人机共创，科研范式正在变革！Deepmind和FutureHouse在Nature发布两大AI模型

导读

当前科学研究越来越呈现出两个特点。第一，知识爆炸。生物医学、材料科学、神经科学等领域每天都会新增海量论文。一个研究者即使专注于非常细分的方向，也很难读完所有相关文献。第二，跨学科程度越来越高。 如果要从事癌症研究，可能既需要分子生物学知识，也需要统计学、药理学、计算机科学甚至物理学知识。科学家不仅要 “ 专 ” ，还要 “ 广 ” 。

人类处理信息与提出新假设的能力限制，已成为科研最大的瓶颈之一。 随着AI的发展，未来将会是 人类科学家 + AI科学助手协同，势必对科研范式带来变革。

潘 展|撰文

今天，Nature同期刊登了两项备受关注的研究：由Google DeepMind推出的 Co-Scientist，以及由非营利研究机构Future House开发的Robin。它们的出现，正是试图解决这一问题，它们有一个共同目标——让人工智能不再只是“工具”，而是真正参与科学发现过程的“研究助手”。

过去几年，AI已经能够帮助科学家完成蛋白质结构预测、文献搜索、图像识别等单一任务。但真正的科学研究，从来不是一个步骤，而是一个复杂循环：观察现象、提出假设、设计实验、分析数据、修正理论，再进入下一轮探索。如今，Robin和Co-Scientist正试图把这一完整流程部分自动化。

01

Robin：第一个实现“实验室闭环”的AI科学家

Robin是结合OpenAI o4-mini和Anthropic Claude 3.7开发的一款多智能体AI系统，包含了一组分工明确的AI智能体，这些智能体有的负责文献检索、有的负责提出科学假设、有的负责实验设计、有的负责分析实验数据、还有的负责基于结果修正原有假设。它们彼此协作，形成类似科研团队的工作模式。

Robin最核心的突破在于，它首次实现了实验生物学中的“闭环科学发现”。它不仅能提出想法，还能根据实验结果继续迭代研究方向。

Robin工作流程示意图

Robin 的工作流程大致可以概括如下几步：

阅读文献并寻找问题。Robin首先会自动检索大量论文、数据库与实验资料，寻找可能尚未被充分研究的问题。这一步类似于博士生做文献综述。

自动提出生成新的科学假设。例如在干性年龄相关性黄斑变性（dAMD）研究中，Robin提出：“增强视网膜色素上皮细胞的吞噬作用，可能是一种潜在治疗方向。”这并不是简单复述已有论文，而是AI基于已有研究之间的关联推导出的新思路。 设计实验并分析数据。Robin不仅提出假设，还会进一步推荐实验方案、设计RNA测序分析、解释实验结果、自动生成数据图表。研究者甚至强调，文中主体部分的大量假设、实验方向、数据分析与图表，均由Robin自动生成。这意味着，AI开始真正进入“科研生产流程”。

Robin最引人注目的成果，是在干性年龄相关性黄斑变性（dAMD）研究中发现了新的潜在治疗方案。dAMD 是发达国家老年失明的主要原因之一，目前仍缺乏有效治疗方法。Robin识别出了两个潜在候选药物ripasudil 、KL001。其中ripasudil尤其重要。这是一个已经临床使用的ROCK抑制剂，但此前从未被用于dAMD治疗，Robin完成了一次“药物再利用”发现。

更关键的是，Robin并没有停留在“找到药”这一层。它进一步提出ripasudil可能通过增强ABCA1表达，提高细胞脂质外排能力，从而改善视网膜问题。随后系统又建议开展RNA-seq后续实验，并最终发现ABCA1可能是新的潜在药物靶点。这一过程非常接近真实科研中的连续发现链条。

Robin第一次真正实现了AI + 实验室的闭环协同，某种程度上，它像是一个不会疲劳、能24小时阅读文献并不断提出新想法的研究员。

02

Co-Scientist：优秀的科研合作者

如果说Robin更偏向实验生物学自动化，那么Co-Scientist的目标则更加宏大。它试图成为“适用于所有科学学科的AI研究协作者。”

Co-Scientist基于Gemini构建，其核心目标是增强科学家的“假设生成能力”。它同样采用多智能体系统，但它更强调结构化科学思维。系统内部包含多个不同角色的AI agent，它们有的负责提出假设、有的负责批判假设、有的负责寻找漏洞、有的负责优化研究方案。这种机制有点像一个永不停歇的AI学术讨论会。

Co-Scientist系统架构示意图

Co-Scientist最有意思的创新之一，是它所谓的锦标赛进化。简单来说，多个AI会同时提出不同研究假设。随后，由其他AI负责批判、排序，较优方案保留并不断迭代优化。这个过程有点像科学同行评议和学术答辩，只是全部由AI内部自动化完成。

随着计算资源增加，系统会不断生成更高质量的假设。这也是研究者所谓的“test-time compute scaling”，即给AI更多思考时间，它就能提出更好的科学问题。

随后，研究者通过三个案例展示了Co-Scientist的应用成果。急性髓系白血病（AML）药物发现：Co-Scientist提出了新的药物再利用方案以及联合疗法，部分方案随后通过细胞实验验证有效。发现肝纤维化新靶点：系统识别出了新的潜在药物靶点，为后续研究提供方向。抗菌药耐药机制研究：AI帮助解释了抗菌药物耐药性背后的遗传机制，这对于全球日益严重的耐药性危机具有重要意义。

03

AI会取代科学家吗？

两个团队都特别强调AI不会替代科学家，而是增强科学家。真正的科学研究不仅需要逻辑推理，还需要创造力、直觉、价值判断、伦理责任，以及对现实世界的理解，AI目前仍缺乏这些能力。

更重要的是，实验验证依然必须由人类完成。Robin和Co-Scientist所做的，更像是加快文献阅读、扩展假设空间、提高实验效率、减少无效探索。它们的价值是把科学家的时间，从重复劳动中解放出来。

从AlphaFold到Robin，再到Co-Scientist，AI在科学研究中的角色正在迅速升级。过去，AI只是科研工具。现在，AI开始参与提出科学问题。未来，AI甚至可能帮助人类发现此前从未想到的新理论。

对于科学界而言，这或许意味着一种新的研究范式正在诞生：人类科学家 + AI科学助手的协同科研模式。未来最重要的科学突破，也许不再只是来自某一个天才研究员，而是来自人类与人工智能共同组成的新型科研团队。

DOI: 10.1038/s41586-026-10644-y

DOI: 10.1038/s41586-026-10652-y

Deep Science预印本