ARTICLE · 1097324
Cell | AI正在从“科研助手”走向“AI科学家”:自主科学时代还有多远?
Cell | AI正在从“科研助手”走向“AI科学家”:自主科学时代还有多远?过去十多年，AI在生命科学中的角色一直在变化。 早期的AI更像一个“高效识别器”：识别医学影像、判断基因变异、预测药物与靶点。随后，AlphaFold等生成式模型进一步证明，AI不仅能分析已有数据，也可以直接生成具有科学价值的新知识。 但这些系统仍有一个共同特点：人类先提出问题，AI再完成指定任务。 2026年发表于《Cell》的这篇Perspective关注的是下一个阶段——agentic AI，也就是能够主动规划、提出假设、调用工具、分析结果并持续修正自身方案的智能体系统。作者认为，Co-Scientist、Robin和Biomni等近期出现的系统，已经开始跨越“执行科研任务”和“参与科学推理”之间的边界。 问题也因此变得更重要：当AI开始参与“提出什么问题、做什么实验”时，它距离真正的自主科学还有多远？ 
Figure 1. Anatomy of agentic scientific systems 文章重点梳理了三套代表性系统。 Co-Scientist采用多智能体“竞赛”模式。不同AI分别负责提出假设、查阅文献、批判和比较方案，再通过类似锦标赛的方式不断筛选和优化假设。其提出的部分药物再利用和疾病机制假设随后接受了实验验证。 Robin则更进一步。它不仅查文献、提出候选药物，还能在人工完成湿实验后继续分析流式细胞和RNA测序数据。在年龄相关性黄斑变性研究中，它最终提出ABCA1上调可能参与相关机制。 Biomni走的是另一条路线：不是让多个AI互相竞争，而是让一个通用智能体调用大量数据库、软件和生物医学工具，自己制定并执行多步骤工作流程。 
Figure 2. Evolution of AI-assisted science 这篇文章最重要的观点，并不是宣布“AI科学家已经诞生”。 它真正强调的是：AI在科研中的位置正在发生结构性变化。 传统AI主要完成一个已经定义好的任务，例如“判断这张图是什么”或“预测这个蛋白质结构”。而agentic AI开始尝试完成另一套过程：提出候选假设→比较证据→设计实验→分析实验结果→根据结果重新修改下一步计划。 论文Figure 2将这种变化画成了一条“自主性光谱”：从模式识别，到生成式模型，再到agentic AI，最终指向能够把AI推理、机器人实验和自动数据分析连接起来的自主实验室。 但作者同时反复强调，目前这些系统仍然高度依赖人类。科学家需要选择哪些候选进入实验、执行大量湿实验，并判断AI建议是否合理。现阶段得到验证的，与其说是“完全自主AI科学家”，不如说是“AI＋人类科研团队”这种新型协作模式。 作者认为，下一步真正关键的突破可能来自闭环自主实验室：AI提出假设，机器人完成实验，系统自动分析结果，再决定下一轮实验。 这样的模式已经开始在化学、材料科学以及部分细胞实验中出现。它最大的价值可能不是生成更多假设，而是大幅缩短“提出假设—完成实验—获得反馈”的时间。 但生命科学远比棋局复杂。实验存在批次效应、生物差异和大量噪声；如果AI错误解释一次实验结果，错误甚至可能被带入下一轮实验并持续放大。 此外，幻觉、训练数据偏倚、评价标准缺失和可重复性仍是核心问题。作者特别提醒：多个AI同时得出相似结论，并不等于结论正确；真正的科学证据最终仍要来自可重复的实验验证。 
Figure 3. Risks and proposed safeguards of agentic AI across the scientific discovery cycle 因此，AI驱动的自主科学真正需要的，并不只是更强的模型，而是AI推理、实验机器人、标准化数据基础设施以及人类监督共同组成的科研生态。 这篇文章传递出的核心信息或许是：未来科研中真正重要的问题，不再只是“AI能不能做科学”，而是哪些环节应该交给AI，哪些判断仍必须由人来负责。
当AI不只回答问题，而开始自己提出科学问题
三类AI科学家，正在尝试接管科研循环的不同环节
真正的变化不是AI更聪明，而是它开始进入“假设—实验—反馈”循环
自主实验室可能到来，但“跑得更快”不等于“更接近真相”