两套能够在科学研究多个环节提供支持的人工智能（AI）系统——包括生成假设、设计实验以及分析数据——近日发表于《自然》杂志。
这两套系统分别由谷歌 DeepMind 和 FutureHouse 独立研发，目标是帮助科研人员更高效地推进科学发现，而不是取代研究者的角色。
多智能体AI助手的意义
科学发现通常依赖于持续提出新假设、通过实验进行验证，并对产生的大量数据进行分析。随着研究主题愈发复杂、学科交叉日益加深，科研工作不仅需要深厚的专业积累，也需要广泛的跨学科知识储备。
此前的研究已经表明，AI 可以加速科研流程中的某些单一环节，但一个统一系统若能贯穿整个研究流程，将更具潜力。谷歌 DeepMind 的 Co-Scientist 和 FutureHouse 的 Robin 这两套系统，展示了此类多智能体系统在提升整体科学发现效率方面的可能性。
这两款 AI 助手均采用多智能体架构，由多个自治的专业 AI 代理协同工作，分别承担研究过程中的不同任务。借助这种设计，系统可以提出研究假设、设计用于验证假设的实验、解读实验结果，并根据新获得的证据不断修正和优化原有假设。
Co-Scientist 的测试应用
Co-Scientist 基于 Gemini 搭建，是一套通用型多智能体科学发现系统。虽然其设计目标覆盖各类科学领域，但目前的验证主要集中在生物医学方向。例如，Co-Scientist 提出了针对急性髓性白血病（一种侵袭性白血病）的新药候选物以及联合治疗方案。
论文作者 Vivek Natarajan 及其同事指出，这些由系统给出的治疗建议在细胞系实验中表现出潜在益处，但仍需经过严格的临床前研究和临床试验，才能确认其真实疗效。除癌症研究外，Co-Scientist 还识别出肝纤维化的潜在新药靶点，并揭示了与抗微生物耐药性相关的关键遗传机制。
Robin 在实验生物学中的角色
Robin 结合使用 OpenAI o4-mini 和 Anthropic Claude 3.7，主要面向实验生物学领域的研究发现。Samuel Rodriques 及其同事将该系统应用于药物发现相关研究。例如，Robin 帮助识别出干性年龄相关黄斑变性（发达国家致盲的主要原因之一）的潜在治疗方案。
在这项工作中，Robin 建议将视网膜细胞内可调控的生物过程作为干预靶点，并提出使用此前尚未被用于治疗该疾病的药物候选物。
此外，Robin 还提出了后续实验设计，用于进一步探索潜在作用机制，并在此过程中发现了新的潜在药物靶点。作者强调，这些候选治疗方案同样需要在临床前模型和临床试验中进行系统验证。
科学家始终在决策中心
两支研究团队都强调，这些 AI 系统的设计初衷是与科研人员协同工作，而不是替代科学家。研究者在整个流程中始终掌握关键决策权。
通过这两套系统的实际演示，可以初步看到未来由 AI 代理深度参与、协助科学研究的可能图景：AI 负责在大规模信息空间中提出线索和方案，人类科学家则对其进行筛选、判断和最终决策。
