Robin系统架构与工作流程。A) 给定目标疾病名称后，Robin生成假设并选择最佳治疗候选方案进行实验测试。B) Robin与语言智能体交互以生成假设并分析实验数据。C) Crow和Falcon分别用于进行简明和深入的文献搜索，以收集指导假设生成的信息。图片来源：arXiv (2025)。DOI: 10.48550/arxiv.2505.13400
《自然》杂志介绍了两款人工智能(AI)系统，它们能够在科学研究的多个环节提供协助——例如生成假设、设计实验和分析数据。
这两款系统分别由谷歌DeepMind和FutureHouse开发，旨在协助研究人员加速科学发现，而非取代研究人员。
为何多智能体AI助手至关重要
科学发现由不断生成新假设、实验验证和数据分析驱动。科学主题日益复杂且相互重叠，这意味着不仅需要深入的专业知识，还需要跨学科的广泛知识。
AI已被证明可以加速研究过程中的个别步骤，但单一系统可以简化工作流程。两个独立系统——谷歌DeepMind的Co-Scientist和FutureHouse的Robin——展示了此类系统改进科学发现过程的潜力。
这两款AI助手都是多智能体系统，使用多个自主的、专业的AI智能体，可以在研究过程中执行不同任务。这种方法使系统能够生成假设、提出验证假设的实验、解读实验结果，并基于发现完善假设。
Co-Scientist的测试情况
基于Gemini构建的Co-Scientist是一款用于科学发现的通用多智能体系统。它被设计为适用于各个科学学科，尽管初步验证主要集中在生物医学领域。例如，Co-Scientist提出了针对急性髓系白血病（一种侵袭性白细胞癌症）的新型药物候选物和联合疗法。
作者Vivek Natarajan及其同事指出，在细胞系实验中，建议的治疗方法显示出潜在益处，但要验证其治疗效果，仍需进行严格的临床前和临床评估。除癌症研究外，Co-Scientist还发现了肝纤维化的新型药物靶点，并揭示了抗菌素耐药性的关键遗传机制。
Robin在实验生物学中的作用
Robin同时使用OpenAI o4-mini和Anthropic Claude 3.7，旨在协助实验生物学领域的发现。Samuel Rodriques及其同事将该系统应用于药物发现研究。例如，Robin促进了对干性年龄相关性黄斑变性（发达国家致盲的主要原因）潜在治疗方法的识别。
这些建议包括识别视网膜细胞内可调控的过程作为靶点，并提出使用此前未被建议用于治疗此病症的药物候选物。
Robin还建议进行后续研究以调查潜在机制，这些研究确定了新的潜在药物靶点。作者指出，此类治疗方法需要在临床前测试和临床试验中得到验证。
让科学家参与其中
两个团队都强调，这些系统旨在与研究人员协作，科学家将始终参与其中。来自两个团队的实际演示提供了未来AI智能体参与科学研究的可能样例。
【全文结束】
