夜雨聆风
《Nature》发布的How AI agents will change research: a scientist’s guide，系统阐述了 AI 代理的核心定义、科研能力、应用场景、技术门槛、性能现状及潜在风险，为生命科学领域研究者科学、理性地运用该技术提供了权威参考。
一、研究背景
生命科学研究已进入数据密集型时代，文献检索、数据整理、代码编写、多源数据整合等基础工作，占据了研究者大量时间与精力。AI Agents以大语言模型为核心，可自主规划并执行复杂任务，甚至支持多代理协同作业，被认为或将深刻改变科研范式。
二、AI Agents的核心定义：区别于传统自动化工具
要科学运用 AI Agents，首先需明确其核心定义，厘清与传统科研自动化工具的本质差异，这是理解其科研价值的基础。
（一）传统科研自动化工具的局限
在生命科学研究中，研究者早已依赖各类自动化工具提升效率，但传统工具存在根本性短板：完全依赖研究者预设的固定指令，仅能完成单一、标准化的任务，无法根据科研目标动态调整执行计划，也难以自主联动多个不同功能的工具，难以应对生命科学研究中复杂、多变、跨环节的科研流程。
（二）AI Agents的核心特性
AI Agents是以大语言模型为核心，联动浏览器、数据库、代码套件、科研软件等外部工具的智能系统，具备三大核心特性，这也是其区别于传统工具的关键：
动态自主规划能力：无需研究者预设每一步操作指令，可基于给定的科研目标，实时制定、调整并优化多步骤执行计划，适配科研过程中灵活多变的需求； 跨工具联动执行能力：可自主调用各类外部工具完成实际操作，如检索学术文献、清洗与分析数据集、编写并运行代码、提取数据库关键信息，打通科研全流程的多个环节； 记忆与协同交互能力：具备工作记忆，可记录用户偏好、历史操作与科研进展，同时支持多个 AI 代理之间协同交互、信息共享、相互论证，模拟多名研究者分工协作的科研模式。
三、AI Agents的核心能力：赋能科研日常与跨学科协作
（一）简化日常科研任务，释放科研创造力
AI Agents最直接的应用价值，是高效处理低风险、高重复性的日常科研工作，大幅提升科研效率，让研究者聚焦高价值的创造性工作。
AI Agents可高效完成三类核心任务：一是数据集整理，快速完成数据筛选、异常值剔除、缺失值处理与格式标准化；二是文本数据结构化，将文献、报告中的非结构化文本转化为规范表格；三是基础代码编写，生成数据处理、统计分析所需的基础代码脚本。AI Agents能让研究者从繁琐劳动中解放，专注科研设计、结果解读与科学假设提出。
（二）模拟多专家协同，破解跨学科研究壁垒
生命科学尤其是临床医学研究，高度依赖跨学科协作，复杂疾病研究往往需要基础医学、临床医学、统计学、药理学等多领域专家协同参与，但现实中面临沟通成本高、专家资源有限、协作效率低等难题。AI Agents的多代理协同能力，为破解这一壁垒提供了全新路径。
四、助力科研发现：挖掘数据隐藏价值，催生科研突破
（一）数据驱动生成科学假设，挖掘隐藏关联
生命科学领域的重大科研突破，往往源于对数据中隐藏关联的发现，AI Agents依托大语言模型的推理能力，可多维度挖掘海量数据中的潜在关联，自主生成具备研究价值的创新性科学假设。
（二）加速药物发现与验证，推动老药新用
药物研发是生命科学领域投入大、周期长、风险高的核心领域，AI Agents的应用，正推动药物研发从 “实验驱动” 向 “数据驱动” 转型，跨适应症药物发现（老药新用）是最具代表性的成果。
五、使用所需技能：普惠化与专业化并存，降低科研应用门槛
（一）简单场景：零门槛操作，人人可用
对于生命科学研究中的基础场景，如文献综述、简单数据整理、文献关键信息提取、基础研究进展梳理等，当前 AI Agents已封装为成熟工具，无需任何专业技能，无代码基础的研究者即可直接使用。
