在当前的科学研究中，大多数 AI-for-science 系统专注于通过更好的模型、较大的上下文窗口、长期的代理执行或数字共同科学家与主要用户的合作来扩展单一推理过程。然而，复杂的科学问题往往并非由单一推理者解决，而是需依赖于团队协作，团队成员带来了不同的先验知识、实验背景、隐性知识和领域特定的直觉。
因此，当前的开放问题不仅在于如何扩展模型，还在于如何培养网络智能：扩展人类与 AI 系统之间的连接，以便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采取行动的人、代理、仪器或机器人。
为此，我们提出了 Mycelium，这是一种主动共享工作空间，能够自动连接研究人员和 AI 代理，作为多用户共同科学家。在人类用户和代理工作时，系统捕捉重要观察和假设，追踪它们与团队不断演变的模型之间的关系，并将其传递给能影响下一步决策的人或代理。
我们在首次实证测试中评估了 Mycelium，该测试是在一项生物多组学活动中进行的，经过路由的共享上下文将局部分析发现转化为跨专家的机制约束，最终形成实验设计。我们还为网络智能提供了一个计算模型，作为对分布式科学上下文的稀疏条件计算。该模型区分了何时一个扩展的独立代理可以匹配网络，以及何时独立的专业知识和不可合并的上下文使得网络不可约。
博主点评： Mycelium 通过促进人机协作，显著提升了科学研究的效率和创新性。网络智能的概念不仅为科学探索提供了新的视角，也为未来人机协同工作模式的构建奠定了基础。