数据驱动的科学发现依赖于文献检索、假说生成与数据分析之间的反复迭代。尽管在实现人工智能代理自动开展科学研究方面已取得显著进展，但现有各类智能体在执行动作的次数上仍存在局限，一旦超过一定阈值便容易丧失连贯性，从而限制了其发现的深度。本文提出Kosmos——一种能够实现数据驱动科学发现的AI科学家。在给定开放性研究目标和数据集的前提下，Kosmos可连续运行长达12小时，持续进行并行的数据分析、文献检索与假说生成，并最终将发现结果整合为科学报告。与以往系统不同，Kosmos采用结构化世界模型，实现数据分析师代理与文献检索代理之间的信息共享。该世界模型使Kosmos能够在超过200次代理执行周期中保持目标的一致性，单次运行平均执行约42,000行代码，阅读1,500篇论文。Kosmos在其报告中对所有陈述均提供代码或原始文献来源，确保推理过程可追溯。独立科学家评估发现，Kosmos报告中79.4%的陈述准确无误；合作研究人员表示，一次平均20个循环的Kosmos运行，相当于节省了他们自身约6个月的研究时间。此外，合作者还指出，Kosmos所产生的有价值科学发现的数量随运行循环次数呈线性增长（已测试至20个循环）。本文重点展示了Kosmos在代谢组学、材料科学、神经科学和统计遗传学等领域取得的七项科学发现：其中三项独立复现了未被Kosmos在运行期间访问过的预印本或未发表手稿中的研究成果，另有四项则为科学文献带来了全新的贡献。