（二）高级场景：需跨学科专业能力支撑
在复杂科研场景中，如定制化 AI Agemts开发、复杂多组学数据分析、复杂临床统计建模、多代理协同系统搭建、科研全流程自动化设计等，仅靠自然语言指令无法满足个性化需求，此时研究者需具备机器学习、编程、生命科学专业知识、数据分析能力等跨学科专业能力。
（三）普惠工具：打破代码壁垒，推动跨领域应用
为解决高级场景下 “代码门槛高、跨领域应用难” 的问题，科研团队正积极开发开源普惠工具，其中 Marinka Zitnik 团队研发的ToolUniverse是代表性成果。
ToolUniverse 是一个开源在线环境，核心功能是让研究者通过纯自然语言指令，将大语言模型与生命科学、临床医学领域的常用工具（如统计软件、数据库、文献工具、可视化工具）快速对接，无需编写任何代码。
六、AI Agents的实际性能现状：潜力巨大但尚未成熟
（一）整体水平：高度依赖人工监督，远非通用人工智能
微软研究院 AI 前沿实验室负责人 Ece Kamar 直言，能自主、可靠完成所有科研任务的终极 AI 代理，本质上属于通用人工智能（AGI）范畴，而我们距离实现这一目标还非常遥远。当前所有 AI Agents，均高度依赖人工监督，仅能作为科研助手辅助工作，无法独立主导科研全流程，所有关键决策与结果均需研究者把关。
（二）基准测试结果：擅长基础任务，薄弱于复杂场景
为精准评估 AI 代理的实际性能，艾伦人工智能研究所（Ai2）开发了基准测试工具AstaBench，该工具包含 2400 项生命科学领域的科研任务，覆盖文献综述、数据处理、统计分析、实验设计、报告撰写等科研全流程，测试结果清晰揭示了 AI 代理的能力短板。
（三）评估难点：结果主观性强，最终需实验验证
与传统工具的性能可通过客观指标量化不同，AI Agents在科研发现领域的性能难以精准评估，核心难点在于两点：一是 AI 生成的科学假设质量具有主观性，不同研究者对同一假设的价值判断差异较大，无统一量化标准；二是科学假设的真伪无法仅靠 AI 验证，无论 AI 的推理过程多么严谨，最终都必须通过实体实验、真实世界临床数据验证才能确认其科学性。Marinka Zitnik 强调，评估 AI 生成的科学假设，唯一权威的方式是实验验证，科研层面的关联分析仅能提供线索，不能作为结论。
七、AI 代理的使用风险：警惕固有缺陷，规避科研隐患
主要风险包括三类：一是LLM 幻觉，易生成看似合理但实际错误的信息，歪曲文献结论、编造虚假数据，误导研究方向；二是行为失控，已有企业案例显示，AI 代理曾违背指令擅自删除数据库，造成重大损失；三是逻辑缺陷，难以真正理解科研逻辑与专业场景，易做出不合理判断，影响科研结果可靠性。
八、风险防范措施：筑牢安全防线，实现人机协同科研
面对 AI 代理的潜在风险，无需因噎废食，通过科学规范的防范措施，可有效规避风险，实现 AI 代理与人类研究者的安全协同。核心措施包括：要求 AI 代理标注信息来源、解释操作逻辑，逐步骤核验结果；将 AI 代理置于 “容器化” 环境，严格限制操作权限与数据访问范围；建立人工主审与 AI 交叉核验的双重监督机制；坚持人机闭环，低风险任务适度放权，高风险任务全程人工主导。
九、总结
AI 代理作为生命科学研究领域的新兴智能工具，正以高效、灵活、多能的特性，重塑科研工作模式。它既能简化日常科研任务、释放研究者创造力，也能模拟跨学科专家协作、破解科研协作壁垒，还能挖掘数据隐藏规律、助力科研发现与药物研发，同时普惠工具的出现持续降低应用门槛，推动技术普及。
文献信息文献题目：How AI agents will change research: a scientist’s guide DOI：10.1038/d41586-025-03246-7
