将 ScienceAI 设为星标
第一时间掌握
新鲜的 AI for Science 资讯
编辑丨%
2026 年 5 月19 日，《Nature》杂志同日发表了两项来自科技巨头的突破性研究，共同宣告了一个新时代的到来。这两篇论文分别介绍了来自谷歌 DeepMind 的「Co-Scientist」和来自 FutureHouse 的「Robin」，都是旨在全面辅助科研流程的多智能体 AI 系统。
这两项研究成果都在药物再定位任务上交出了结果，只是其中一个不只会生成假设，还会继续分析实验数据，把发现往前推一步。Co-Scientist 主打结构化科学思维与假设生成，Robin 则把文献检索、实验设计和数据分析串成一个闭环。
这是一个清晰的信号：AI 正在从单点工具进化为科研伙伴，而科学发现的范式，正在被重新书写。
Co-Scientist：谷歌的「学者型」科研搭档
Co-Scientist 基于 Gemini 2.0，采用多智能体架构，核心组件包括：生成智能体、反思智能体、排名智能体、进化智能体以及元评审智能体。除此之外，系统还集成了网络搜索、专用数据库等工具，并允许科学家随时介入、提供反馈或直接输入自己的假设。
整个过程中，考虑的关键标准包括合理性、新颖性、可测试性和安全性。该公司写道，Reflection 工具还能访问外部搜索工具，因为访问科学文献「防止了看似新颖但不合逻辑的假说的幻觉」。
论文链接：https://www.nature.com/articles/s41586-026-10644-y
据论文所说，科学家们始终处于知情状态。在寻找针对白血病的潜在药物时，系统提出的建议基于专家小组的审查，这些专家获得了 Co-Scientist 用来制定建议的文献。
而结果正如预料中的那样——部分被鉴定的药物有效，但仅对骨髓性白血病细胞的亚群有效。
专家盲评的 11 个开放生物医学问题里，Co-Scientist 在 novelty、impact 和整体偏好上都拿到最高分。放到药物再定位场景，它先在 AML 里从 2300 种已批准药物中筛选候选，再由专家挑出 Binimetinib、Pacritinib、Cerivastatin 等进入实验。
图示：所选药物的实验评测。
Co-Scientist 所选择的药物在多种 AML 细胞系中表现出极低的 IC50，且对非 AML 细胞系选择性更高。它还自主提出了此前未被探索的药物组合，并在 MOLM-13 细胞中验证出强协同效应。
Robin：FutureHouse 的「实干型」实验伙伴
Robin 走的是另一条路：它以 Crow 和 Falcon 做文献搜索与综述，以 Finch 做实验数据分析。其中 Finch 是 Robin 最具特色的组件：它能接收湿实验产生的原始数据，在 Jupyter notebook 中自主编写并执行代码，完成从门控策略到差异表达分析的全流程，并输出图表和统计结论。
论文链接：https://www.nature.com/articles/s41586-026-10652-y
但它与 Co-Scientist 还是有所区别的。
Robin 的工作对象是干性年龄相关性黄斑变性（dAMD）。它先用 Crow 读了 551 篇论文，在约 30 分钟里提炼出 10 个疾病机制，接着围绕 RPE phagocytosis 提出了 30 个候选药物，并让 Falcon 为每个候选做综合评估。
图示：Robin 系统概述。
根据文献总结， Robin 提出了一系列关于黄斑变性疾病机制的假说，并利用这些工具详细报告了每个机制的证据。一位大型语言模型评委随后对假设进行了两两比较，产生了相对排名——这有点像谷歌的锦标赛系统。
首轮实验中，Robin 所提出的抑制剂已被证实其增强吞噬的能力。而在此之后，Robin 主动提议对处理后的细胞进行 RNA-seq，并基于 Finch 自主实验后得出的新发现提出了更新的迭代。
Robin 的整个工作流（分析约 825 篇参考文献）仅耗时约 30 分钟，而估计的人类专家工作量超过 800 小时。所有主图中的统计图表均由 Robin 自动生成。
AI 在科学里的位置
正如谷歌所发现的，专门设计用于与科学文献接口的工具非常重要。用 OpenAI 的 o4-mini 替换 Crow 后，幻觉引用的比例从零提升到了 45%。FutureHouse 还考察了 OpenAI 研究型工具的性能，发现在所有推荐 Robin 未提出药物的情况下，这些药物都未能对这些细胞产生影响。
即使如此，Co-Scientist 和 Robin 都没有宣称自己已经「自动做科学」。它们的成功集中在药物开发中较容易的部分之一（当然，开发过程中也没有任何部分真的可以说是轻松的）。
AI 并未被要求设计全新的分子，大多数药物在动物和临床试验阶段失败，而非细胞培养测试阶段。这并不是说重新利用现有药物毫无意义——研究机构已经有了这些分子的安全性和机构批准，而且许多已过专利，因此价格便宜。但眼下还没有到单凭 AI 解决难题的阶段。
除开这些，药物背后的起效机制、基因表达的原因，这些都是模型尚且不能解决的疑点。
但不可否认的是，它们正在重新定义科学家的角色。未来，科学家可能更像一位「首席科学家」，负责提出根本性问题、设计实验范式的边界、并做出最终的判断与决策；而AI则扮演「超级博士后」的角色——不知疲倦地阅读所有文献，严谨地生成和反驳假设，精准地分析每一份数据，并在迭代中不断逼近正确答案。
相关链接：https://arstechnica.com/science/2026/05/two-ai-based-science-assistants-succeed-with-drug-retargeting-tasks/
人工智能 × [ 生物 神经科学 数学 物理 化学 材料 ]
「ScienceAI」关注人工智能与其他前沿技术及基础科学的交叉研究与融合发展。
欢迎关注标星，并点击右下角点赞和在看。
点击阅读原文，加入专业从业者社区，以获得更多交流合作机会及服务。