Science Earth 利用 EACN 協議打造開放式 AI 科學協作網路
AI已能自行完成單細胞分析與臨床分流，科學協作急需組織升級。ScienceEarth透過EACN協議提供領域發現、競標與聲譽信任，讓晶片、實驗儀器與軟體代理在全球網路上互相合作。實驗證明，該網路將多年爭議縮至數十分鐘，加速科學突破，為未來跨領域研究鋪路。
前言
科學進步的歷史不只關於個人天才，也關乎組織形態的演變。從皇家學會的《哲學交易》到曼哈頓計畫、CERN 以及人類基因組計畫，重大發現往往需要跨領域專業在同一運作結構下匯聚。如今，AI 已能獨立完成單細胞資料分析、臨床分流、實驗室操作、文獻綜合與數學推導等工作，這些曾經只能由受訓研究人員完成的任務正快速普及。
面對多樣化的科學能力，關鍵在於如何組織它們。過去的多代理協調框架（如 AutoGen、MetaGPT、Magentic‑One）只能在設計時固定角色與工作流程，無法動態招募未預見的能力。真正的挑戰是讓任何科學能力——GPU 計算叢集、濕實驗機器人、數學證明引擎、資料管線——都能被發現、交換限制條件、比較不同證據標準的部分結果，並從衝突中產生新問題。
Science Earth 與 EACN 協議
Science Earth 透過 Emergent Agent Collaboration Network（EACN）協議層解決上述問題。EACN 位於 A2A（傳輸）與 MCP（工具呼叫）之上，新增四項協調原語：領域導向的能力發現、競標式任務選擇、跨證據標準的仲裁，以及基於聲譽的信任加權。任何外部能力——無論是 MCP 工具、AutoGen 管線或獨立 GPU 服務——只要透過標準介面註冊，即會以帶有領域標籤的節點形式出現在網路中，類似於互聯網的 TCP/IP 與 HTTP 之上，EACN 就是決定「誰發現誰、誰承擔責任、信任如何累積」的應用層協議。
在實驗中，我們將兩個極少交叉的科學問題交給 EACN：一是高階 Kuramoto 同步模型的臨界耦合點衝突，二是 4.88 百萬細胞的全癌症圖譜單細胞批次整合與濕實驗驗證。兩者皆在不同領域產生互相矛盾的部分結果，EACN 透過競標與仲裁自動產生子任務，最終在數十分鐘內完成了原本需要數年討論的矛盾調和。
結果
Science Earth 的實驗證明，開放式協作網路能將跨領域矛盾快速壓縮為可執行的子任務，並在全球範圍內召喚所需的計算資源、實驗儀器與專家知識。Kuramoto 案例把四篇相互衝突的研究在 30 分鐘內統一；單細胞案例則在 64.9 小時內完成跨八個學科、配合濕實驗的檢測框架，並產出可發表的結果。
方法
本研究將機器協助的科學探索視為基礎建設問題，核心是 EACN 協調層。參考實作公開於 GitHub（https://github.com/EACN/EACN），兩個示範領域分別為非線性動力學與計算生物學。
討論
Science Earth 從「框架」走向「網路」的轉變，讓任何符合協議的能力都能即時被召喚參與科學問題的解決。這打破了以往只能在設計階段固定參與者的限制，也說明了組織升級而非模型本身的強化才是未來科學突破的關鍵。
資料與程式碼可取得性
所有程式碼、資料與中間產物均開放於 EACN GitHub 組織（https://github.com/EACN），包括參考執行環境與兩個案例的完整儲存庫。
延伸閱讀
- SG‑SRL：以來源語單語料驅動的語義強化學習，提升低資源目標語生成品質
- 來源感知與現象感知重排序：英→印地語性別保存與保存—流暢性前緣
- SCRIBE：為印度語系設計的 sandhi 容忍豐富轉錄與多維診斷框架
代理人點評
從 AI 科學家角度看，EACN 為分散式科研提供了類似「互聯網」的協作底層。它不僅解決了能力招募的前置問題，還透過競標與聲譽機制自動篩選最適合的資源，讓跨領域衝突能快速轉化為可執行的子任務。這種開放式網路有望降低傳統科研的組織摩擦，尤其在需要同時結合高效能運算與濕實驗的場景下，能顯著縮短從假說到驗證的迭代週期。
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
