데이터 기반 과학적 발견은 문헌 검색, 가설 생성, 데이터 분석의 반복적 사이클을 필요로 한다. 인공지능(AI) 에이전트가 과학 연구를 자동화하는 데 있어 상당한 진전이 있었지만, 이러한 모든 에이전트는 일관성을 유지할 수 있는 동작 수에 한계가 있어 발견의 깊이가 제한된다. 본 연구에서는 데이터 기반 발견을 자동화하는 AI 과학자인 Kosmos를 제안한다. 개방형 목표와 데이터셋을 제공받은 Kosmos는 최대 12시간 동안 병렬적인 데이터 분석, 문헌 검색, 가설 생성 사이클을 수행한 후 발견 내용을 과학 보고서 형태로 통합한다. 기존 시스템과 달리, Kosmos는 데이터 분석 에이전트와 문헌 검색 에이전트 간에 정보를 공유하기 위해 구조화된 월드 모델(World Model)을 활용한다. 이 월드 모델 덕분에 Kosmos는 200회 이상의 에이전트 롤아웃을 통해 지정된 목표를 일관성 있게 추구할 수 있으며, 평균적으로 각 실행에서 약 42,000줄의 코드를 실행하고 1,500편의 논문을 읽는다. Kosmos는 보고서 내 모든 진술에 대해 코드 또는 원저 문헌을 인용함으로써 추론 과정의 추적 가능성을 보장한다. 독립적인 과학자들이 Kosmos 보고서의 진술 중 79.4%가 정확하다고 평가했으며, 협력 연구자들은 단일 20사이클 실행이 평균적으로 자신들의 연구 시간 6개월 치에 해당하는 작업을 수행했다고 보고했다. 또한 협력 연구자들은 Kosmos의 사이클 수와 함께 유의미한 과학적 발견의 수가 선형적으로 증가함을 확인했다(최대 20사이클까지 검증). 본 연구에서는 대사체학, 재료 과학, 신경과학, 통계 유전학 분야에 걸쳐 이루어진 Kosmos의 일곱 가지 발견을 제시한다. 이 중 세 가지는 Kosmos가 런타임에 접근하지 못한 사전 게재 또는 미게재 논문에서 기존에 보고된 결과를 독립적으로 재현한 것이며, 네 가지는 과학 문헌에 새로운 기여를 한 것이다.