夜雨聆风一个生物学家把458个文件甩给一台机器，转身去倒了杯咖啡。35分钟后回来，分析做完了，图画好了，连假说都给你提了三条。同样的活儿，一位资深人类专家要干三周。
这一幕来自刚刚登上Science的真实研究。
▲ Science 官方推文宣布论文发表：一个通用生物医学AI智能体，正在帮助自动化研究工作流
2026年7月9日，Science 以 First Release 形式发表了一篇让整个生命科学圈集体失眠的论文，《Autonomous biomedical research with an artificial intelligence agent》。斯坦福大学联合 Genentech、Arc Institute、华盛顿大学、UCSF、普林斯顿等一众顶尖机构，正式宣告：一个名叫 Biomni 的AI智能体，已经能够自主执行从文献检索、基因组分析、药物重定位到湿实验协议设计的全链条科研任务。
而更令人心跳加速的数字是，在论文发表之前，已有超过1.5万名科学家把自己的科研任务"外包"给了它，累计委托了近10万个工作流。
从聊天问答走向"科研操作系统"
先别急着把 Biomni 跟你手机上的ChatGPT画等号。
传统AI聊天机器人的逻辑是：你问，我答。你说"帮我设计一个CRISPR实验"，它吐出一段看起来专业的文字，至于能不能用，你自己去验。
Biomni 的野心完全不同它的核心架构被拆成两个模块，像齿轮一样咬合：
第一层：Biomni-E1（环境层）团队让AI系统性地"阅读"了约2500篇横跨25个子领域的论文，从中抽取出一张庞大的"动作地图"，150个专用生物医学工具、59个数据库、105个软件包。DNA分析、蛋白结构预测、CRISPR设计、药代动力学建模、单细胞注释……几乎覆盖了一个现代生命科学实验室的全部数字台面。
第二层：Biomni-A1（智能体层）当你用自然语言抛出一个问题，比如"分析这批Perturb-seq数据，给我找有意义的假说"，智能体会先检索"哪些工具和数据库跟这个任务有关"，然后动态生成一套执行计划，把每一步写成可运行的代码，在环境中执行。
它没有预设模板，可以根据任务即兴拼装工作流。
Jure Leskovec教授，斯坦福计算机科学系教授、论文资深作者，在多个场合用了同一个比喻："智能体像木匠，工具让它有能力盖房子。"
▲ Leskovec 2025年首次公开宣布Biomni：克隆实验盲测比肩5年以上专家，458文件分析快800倍
35分钟 vs 3周：那些让人头皮发麻的案例
论文和配套报道反复拿出几个"杀手级案例"，展示繁琐的数据处理如何占用研究时间。
案例一：可穿戴数据分析 研究者上传了450多个连续血糖监测、饮食与活动记录文件，提了一个开放式问题，"找找有没有生物学上有意义的代谢模式"。Biomni自动完成了数据清洗、时间对齐、可视化与分步分析计划。人类专家估计数十小时到三周，系统35分钟交卷。加速比约800倍
案例二：分子克隆实验 Biomni设计了一套克隆工作流，研究团队拿去做了湿实验，菌落长出来了，Sanger测序验证通过。在一项盲测中，Biomni的方案水平与5年以上实验经验的专家相当。
案例三：大规模组学假说生成 面对scRNA-seq与scATAC-seq的原始数据，系统跑完标准生信分析后主动提出了新假说，发现了可能调控骨骼谱系的新转录因子，并把工作延伸到可检验的发现线索。
▲ 第一作者黄可欣宣布论文登上Science：从组学分析到实验室机器人编排，再到训练新的生物AI模型
社区关心它能做多少
评论区里的质疑集中在能力边界有人追问："它到底完成了多少分析，又有多少只是标记出来交给人类检查？" 还有人直接发问："Claude或者Codex也在做类似的事吗？"
▲ 社区追问：实际完成了多少分析，还是仅仅标记供人类检查？
▲ 有人质疑：通用编程智能体是否已覆盖类似能力？
这些质疑恰好击中了当前AI科研智能体的核心张力，领域专用环境到底是"护城河"还是"多此一举"？当Claude和Codex越来越强，一个精心编目的生物医学工具目录，还能领先多久？
