare wissenschaftliche Untersuchung.

Potenzial und Ausblick

InternAgent-1.5 repräsentiert einen Schritt in Richtung einer allgemeinen und skalierbaren Lösung für die autonome wissenschaftliche Entdeckung. Durch die Integration von Generierung, Verifizierung und Evolution in einem geschlossenen Kreislauf können Forscher potenziell komplexe Forschungsfragen effizienter bearbeiten und neue Erkenntnisse gewinnen. Die Fähigkeit des Systems, sowohl algorithmische als auch empirische Entdeckungen zu unterstützen und dabei die Zeit von Wochen auf Minuten zu reduzieren, unterstreicht das transformative Potenzial dieser Technologie.

Die Entwicklung solcher agentenbasierten KI-Systeme könnte die Art und Weise, wie wissenschaftliche Forschung betrieben wird, grundlegend verändern. Sie bietet die Möglichkeit, die menschliche Kreativität und Expertise durch automatisierte Prozesse zu ergänzen und zu erweitern, um so den Fortschritt in verschiedenen Wissenschaftsbereichen zu beschleunigen.

Bibliographie

• Feng, S., Ma, R., Yan, X., et al. (2026). InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery. arXiv preprint arXiv:2602.08990.
• Hugging Face (2026). Paper page - InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery. Verfügbar unter: https://huggingface.co/papers/2602.08990
• InternScience (2025). GitHub - InternScience/InternAgent: When Agent Becomes the Scientist –Building Closed-Loop System from Hypothesis to Verification. Verfügbar unter: https://github.com/Alpha-Innovator/InternAgent
• ResearchGate (2026). InternAgent-1.5: A Unified Agentic Framework for Long-Horizon Autonomous Scientific Discovery. Verfügbar unter: https://www.researchgate.net/publication/400622601_InternAgent-15_A_Unified_Agentic_Framework_for_Long-Horizon_Autonomous_Scientific_Discovery