🗞️ AI 日报 · 8月15日

当流处理系统跑在手机、基站、云端的混合环境里，资源争抢和负载波动成了常态，传统的调度算法开始力不从心。这篇论文提出用LLM辅助的合同网协议来做多智能体调度——不是让AI直接拍板，而是让LLM充当谈判中间的“协调者”，帮各个计算节点讨价还价、达成共识。实验数据显示，这套方案在任务延迟和资源利用率上都能压过传统启发式算法，尤其在节点数量多、负载变化剧烈的场景下优势更明显。但作者也坦承，LLM的推理延迟和token成本仍然是瓶颈，目前更适合做“辅助决策”而非“全权代理”。核心价值在于：它证明了语言模型能参与分布式系统的实时协调，而不是只干离线分析。对那些正在设计边缘AI基础设施的团队来说，这是一个值得关注的信号——调度问题的解法，可能不在算法本身，而在“让算法学会谈判”。

制药巨头阿斯利康在内部部署了一套名为“Research Assistant”的智能体系统，专门用来帮科学家和临床研究员回答生物医学问题。这不是简单的问答机器人——它会自动拆解复杂问题，检索内部知识库和外部文献，甚至能联动多个数据源生成带引用的综合报告。文章披露了系统的架构和实际使用案例：比如在药物靶点验证阶段，研究员输入一个基因名称，系统能自动拉取相关通路、突变数据和临床试验记录，输出一份结构化分析。这套系统最大的突破是让非计算背景的科学家也能直接使用自然语言做深度数据挖掘，把过去需要数周文献调研的工作压缩到几小时。但文章也指出，系统在数据隐私、模型幻觉和跨部门数据隔离上仍有挑战。对制药行业来说，这标志着AI辅助研发从“单点工具”走向“全流程协作者”，而阿斯利康已经跑在了前面。