本文来自微信公众号： 自然系列 ，作者：Nature Portfolio
AI很快将在实验室中扮演更加主动的角色：近日，《自然》发表的论文描述了两个新系统[1,2]，利用AI智能体团队，生成假设、提出实验方案并分析数据。
虽然每个系统在不同环节仍然需要人类参与，但它们花费的时间比完全依赖人类思维和双手少得多。当被要求筛选可用于治疗其他疾病的现有药物时，这些系统在短短几个小时内就给出了合理答案。
“这几乎就像是用智能体模拟科学家头脑中的思维过程。”谷歌DeepMind研究员Vivek Natarajan说，他参与开发了其中一个系统。“我们的目标是赋予科学家超能力。”
硅基科学家
在一项实验中，Natarajan和他的同事用谷歌的Co-Scientist系统寻找已获批准的药物，希望将其重新用于治疗急性髓系白血病这一血液癌症[1]。该系统识别出一系列候选药物，人类研究员从中挑选了五种进行进一步研究。其中三种在实验室培养细胞的初步研究中显示出疗效。
旧金山的非营利性AI研究机构FutureHouse开发了第二个系统，名为Robin，并用它寻找治疗干性年龄相关性黄斑变性（一种眼病）的药物[2]。
Robin首先咨询经过训练的AI智能体，令其开展文献综述，并用它们的报告选择实验室试验来测试各种候选药物。实验由人类执行，并将数据反馈给Robin，Robin再将数据提供给专门分析数据的AI智能体。
在这套流程下，Robin提出了一系列治疗干性年龄相关性黄斑变性的分子靶点，并提出一种名为瑞舒地尔（ripasudil，用于治疗青光眼）的药物作为候选治疗方案。该系统建议进行一些检测以在实验室中验证瑞舒地尔的活性，并提出了后续实验方案。
AI科学家识别出的所有药物都尚未经过全面评估，许多在实验室培养细胞中通过初步检测的候选药物在更严格的检测中失败了。但加州大学圣地亚哥分校健康中心负责AI项目和战略的Karandeep Singh表示，这些例子表明，AI系统能够得出合理的假设。
他补充说，AI助手在其他领域的日常科学研究中表现如何还有待观察。“只有更大范围人群能用上以后，你才能知道它在现实中干得怎么样。”他说。
假设生成器
Natarajan表示，目前约有100位谷歌DeepMind以外的科学家可以使用Co-Scientist，并在各种环境下测试其功能。在论文所述的一项实验中，Natarajan和他的同事要求Co-Scientist提出一个假设，解释为什么一组特定的、赋予抗菌药物耐药性的基因会在多种细菌中出现。该系统仅用了几天时间，就得出了与研究此现象（结果尚未发表）的一组研究人员相同的结论。
尽管AI智能体在某些任务上的执行速度远超人类，但如果AI将研究人员引入死胡同，他们可能会浪费时间和金钱。Robin和Co-Scientist都基于大语言模型，这种形式的AI容易产生错误但看似合理的答案。瑞典乌普萨拉大学研究AI在药物发现中应用的Ola Spjuth表示，在使用AI时，这些“幻觉”可能始终是个顾虑。
他指出，前沿AI模型产生的幻觉已经比以往少了，而且使用AI与科学家协作系统的研究人员可以审核其决策过程，从而了解其做出特定选择的原因。此外，Robin和Co-Scientist还包含一些步骤，让AI智能体讨论假设或相互比较结果，这有助于剔除一些幻觉和错误推理。
Spjuth说，尽管如此，人类监督仍然至关重要。“我们现在不能把重要的决策完全委托给大语言模型和AI智能体。”他说，“我们需要监督这些方法。”
人类在研究中的角色也可能在其他方面发生转变。各公司正在迅速研发能够执行部分实验室工作的复杂机器人。近日，谷歌的一个研究团队在《自然》发表了一个称为实证研究辅助（Empirical Research Assistance）的系统[3]，介绍了一种用于编写高质量软件的AI智能体系统，已应用于宇宙学和神经科学等多个领域。
FutureHouse联合创始人、首席执行官Samuel Rodriques表示，AI工具在多大程度上能够接管假设生成和数据解读工作，可能取决于研究的性质。他指出，在药物研发领域，若要实现AI全程主导新药设计——从开始确定靶点到临床测试——目前“还有很长的路要走”。“但我认为这是可能的。”他说。
参考文献：
Gottweis,J.et al.Naturehttps://doi.org/10.1038/s41586-026-10644-y(2026).
Ghareeb,A.E.et al.Naturehttps://doi.org/10.1038/s41586-026-10652-y(2026).
Aygün,E.et al.Naturehttps://doi.org/10.1038/s41586-026-10658-6(2026).