AI科学家来了!谷歌“Co-Scientist”登上《Nature》,提出全新研究假设,甚至超越人类专家

在科学研究中，提出一个真正“好”的问题，往往比解决它更困难。面对每天海量发表的论文，即使是顶尖科学家也常常感到力不从心：既要深耕自己的领域，又要跨界捕捉灵感。如果有一个AI助手，不仅能帮你读完所有文献，还能提出全新的、可验证的科学假设，会怎样？这正是谷歌DeepMind和Google Cloud AI团队的最新成果——Co-Scientist。这项研究刚刚发表在《自然》杂志上，展示了一个多智能体AI系统如何在生物医学领域独立提出创新假设，并在实验室中得到初步验证。

Co-Scientist是什么？一个“科学家-系统协作”平台

Co-Scientist 不是简单的文献总结工具，也不是自动化的实验室机器人。它是一个基于谷歌Gemini大语言模型构建的多智能体系统，专门设计来模拟科学方法的核心流程：生成假设、批判评估、排名筛选、进化优化。科学家只需用自然语言描述自己的研究目标和约束条件，Co-Scientist 就会自动搜索、学习并推理相关文献，然后提出新颖、可检验、安全的研究假设和实验方案。更关键的是，科学家可以随时与系统对话，提供反馈、修正方向，甚至把自己的想法“喂”给系统，让AI在此基础上进一步进化。

像科学竞赛一样：生成、辩论、进化

Co-Scientist 的核心机制让人联想到达尔文进化论与学术锦标赛的融合：

这个“生成-批判-进化”的闭环，使得系统在长时间运行中不断自我提升。研究发现，随着计算时间增加，Co-Scientist 提出的假设质量（Elo评分）持续上升，且没有出现饱和迹象。也就是说，给它更多时间“思考”，它就能产出更好的科学思路。

三大真实世界验证：AI假设经受住了实验室检验

论文最吸引人的部分，是Co-Scientist在三个真实的生物医学难题中接受了端到端的湿实验验证。

(1) 急性髓系白血病：发现全新药物候选

急性髓系白血病（AML）是一种侵袭性强、复发率高的血液癌症。Co-Scientist 被要求从2300种已获批药物中寻找重定位候选，并自主提出了几种全新的联合用药方案。在体外细胞实验中，AI推荐的 KIRA6（一种IRE1α抑制剂）显示出对特定AML细胞株（KG‑1a）极强且选择性的杀伤效果：IC₅₀低至10 nM，而在正常淋巴细胞株中IC₅₀为180 nM，选择性窗口高达18倍。另一款药物 Binimetinib（原本用于黑色素瘤）也被系统提出了新的前线治疗策略，展现出纳摩尔级别的活性。这些结果并非偶然。Co-Scientist 还成功预测了多种药物组合的协同效应，在MOLM‑13和KG‑1a两种不同分子特征的细胞株中，部分双药和三药组合表现出强协同作用，为克服耐药提供了新思路。

(2) 肝纤维化：跨疾病连接，发现新靶点

肝纤维化目前尚无有效治疗药物。Co-Scientist 被要求寻找新的表观遗传靶点。系统提出的三个候选靶点中，有两个在人类肝类器官模型中显示出显著抗纤维化活性且无毒性。其中，药物 Vorinostat 原本是用于癌症治疗的，却被AI“跨界”预测可用于肝纤维化——这正是科学家最希望看到的意外连接，也是人类专家难以靠直觉完成的推理。

(3) 抗微生物耐药性：两天追上未发表的独立发现

最令人惊叹的案例来自微生物学。研究团队给Co-Scientist 一个非常模糊的背景问题：解释“携带抗性基因的cf-PICI元件如何在不同细菌间传播”。系统仅用两天时间，就独立提出了一个核心假设——cf-PICI通过识别不同的噬菌体尾部来扩大宿主范围。巧合的是，一个合作实验室当时正在独立研究这个问题，尚未发表。他们后来完成的实验与AI提出的假设高度一致。也就是说，Co-Scientist 在完全不知道未发表数据的情况下，仅凭公开文献就“复现”了一个前沿突破。这正是AI辅助科学发现的威力。

超越现有模型，甚至优于专家“最佳猜测”

研究团队还对Co-Scientist 进行了严格的比较评估。在15个由生物医学专家精心设计的复杂问题上，Co-Scientist 的假设Elo评分显著超过了OpenAI o1、o3‑mini、DeepSeek R1等其他前沿模型。在专家盲评中，Co-Scientist 的输出在新颖性和影响力上均排名第一。更有趣的是，当把人类专家的“最佳猜测”也放入比赛后，Co-Scientist 不仅能与专家持平，还能进一步优化专家的想法，生成质量更高的版本。这暗示了一个全新的合作范式：AI不再是简单的工具，而是科学家的“灵感催化剂”。

局限与未来：AI不能替代科学家，但可以加速科学

当然，Co-Scientist 并非完美。它依赖公开文献，可能遗漏付费墙后的关键成果；它仍然存在“幻觉”风险，可能生成看似合理但错误的假设；它的输出仍需要科学家花费数小时进行审阅和筛选。更重要的是，AI提出的假设即使通过了体外实验，也不代表能在动物或人体中成功。药物代谢、毒副作用、患者异质性等因素仍是不可逾越的挑战。研究团队强调，Co-Scientist 的设计目标是“增强”而非“替代”人类科学家。未来，团队计划将系统与更多专业数据库（如AlphaFold）、强化学习反馈乃至实验室自动化平台连接，最终实现“假设-实验-优化”的闭环。

结语：科学发现的新时代正在开启

Co-Scientist 的意义不在于它今天能做什么，而在于它指明了方向：AI可以帮助科学家更快地提出更好的问题。在知识爆炸、学科交叉日益重要的今天，这样的系统有望成为每个科研团队的标准配置。

科学的核心，是提出好问题。而Co-Scientist，正在帮助我们问得更好。