Experimental reasoning in large language models
En palabras de los autores
Scientific reasoning requires interaction with the physical world: designing experiments, interpreting outcomes, and deciding what experiment should come next. Here we show that general-purpose large language models (LLMs) already possess substantial capabilities for experimental reasoning. We connected LLMs to a liquid-handling robot and camera through PEARL, which provides perception, action, and persistent state. Given objectives rather than prescribed workflows, the system designed and successfully executed experiments, interpreted observations, and revised its approach as evidence accumulated. When information was insufficient, PEARL autonomously designed and performed intermediate experiments to acquire it. In quantitative enzyme characterization, it judged whether measurements were sufficient, new data were required, or conditions needed to change. Across eight scenarios, these behaviors were reliable with limited agent scaffolding and no supplied scenario-specific recovery recipes. More broadly, general-purpose LLMs may provide a reasoning layer between scientific objectives and physical experimentation, shifting laboratory automation from executing predefined procedures toward AI systems that participate directly in the experimental process.
En palabras simples Resumen con IA
Los autores conectaron modelos de lenguaje grandes a un robot de manipulación de líquidos y una cámara a través de un sistema llamado PEARL. Dados objetivos en lugar de instrucciones paso a paso, el sistema diseñó y ejecutó experimentos, interpretó resultados y ajustó su enfoque basándose en nueva evidencia. Cuando faltaba información, PEARL diseñó y realizó independientemente experimentos adicionales para obtenerla. En pruebas de propiedades de enzimas, el sistema decidió si las mediciones eran suficientes, si se necesitaban más datos o si las condiciones debían cambiar. En ocho escenarios, estos comportamientos funcionaron de manera confiable con soporte adicional mínimo y sin correcciones preescritas para situaciones específicas.
Escrito por Kimi K2.5 usando solo el abstract de arriba. Jev verificó que cada oración esté respaldada por las oraciones del abstract que cita y eliminó las que no. Pasá el cursor por una oración para ver de dónde sale.
Apareció: jueves, 22 de octubre. bioRxiv. Preprint, todavía sin revisión por pares.