Biomni登上Science：通用生物医学AI Agent自主完成科研任务

2026年7月9日，斯坦福大学黄柯鑫、王瀚宸等研究人员领衔的团队，联合Genentech、Arc Institute、加州大学旧金山分校及普林斯顿大学等机构，在Science期刊发表了题为"Autonomous biomedical research with an artificial intelligence agent"的论文，正式介绍了通用型生物医学AI智能体Biomni。

Biomni的诞生源于生物医学研究的现实困境：高通量测序和可穿戴设备产生了海量数据，但能分析这些数据的专家严重不足。现有AI工具大多是"专才"，有的只会分析单细胞数据，有的只擅长药物筛选，换个领域就得重新训练。Biomni的目标是成为一个"通才"，像人类科学家一样在不同生物医学领域自如切换。

研究团队做了两件关键工作。第一是构建"生物医学行动空间"：从bioRxiv预印本平台的25个子领域中各选取100篇论文，共计2500篇，让AI逐篇阅读并提取任务、工具、数据库和软件，最终构建了Biomni-E1环境，包含150个专业生物医学工具、105个常用软件包和59个数据库，相当于给AI配备了一个完整的虚拟实验室。

第二是设计通用型智能体架构Biomni-A1，其核心创新有三：智能资源选择（面对问题先检索最相关的工具和数据库，而非全部使用）、代码即行动接口（用代码表达和执行每一步操作，灵活组合工具）、自适应规划（制定初始计划后在执行中不断调整优化）。

在涵盖443个问题的综合基准测试中，Biomni的平均准确率达57%，远超普通LLM的30%、专业药物研发智能体的25%，甚至超过专门编程助手的43%。在"人类最后的考试"（生物医学版）高难度推理测试中，无论底层采用什么大模型，Biomni都能带来6-12个百分点的提升，证明优势来自架构设计而非特定模型。在与人类专家的正面对比中，Biomni在单细胞注释、罕见病诊断及GWAS因果基因检测等任务中，准确率与人类专家相当或更高，速度提升数十倍。

五个真实案例展示了Biomni的实战能力：自主分析1027名参与者超14亿次心率测量的可穿戴数据；自主执行336162个细胞核的多组学十阶段分析流程；设计sgRNA克隆方案并成功通过实验验证；调用AlphaFold2优化蛋白质热稳定性；为Hamilton STAR液体处理工作站生成生产级自动化代码。研究团队还引入强化学习，Biomni-R0-32B版本性能从0.35跃升至0.67，超越了Claude 4 Sonnet等闭源大模型。

Biomni预示着一种全新科研范式：人类负责提出创意和方向，AI负责执行繁琐分析和知识整合。这种人机协作模式可能深刻改变生物医学研究的节奏和效率。

---

术语注释

1. AI Agent（人工智能智能体）：能够自主感知环境、做出决策并执行行动以完成目标的AI系统。与仅回答问题的聊天机器人不同，Agent能主动调用工具、编写代码、规划多步骤流程，并在执行过程中根据反馈调整策略。
2. GWAS（全基因组关联研究）：在全基因组范围内扫描遗传变异（通常是SNP），寻找与特定疾病或性状相关的基因位点。Biomni能自动完成因果基因优先排序，从统计关联中识别真正的致病基因。
3. 多组学（Multi-omics）：同时分析基因组、转录组、表观基因组、蛋白质组等多个层面的生物学数据。Biomni能整合RNA-seq（转录组测序）和ATAC-seq（染色质可及性测序）数据，揭示基因调控网络。
4. 湿实验（Wet Lab）与干实验（Dry Lab）：湿实验指在实验室操作生物样品的实验（如PCR、细胞培养），干实验指通过计算机分析数据的实验。Biomni实现了从干实验分析到湿实验方案设计和执行的全链路打通。
5. sgRNA（单导RNA）：CRISPR基因编辑系统中引导Cas9蛋白到目标DNA序列的RNA分子。设计高效的sgRNA是基因编辑实验的关键步骤。

延伸阅读：康奈尔哈佛联合：AI 大模型"分工合作"效率飙升 2.6 倍, Meta Astryx：能写代码并提交PR的AI程序员