通过代理人工智能走向自主科学

科学问题

生物医药领域长期面临假设空间庞大、跨学科知识碎片化以及研发试错成本过高的困境。传统的计算生物学模型通常只能在人类划定的固定边界内完成单一预测，无法自主构思问题。本文聚焦的核心问题在于：由大型语言模型驱动的智能体AI系统，能否真正模拟科学家的推理逻辑，实现自主提出假说、规划湿实验并在数据反馈中闭环迭代？

背景与领域脉络

生物医药AI在2012至2020年间主要以卷积神经网络为核心，聚焦图像识别与变异位点检出等单任务判别。随后以AlphaFold为代表的生成模型崛起，成功突破了蛋白质三维结构预测的世纪难题，推动AI从单纯的特征分类走向生物大分子从头生成。然而，这些工具依旧需要人类科学家事先定义目标，AI本身并不知道为何要生成特定分子。随着大语言模型与多智能体架构的发展，2026年领域内迎来了范式转变。研究者开始探索能否让AI像科学家一样，通过自主阅读文献、设计实验并在循环中修正认知。

方法与技术路线

本文系统梳理并对比了三款代表性智能体系统的技术路线与验证平台。Co-Scientist系统整合了34种癌症类型与2300种已上市药物数据，采用多智能体淘汰赛机制与Elo评分驱动假设自评，并在患者来源急性髓系白血病细胞系及人类肝类器官中进行了体外验证。Robin系统针对干性老年性黄斑变性构建了文献快筛、深度评估与实验分析三类协作智能体，使用患者与干细胞来源的人原代视网膜色素上皮细胞，结合流式细胞术与转录组测序开展双轮实验室在环验证。Biomni系统则从bioRxiv的25个子领域中挖掘了2500篇论文，集成150种工具、105个软件库与59个数据库构建运行环境，利用代码生成接口对接Hamilton STAR自动化液体处理工作站。

主要结果

创新点

相较于AlphaFold等仅针对输入序列预测结构的单向生成模型，这批智能体实现了从回答预设问题到自主提问的跃升。区别于既往依赖静态模板的生信脚本，Co-Scientist引入了类似国际象棋的Elo双向辩论竞赛机制，通过测试期算力扩展让假说质量在淘汰中演化。而Biomni则摈弃了预设工作流，采用即时代码合成机制跨越25个学科工具链，展现了自主编排实验的通用规划能力。

意义与影响

这项进展打破了生物计算中数据预测与假说推演之间的割裂状态，初步建立了从文献归纳、实验规划到测序反馈的自动化科学循环。它不仅能帮助研究人员从海量异构文献中捕捉跨学科的非直观关联，也为建设全自动暗室实验室提供了核心认知框架。生物医药研发的范式正由传统的试错驱动，逐步转向人类宏观把关与AI微观推演深度交融的高通量共研形态。

局限与待验证

当前验证模式存在严重的筛选偏倚，最终进入湿实验的分子均经过了人类专家的经验挑选，AI单纯的排序准确率尚未得到客观评估。此外，这些系统缺乏与网络药理学、分子指纹匹配等成熟计算基准的直接对决。体外细胞系杀伤或类器官抗纤维化活性距离临床转化仍有巨大鸿沟，且候选药利帕舒地尔此前在眼科领域已有广泛再利用研究，AI假说的真实独创性仍待检验。

对我们的相关性

对于基因组学与单细胞组学学者而言，这类系统提供了一种自动化处理转录组管线并推导调控机制的新思路，研究者可以直接调用类似Robin的代码架构加速下游靶点初筛。在空间组学与AI算法开发中，团队可以借鉴Biomni的环境封装方法，将复杂的图像分割、细胞注释工具包装为智能体动作空间，借助大模型实现多组学分析流程的动态规划与代码自治。

术语速查