人機共創，科研范式正在變革！Deepmind和FutureHouse在Nature發布兩大AI模型

導讀

當前科學研究越來越呈現出兩個特點。第一，知識爆炸。生物醫學、材料科學、神經科學等領域每天都會新增海量論文。一個研究者即使專注于非常細分的方向，也很難讀完所有相關文獻。第二，跨學科程度越來越高。 如果要從事癌癥研究，可能既需要分子生物學知識，也需要統計學、藥理學、計算機科學甚至物理學知識。科學家不僅要 “ 專 ” ，還要 “ 廣 ” 。

人類處理信息與提出新假設的能力限制，已成為科研最大的瓶頸之一。 隨著AI的發展，未來將會是 人類科學家 + AI科學助手協同，勢必對科研范式帶來變革。

潘 展|撰文

今天，Nature同期刊登了兩項備受關注的研究：由Google DeepMind推出的 Co-Scientist，以及由非營利研究機構Future House開發的Robin。它們的出現，正是試圖解決這一問題，它們有一個共同目標——讓人工智能不再只是“工具”，而是真正參與科學發現過程的“研究助手”。

過去幾年，AI已經能夠幫助科學家完成蛋白質結構預測、文獻搜索、圖像識別等單一任務。但真正的科學研究，從來不是一個步驟，而是一個復雜循環：觀察現象、提出假設、設計實驗、分析數據、修正理論，再進入下一輪探索。如今，Robin和Co-Scientist正試圖把這一完整流程部分自動化。

01

Robin：第一個實現“實驗室閉環”的AI科學家

Robin是結合OpenAI o4-mini和Anthropic Claude 3.7開發的一款多智能體AI系統，包含了一組分工明確的AI智能體，這些智能體有的負責文獻檢索、有的負責提出科學假設、有的負責實驗設計、有的負責分析實驗數據、還有的負責基于結果修正原有假設。它們彼此協作，形成類似科研團隊的工作模式。

Robin最核心的突破在于，它首次實現了實驗生物學中的“閉環科學發現”。它不僅能提出想法，還能根據實驗結果繼續迭代研究方向。

Robin工作流程示意圖

Robin 的工作流程大致可以概括如下幾步：

閱讀文獻并尋找問題。Robin首先會自動檢索大量論文、數據庫與實驗資料，尋找可能尚未被充分研究的問題。這一步類似于博士生做文獻綜述。

自動提出生成新的科學假設。例如在干性年齡相關性黃斑變性（dAMD）研究中，Robin提出：“增強視網膜色素上皮細胞的吞噬作用，可能是一種潛在治療方向。”這并不是簡單復述已有論文，而是AI基于已有研究之間的關聯推導出的新思路。 設計實驗并分析數據。Robin不僅提出假設，還會進一步推薦實驗方案、設計RNA測序分析、解釋實驗結果、自動生成數據圖表。研究者甚至強調，文中主體部分的大量假設、實驗方向、數據分析與圖表，均由Robin自動生成。這意味著，AI開始真正進入“科研生產流程”。

Robin最引人注目的成果，是在干性年齡相關性黃斑變性（dAMD）研究中發現了新的潛在治療方案。dAMD 是發達國家老年失明的主要原因之一，目前仍缺乏有效治療方法。Robin識別出了兩個潛在候選藥物ripasudil 、KL001。其中ripasudil尤其重要。這是一個已經臨床使用的ROCK抑制劑，但此前從未被用于dAMD治療，Robin完成了一次“藥物再利用”發現。

更關鍵的是，Robin并沒有停留在“找到藥”這一層。它進一步提出ripasudil可能通過增強ABCA1表達，提高細胞脂質外排能力，從而改善視網膜問題。隨后系統又建議開展RNA-seq后續實驗，并最終發現ABCA1可能是新的潛在藥物靶點。這一過程非常接近真實科研中的連續發現鏈條。

Robin第一次真正實現了AI + 實驗室的閉環協同，某種程度上，它像是一個不會疲勞、能24小時閱讀文獻并不斷提出新想法的研究員。

02

Co-Scientist：優秀的科研合作者

如果說Robin更偏向實驗生物學自動化，那么Co-Scientist的目標則更加宏大。它試圖成為“適用于所有科學學科的AI研究協作者。”

Co-Scientist基于Gemini構建，其核心目標是增強科學家的“假設生成能力”。它同樣采用多智能體系統，但它更強調結構化科學思維。系統內部包含多個不同角色的AI agent，它們有的負責提出假設、有的負責批判假設、有的負責尋找漏洞、有的負責優化研究方案。這種機制有點像一個永不停歇的AI學術討論會。

Co-Scientist系統架構示意圖

Co-Scientist最有意思的創新之一，是它所謂的錦標賽進化。簡單來說，多個AI會同時提出不同研究假設。隨后，由其他AI負責批判、排序，較優方案保留并不斷迭代優化。這個過程有點像科學同行評議和學術答辯，只是全部由AI內部自動化完成。

隨著計算資源增加，系統會不斷生成更高質量的假設。這也是研究者所謂的“test-time compute scaling”，即給AI更多思考時間，它就能提出更好的科學問題。

隨后，研究者通過三個案例展示了Co-Scientist的應用成果。急性髓系白血病（AML）藥物發現：Co-Scientist提出了新的藥物再利用方案以及聯合療法，部分方案隨后通過細胞實驗驗證有效。發現肝纖維化新靶點：系統識別出了新的潛在藥物靶點，為后續研究提供方向。抗菌藥耐藥機制研究：AI幫助解釋了抗菌藥物耐藥性背后的遺傳機制，這對于全球日益嚴重的耐藥性危機具有重要意義。

03

AI會取代科學家嗎？

兩個團隊都特別強調AI不會替代科學家，而是增強科學家。真正的科學研究不僅需要邏輯推理，還需要創造力、直覺、價值判斷、倫理責任，以及對現實世界的理解，AI目前仍缺乏這些能力。

更重要的是，實驗驗證依然必須由人類完成。Robin和Co-Scientist所做的，更像是加快文獻閱讀、擴展假設空間、提高實驗效率、減少無效探索。它們的價值是把科學家的時間，從重復勞動中解放出來。

從AlphaFold到Robin，再到Co-Scientist，AI在科學研究中的角色正在迅速升級。過去，AI只是科研工具。現在，AI開始參與提出科學問題。未來，AI甚至可能幫助人類發現此前從未想到的新理論。

對于科學界而言，這或許意味著一種新的研究范式正在誕生：人類科學家 + AI科學助手的協同科研模式。未來最重要的科學突破，也許不再只是來自某一個天才研究員，而是來自人類與人工智能共同組成的新型科研團隊。

DOI: 10.1038/s41586-026-10644-y

DOI: 10.1038/s41586-026-10652-y

Deep Science預印本