夜雨聆风
2026年5月19日，谷歌DeepMind、谷歌研究院与谷歌云的研究人员合作，在《自然》杂志发表了题为“Accelerating scientific discovery with Co-Scientist”的研究论文，正式推出了基于Gemini大模型的多智能体AI科研助手。此事的特殊之处在于，发表Nature的同一天，另一篇论文介绍了FutureHouse开发的AI系统Robin——两家团队几乎同时将“AI科学家”推入了主流科学界的视野。
但更大的分歧在于应用方向的不同。Robin主要瞄准实验生物学，而Co-Scientist被设计为通用科学发现系统，初期验证集中在生物医学，其设计旨在适用于所有科学学科。研究团队的Vivek Natarajan将其比作“in silico implementation of the thought process in a scientist‘s head”。这背后潜藏着一个资本市场尚未完全消化的信号：AI正在从前端的辅助工具，向前越迁到人类科学知识生产的核心环节。
七个智能体组成虚拟科研团队，模拟科学辩论和同行评审
科学研究的核心环节很长——从提出假设、实验验证、数据解读，到反馈迭代、同行评审，再到最终结论和理论扩散。每个环节都需要高度专业化和经验积累，AI在单点上的应用早已有之，但Co-Scientist是第一个试图用一个系统贯穿全链条的尝试。
Co-Scientist采用多智能体协作架构：6个专业智能体各司其职，1个监督智能体统筹调度，整体像一支分工明确的虚拟研究团队。监督智能体从科学家处接收研究目标，拆分为一步步可执行的任务并协调其他智能体并行工作、多路探索。六个专业智能体覆盖了科学发现的完整链路：生成代理负责根据科学文献和数据提出初步假说；邻近性代理对假说分类，防止遗漏潜在路径；反思代理充当“虚拟同行评审”，评估每个假说的正确性、新颖性和质量；排名代理利用Elo评分机制让假说两两科学辩论，选出最有潜力的那些；进化代理把排名靠前的假说不断修改、合并、优化，像生物进化一样逐轮迭代；元审查代理复盘整个过程，最终生成完整研究方案交由科学家审阅。
值得强调的是Co-Scientist特意保留了“human-in-the-loop”的协作方式。科学家可以用自然语言提出研究目标，也可提交初始假说与AI生成的假说共同参与迭代，并在需要时授予系统检索私有文献库、调用AlphaFold等专业工具的权限。系统还能联网搜索、调用ChEMBL和UniProt等数据库，也可集成蛋白质结构预测模型AlphaFold等外部AI工具。
为了筛选假设，研究员设计了一套类似AlphaGo的比赛机制：让AI在科学问题上相互辩论，把大部分算力花在验证环节，反复核对假设是否与现有科学文献保持一致。这种结构等于把传统的科学流程：提出猜想、自我质疑、同行批评、迭代优化完整地搬进了AI系统的计算框架里。
六大学科成果验证，老药新用、靶点发现、耐药机制覆盖生物医学全域
针对急性髓系白血病，Co-Scientist对全球已上市药物系统性筛选，自主推演潜在新适应症并生成联合用药策略。科学家从中选出5种候选药物在细胞系中进行初步体外研究，其中3种显示出明确抑制活性，在细胞实验中表现出潜在益处。尽管研究团队强调治疗方案仍需严格的临床前和临床评估，但这一“AI筛药-湿实验验证”的闭环已被验证可行。
在肝纤维化研究中，斯坦福大学的研究人员利用Co-Scientist寻找新的治疗药物。AI团队结合表观遗传、细胞通路、病理机制等多维数据，自主挖掘出多个全新的表观遗传调控靶点并匹配候选药物。研究人员将Co-Scientist推荐的3种药物与人类研究者挑选的2种药物在实验室进行平行测试，结果AI选中的2种药物成功显著减轻纤维化，还显示出促进肝细胞再生的迹象，人类研究者选择的2种却完全无效。后续验证中，Co-Scientist筛选出的候选药物在实验室抑制了91%的纤维化相关反应。
针对细菌抗生素耐药，研究人员仅向Co-Scientist输入少量背景信息，系统便自主构建出一套完整的移动遗传元件宿主范围扩张机制假说。更关键的是，这一机制与伦敦帝国理工团队后来发表于《Cell》的实验结果高度一致——研究团队当时尚未公开发现。
在衰老生物学领域，Co-Scientist针对细胞衰老逆转提出了全新假说。在ALS（渐冻症）研究中，系统整合数十年文献，创新性地提出RNA疗法思路，直接促成跨实验室联合攻关，打破了领域长期的研究僵局。
企业版抢先落地，第一三共、拜耳和美国国家实验室已接入部署
论文发表的同时，Co-Scientist已进入商业化阶段。
谷歌宣布，企业版本已向第一三共、拜耳和美国国家实验室等机构开放使用，个人版本也将稍后开放。这些早期合作伙伴的优先接入权，本质上是对它们在生命科学和科研决策层面战略地位的认可。对于接受AI辅助科学发现流程的高价值机构而言，这场竞赛已从学术试点阶段进入基础设施部署阶段。
谷歌同时推出了Gemini for Science，将大模型能力深度落地于前沿科研场景，系统性协助科研人员完成文献梳理、研究假设推演、数据分析建模等核心工作。
继AlphaFold之后，AI for Science的纵深战役已打响
AlphaFold解决了蛋白质结构预测这一科学子问题，Co-Scientist则试图构建一套覆盖整个科研前端的“科学大脑”，其“多智能体架构+测试时间计算”的设计思路在代际上高了一个维度。从AI for Science的整体布局看，Co-Scientist的路线最为系统：不做单一任务的辅助工具，而是从科学发现的底层流程入手，将整个研发生命周期——从提出问题、筛选假说到生成实验方案——全部置入计算框架。
在AI制药赛道，目前的商业化逻辑多数停留在“AI辅助靶点发现”或“分子生成”等单点环节。Co-Scientist展示的AI辅助“临床前全流程”能力一旦与基因测序、蛋白质结构预测、临床数据管理工具链打通，整个药物研发的投入产出结构将面临重新拆解。药企内部长期存在的“发现-验证-转化”周期压缩问题，可能因此获得一个完全不同的解决路径。
需要注意，Co-Scientist并非取代科学家的工具，而是“与研究人员协作”的合作伙伴，科学家始终处于最终决策流程之中。Nature同期发表的编辑评述也为这一论调定了调，标题是“Why AI cannot do good science without humans”。Co-Scientist的出现至少标志着，生成式AI的竞争维度已从内容生成、代码辅助上升到了科学知识生产的新阶段。当AI具备了自主提出假设、检验证据链、迭代优化的能力，生命科学领域的生产函数将面临一次系统性的升维调整。谁能更早跑通这套“AI+湿实验”的价值闭环，谁就有机会在AI医疗最上游的卡位战中占据不可替代的位置。
作者：胡乔皓 Andy