三条路线的战国时代
Biomni并不孤独2025到2026年，AI做科研这条赛道上，至少有三股力量在同时狂奔：
Google的AI co-scientist 走的是"多代理辩论"路线，几个AI角色分别负责生成假说、反思、排名、进化，像一场永不散场的学术研讨会。它的强项是思考，产出假说和研究提案。
Sakana AI的The AI Scientist 更激进，让AI从想点子到写代码、跑实验、画图、写论文、甚至模拟审稿，一条龙全包。据称已有完全由AI撰写的论文被workshop接受。
而Biomni选择了执行导向的路径：调工具、跑流水线、出结果、设计能送进通风橱的实验方案。
| 核心产出 | |||
| 失败模式 |
这三条路线可以在同一实验室并行：用Google的系统想问题，用Biomni跑流水线，再用AI Scientist写初稿。Science这次把聚光灯给了Biomni，因为它给出了一个更接地气的承诺：降低科学研究中的摩擦。
从斯坦福实验室到商业公司：Phylo的诞生
故事还有一条暗线
2025年9月前后，Biomni从斯坦福AI实验室自旋出来，成立了商业实体Phylo。第一作者黄可欣出任负责人，Leskovec担任科学联合创始人。开源代码继续维护在GitHub上（Apache 2.0协议，首次下载数据湖约11GB），同时面向高校推出Academic Lab Program，面向企业提供托管平台。
▲ GitHub开源仓库 snap-stanford/Biomni：代码开放，支持多种大模型后端
"论文，开源，创业，再论文"，这条路径在2020年代的AI for Science领域已经成了标准剧本。但Biomni的节奏格外紧凑：2024年初立项，2025年5月预印本和平台同步上线，2025年9月商业化，2026年7月Science正式发表。从实验室笔记本到顶刊封面，不到两年半。
关键问题：代码跑通 ≠ 生物学正确
在所有兴奋与焦虑之间，有一个冷水必须泼。
作者自己在论文中承认：已评估的任务仍只是领域子集，关键子域尚未触及；在需要细腻临床判断、全新实验思路或深层生物学综合的任务上，系统仍然吃力。
这指向一个深层悖论：代码跑通了，不代表生物学对了。 一条流水线可以完美执行、输出漂亮的图表，但如果上游假设错了，下游所有结果就是一场精致的幻觉。在生物医学领域，一次错误的基因优先级排序或协议步骤，代价可能是数月的湿实验白费，甚至更糟。
所以，人类在环（human-in-the-loop）仍然是默认的安全模式。智能体负责加速草稿和流水线，人类负责放行和担责。正如Stanford HAI报道所强调的：研究者可以审阅计划、逐步监控执行，并随时干预纠偏。
▲ Stanford HAI以"AI Lab Partner"定位Biomni，强调人机协作而非替代
另一层隐忧来自开放获取讽刺的是，这篇讲述"让科研更高效"的论文本身并非开放获取，你需要机构订阅或付费才能读到全文。评论区里也有人追问NIH公共获取政策与论文访问条件之间的关系。
▲ 有人追问：一篇关于开放科研的论文，为何自己不开放获取？
为什么是现在？
最后一个问题：为什么这件事集中发生在2024-2026年？
答案是两条曲线的交叉点
一条是AI基础设施曲线：工具调用、代码沙箱、长上下文窗口、多步自我纠错……2024年之后，通用agent运行时的成熟速度远超预期。
另一条是生物数据洪峰曲线：单细胞测序、空间组学、长读长测序、可穿戴连续监测，每一项技术都在以指数级速度制造文件堆。
当"AI终于能干活"和"数据多到人类干不过来"同时到达临界点，Biomni这样的系统就从科幻变成了工程题。
▲ Nature Medicine将Biomni概括为"加速生物医学研究的AI合作科学家"
Leskovec在采访中把障碍归结为那些拖慢创新的繁琐工序。
这也点出了Biomni的历史定位：它试图解放科学家的双手，让研究者把时间留给问题选择、判断与创造。
后面的故事，将由它在真实实验室里的表现继续书写。