人工智能正从实验室的辅助工具，进化为能够主动提出科学假设的“硅基科学家”。《自然》杂志近期发表的两篇论文，分别介绍了由谷歌DeepMind开发的Co-Scientist系统，以及非营利研究机构FutureHouse打造的Robin系统，它们利用多个AI智能体协同工作，在药物重定位领域展现出惊人的效率。
两个系统的核心突破在于，它们模拟了科学家团队的研究思维流程。Co-Scientist被要求寻找已获批药物，用于治疗急性髓系白血病。系统自主生成假设、筛选候选药物，最终人类研究员从中挑选五种进行实验室验证，其中三种在细胞培养实验中显示出初步疗效。整个过程仅耗时数小时，而传统依赖人类专家头脑风暴与文献检索的方式，往往需要数周甚至数月。
Robin系统则针对干性年龄相关性黄斑变性这一眼病展开探索。它首先调用AI智能体进行文献综述，基于综述结果选择实验室测试方案。人类研究员负责执行实验并将数据反馈给系统，再由专门的分析智能体解读结果。这套闭环流程最终提出了一种名为瑞舒地尔的候选药物，该药原本用于治疗青光眼，系统还进一步给出了验证其活性的具体检测方法与后续实验方案。
尽管成果亮眼，这些AI科学家的能力边界依然清晰。所有由AI识别出的候选药物均未经过全面评估，许多在细胞层面表现良好的分子，在更严格的临床前或临床检测中往往以失败告终。加州大学圣地亚哥分校健康中心的Karandeep Singh指出，这些例子证明AI系统能够得出合理的假设，但其在日常科研中的广泛适用性，仍有待更大范围用户的实践检验。
幻觉问题仍是悬在AI科学家头顶的达摩克利斯之剑。Robin和Co-Scientist均基于大语言模型构建，这类模型天然存在生成错误但看似合理答案的风险。瑞典乌普萨拉大学的Ola Spjuth强调，尽管前沿模型的幻觉率已显著下降，且两个系统都内置了智能体间相互讨论、比对结果的纠错机制，但人类监督在当前阶段不可或缺。“我们现在不能把重要的决策完全委托给大语言模型和AI智能体，”他说，“我们需要监督这些方法。”
人类科学家的角色正在发生微妙转变。谷歌DeepMind研究员Vivek Natarajan将Co-Scientist形容为“用智能体模拟科学家头脑中的思维过程”，目标是赋予科学家超能力而非取代他们。在另一项测试中，Co-Scientist仅用几天时间，就得出了与一组尚未发表成果的研究人员相同的假设，解释了特定抗菌药物耐药性基因在多种细菌中传播的机制。这种速度优势，意味着AI可以成为人类研究者探索未知领域的加速器。
FutureHouse联合创始人兼首席执行官Samuel Rodriques对AI全程主导新药设计持谨慎乐观态度。他认为，从确定靶点到临床测试的全链条AI自主化“还有很长的路要走”，但“这是可能的”。与此同时，谷歌另一个研究团队也在《自然》发表了实证研究辅助系统，展示了AI智能体在宇宙学、神经科学等多领域编写高质量软件的潜力。
这些进展共同勾勒出一个趋势：AI在科学研究中的角色，正从被动的数据分析工具，转向主动参与假设生成、实验设计与结果解读的协作者。对于药物研发这一长周期、高成本的产业而言，任何能够压缩早期发现阶段时间的工具，都可能对整体研发效率和资本回报率产生深远影响。而如何平衡AI的速度优势与人类判断的审慎性，将是下一阶段技术落地的关键命题。