Democratizing AI scientists using ToolUniverse

Motivation

Known: 기존 AI 과학자 시스템은 맞춤형 구현으로 인해 재사용성이 낮고 경직된 워크플로우를 가지고 있었으며, 생애 과학 분야의 bioinformatics 생태계처럼 통합된 인프라가 부족했다.
Gap: AI 과학자가 다양한 과학 도구를 효과적으로 발견, 선택, 호출하기 위한 통일된 프로토콜과 확장 가능한 생태계의 부재로, 도구 호환성 문제와 재사용성 제약이 발생했다.
Why: 통합된 도구 생태계는 과학 연구의 자동화와 협업을 가능하게 하며, 더 많은 연구자가 AI 과학자 기술에 접근하고 활용할 수 있게 함으로써 과학 발견을 가속화한다.
Approach: AI-tool 상호작용 프로토콜(specification schema, interaction schema, communication methods)을 정의하여 이질적인 도구들의 발견, 호출, 구성을 표준화하고, Tool Finder, Tool Caller, Tool Composer, Tool Discoverer, Tool Optimizer 등의 핵심 컴포넌트를 구현했다.

Figure 1

600개 이상의 통합 도구: machine learning 모델, datasets, APIs, scientific packages를 단일 프로토콜로 관리

자동 도구 인터페이스 정제: AI 과학자의 올바른 사용을 위해 도구 명세를 자동 최적화

도구 자동 생성: natural language 설명으로부터 새로운 도구 생성 및 검증

Agentic 워크플로우 구성: 순차/병렬 실행과 feedback-driven 적응형 워크플로우 지원

치료제 발굴 사례: hypercholesterolemia 사례에서 lovastatin 유사체 발굴로 실제 응용 검증

오픈소스 제공: 웹 서비스, GitHub 코드, PyPI 패키지로 광범위한 접근성 제공

Figure 1

AI-tool 상호작용 프로토콜: 도구 specification schema, interaction schema, communication 방법을 통합적으로 정의
Tool Finder: keyword search, LLM 기반 in-context search, embedding 기반 유사도 검색으로 600개 도구 중 관련 도구 식별
Tool Caller: MCP와 표준화된 프로토콜을 통해 로컬/원격 도구 실행 및 입력 검증
Tool Manager: standardized registration으로 로컬과 원격 도구를 interchangeable component로 통합
Tool Composer: 기존 도구들의 sequential, parallel, feedback-driven 체이닝으로 복합 워크플로우 구성
Tool Discoverer: natural language 설명으로부터 formal specification 합성, executable implementation 생성, iterative 정제
Tool Optimizer: test case 생성, execution 분석, feedback으로 tool specification을 반복적으로 개선
다중 모델 지원: LLM, reasoning model, agent와의 통합으로 맞춤형 AI 과학자 구축

통합 프로토콜 기반: HTTP가 인터넷 통신을 표준화한 것처럼, AI-tool 상호작용을 표준화하는 프로토콜 제시
자동 도구 생성 및 최적화: natural language로부터 도구를 자동 생성하고 iterative refinement하는 mechanism 도입
600+ 도구 통합: bioinformatics 생태계 모델을 따르되, 머신러닝, 데이터셋, API, 과학 패키지를 포괄적으로 통합
모듈식 컴포넌트 설계: Tool Finder, Caller, Manager, Composer, Discoverer, Optimizer를 독립적으로 구성 가능
다양한 모델 지원: LLM, agent, LRM 등 다양한 AI 모델과의 유연한 통합 제공