AI（人工智能）共同科学家：科研从"人做"到"人机共创"

2026 年 9 月 21 日，《自然》（Nature）刊出一篇技术特写《AI co-scientists are revolutionizing how research is done》。文章开头讲了一个细节：Whitehead Institute 的生物化学家 Anna Pertl 把一个问题敲进系统、按下回车，然后回家过夜；第二天早上，系统给出了一组她此前没想到的研究思路。这不是普通的聊天机器人，而是 Google DeepMind 构建的 AI 共同科学家（Co-Scientist）。它的工作不是润色论文或总结文献，而是提出假设、设计实验、分析数据。

从"助手"到"共同科学家"：角色变了

过去十年，科研人员用 AI 的方式很固定：检索文献、跑回归、画图表、改英文。工具在后台，人在前台决策。如今情形正在翻转。Nature 这一期把这种现象放进一个更大的标题下——"Science in the age of agentic AI"（智能体人工智能时代的科学）。agentic AI 指的是能自主规划多步任务、调用工具、并在环路上自我修正的系统，而不只是回答单轮提问的模型。

区分"助手"与"共同科学家"很关键。前者等你下指令，后者在你给方向之后，自己去找文献、列候选、互相辩驳、排出优先级。当 AI 进入提出假说、设计方案、解释结果这些长期被视为"科学家核心能力"的环节，科研本身的定义就开始动摇。

一个真实起点：MYC 难题

Pertl 研究的是癌症领域最难缠的靶点之一 MYC。这个蛋白控制细胞生长，在多种肿瘤里异常活跃，却极难被直接药物化。她所在实验室关注细胞核内的"生物分子凝聚体"——一类像液滴一样的蛋白聚集体，能持续激活包括 MYC 在内的致癌基因。传统思路自然指向：把这些凝聚体破坏掉。

Pertl 把这个生物学问题交给 Co-Scientist。起初系统并不惊艳，甚至误解了问题本身；团队花了近一个小时反复校准它对背景和目标的理解。一旦对齐，系统开始产出多条可检验的假说路径。Nature 报道强调的一点在于：人类仍要决定哪条路"讲得通"，但提路的人，已经不全是人。

多智能体如何"做科研"

Co-Scientist 不是一个模型，而是一支分工明确的智能体团队：生成智能体（Generation）抛出假设，反思智能体（Reflection）像审稿人一样挑刺，排序智能体（Ranking）用"锦标赛"机制比较优劣，进化智能体（Evolution）把最强假设重组 refinement。整套流程是"生成—批判—进化"的递归循环，靠拉长推理时间（test-time compute）持续提升质量。

背后的论文《Accelerating scientific discovery with Co-Scientist》（Gottweis 等，Nature, 2026, DOI: 10.1038/s41586-026-10644-y）给出硬指标：在 203 个研究目标上，系统假设质量的 Elo 评分随推理时间持续上升，未现饱和；专家盲评中，其在"新颖性""潜在影响力"上均优于对照组模型。Imperial College London 的 José Penadés 团队花近十年才弄清一类超级细菌如何在物种间转移耐药性，而 Co-Scientist 在两天内给出了五个排序假说，第一名的结论与团队未发表的结果一致——Penadés 甚至怀疑系统偷看了他的未发表数据。

对比传统"人想—人做—人分析"线性流程与 AI 参与的"假设生成—实验—分析—反馈"自适应闭环

闭环实验室与"验证瓶颈"

当 AI 能写实验方案、控制仪器、跑出结果再回写假设，实验室开始变成闭环。Nature 化学与工程方向的评论文章把这种融合称为"self-driving lab"（自动驾驶实验室）：设计—制备—测试—分析（DMTA）循环被接成自适应工作流。FutureHouse 的 Robin 系统也走类似路线，输入一种疾病，便能给出候选药物与具体验证实验。

但速度带来新问题。Google DeepMind 2026 年 7 月的政策分析《Conjecture Machines》提出"新验证瓶颈"：假说生成的速度，已远超实验室验证与同行评审的吞吐能力。一个埋在结果深处的编造细节，就足以拖垮整项发现。因此系统普遍保留"人类在环"（human-in-the-loop），验证模块把数值声明与实际执行日志交叉比对，将关键结果编造率从 46% 压到 4%。

展示科研中由人负责价值判断与方向取舍、AI 负责文献检索/假设生成/方案设计的协作边界

七十年脉络：从达特茅斯到人机共创

把镜头拉远，这条线是 C 型渐变而非断裂。1956 年达特茅斯会议提出"让机器像人一样思考"的设想，此后"机器能否从事科研"一直是 AI 的隐含命题。1990 年代专家系统把领域规则写进程序；2010 年代机器学习接管模式识别，AlphaFold（2021）预测蛋白结构、Coscientist（2023）上网查指令并自主合成分子；到 2025—2026 年，多智能体共同科学家成型，AI 从"答问题"走向"提问题"。它写进论文作者栏，已不是新闻。

边界在哪里：人仍需拍板

Nature 报道的副标题说得很直白：AI 能生成假设、设计实验、分析数据，"但人类仍需判断什么讲得通"。系统的局限也清楚——只基于开放获取文献、可能受错误论文与幻觉影响、缺乏严格同行评议时可能加剧低质量研究与可重复性危机。AI 共同科学家的意义，不在于替代科学家，而在于把人从重复劳作里解放出来，去守住更难替代的那部分：提出好问题、判断价值、承担责权。

截至 2026 年 9 月，Co-Scientist 已在材料合成、生物图像分析、计算机科学架构三类任务中交付经实验验证的结果；在急性髓系白血病药物再利用中，系统提出的 IRE1α 抑制剂 KIRA6 对 KG-1a 白血病细胞的 IC50 仅为 10 nM，而对正常 TK6 细胞为 180 nM，形成可量化的治疗窗口。

参考链接

• Elie Dolgin, "AI co-scientists are revolutionizing how research is done", Nature Technology Feature, 21 Sep 2026 — https://www.nature.com/articles/d41586-026-02931-5
• "Science in the age of agentic AI", Nature Technology Feature, 23 Sep 2026 — https://www.nature.com/collections/dgghddeiag
• Gottweis J. et al., "Accelerating scientific discovery with Co-Scientist", Nature, 2026 — https://doi.org/10.1038/s41586-026-10644-y
• Google DeepMind, "Conjecture Machines: AI Agents and the New Validation Bottleneck in Science", 2026

#### 关联推荐 - AI 赋能科研：从文献检索到假设生成的跃迁 - 自动驾驶实验室：当机器人接管"设计—制备—测试—分析"循环 - 大模型幻觉与验证：科研 AI 为什么必须保留"人类在环"