生物化学家 Anna Pertl 在输入问题后按下回车键，启动了一个名为 Co-Scientist 的人工智能系统。与常规聊天机器人不同，该工具旨在生成创新的科学假设。它通过激活多个被称为“代理”的自主人工智能系统，执行搜索文献、综合信息、评估竞争解释、完善并批评假设以及反复验证已发表证据等任务。
这一过程需要巨大的计算能力，因为各个代理在聚焦可行解决方案之前会并行探索不同的推理路径。Pertl 在马萨诸塞州剑桥的白头生物医学研究所攻读博士学位期间开玩笑说，等待结果的时间足以让她完成一场长距离三项比赛。
今年7月一个雨天的周二，Pertl 利用该系统挑战癌症研究中一个极其复杂的问题：寻找非显而易见但实用的治疗策略。这一需求源于其导师、白头生物学家 Richard Young 多年的研究成果。2018年，Young 及其同事发现细胞通过将调控蛋白聚集成凝聚物（condensates），在基因组控制区域——即超级增强剂中开启关键基因。研究还揭示了癌细胞如何劫持这些超级增强剂，导致 MYC 编码基因过度表达，这强烈暗示凝聚物有助于推动该蛋白的高表达率。
对于 Young 而言，直观的下一步是直接破坏肿瘤细胞中的凝聚物。他共同创办的公司 Dewpoint Therapeutics 正致力于此。然而，鉴于此前针对 MYC 的治疗尝试多以失败告终，Pertl 希望借助 AI 探索新的攻击路径。
提出值得追求的想法并非易事。Pertl 与白头生物工程师 Karol Overholt 花费近一小时与 Co-Scientist 进行交互。起初，AI 模型错误地假设蛋白质是药物而非目标，且认为所有凝聚物都激活基因表达，而实际上部分凝聚物具有相反作用。纠正这些误解后，研究人员让系统自由运行。次日，Co-Scientist 梳理了700多篇科学论文，生成了108种可能的策略，并排除了其中不可行的方案。最终保留的一个策略颠覆了实验室的传统思维。
该 AI 建议不要溶解凝聚物，而是通过一种称为“点击化学”的分子链接技术将它们粘合在一起。这种方法将激活或抑制 MYC 基因的蛋白质转化为粘性质。Overholt 表示：“这在概念上极具说服力，我们肯定从未想过这样的事情。”尽管科学家已知 DNA 及其周围蛋白质可从松散液体转变为更坚固状态，但利用这种转变来关闭癌症基因尚属未知领域。
相信，但需验证
这种由 AI 辅助的头脑风暴正日益普及。研究人员已开始使用由 Google 开发的 Co-Scientist 来寻找药物组合。此外，包括 Anthropic、OpenAI 在内的前沿 AI 实验室，以及位于旧金山附近的初创公司 FutureHouse 和 Phylo，正在推出能够解决以往仅由人类科学家承担的任务的系统，使研究人员能专注于核心问题和决策。
Google AI 研究员 Vivek Natarajan 表示：“我们设想它会像合作伙伴一样与你协作。”这不仅改变了科学家的工作方式，也重塑了对他们的认知。几代人的科学进步依赖于研究人员提出难题和设计解决方法的能力。随着机器承担更多此类工作，稀缺资源可能转变为人类的科学判断力：即知道哪些问题值得问，哪些研究值得追求。多伦多大学罗特曼管理学院经济学家 Ajay Agrawal 指出：“现在最有价值的部分实际上是提出问题。”
Phylo 的科学联合创始人、斯坦福大学分子遗传学家 Le Cong 强调，目标不是取代研究人员，而是让他们从日常发现工作中解脱出来，“试图让人类在价值链上升”。然而，采用这些工具也带来悖论：研究人员可能需要比以往更深入的知识来判断 AI 产生想法的合理性，这反而可能增加培养监督型科学家的难度。伦敦国王学院生物医学计算研究员 Hector Zenil 总结道：“具有全面理解全局的人类技能的研究人员将比以往任何时候都更有价值。”
加州大学伯克利分校学习基因组编辑的 Fyodor Urnov 是 FutureHouse Kosmos 平台的早期用户。他在莫斯科长大，记得1980年代美苏核武控制谈判中流传的一句话：“信任，但要核实。”Urnov 表示，他与 Kosmos 的关系很大程度上基于这一理念。
伦敦帝国理工学院的研究人员在测试 Google Co-Scientist 时构建了验证步骤。2025年，他们使用该平台调查细菌如何在7个物种间交换 DNA 片段。团队先收集实验数据并形成理论，但不将数据输入系统，直到 AI 提出理论后才公布结果并进行比较。结果显示，Co-Scientist 得出的理论与微生物学家 José Penadés 和 Tiago Costa 多年研究的结果高度吻合：细菌 DNA 元素可借用病毒部分在远距离宿主间传播。得益于多源信息推理能力，Co-Scientist 在约两天内得出了基本相同的结论。Costa 称，若一开始就使用此工具，效率将大幅提升。
他将科学发现比作百米赛跑：“有了 AI 助理，你从30米处起跑，而不是从0米开始。”
AI 助理通常使用多个代理从不同角度处理同一问题，将科学问题分解为小任务并行处理。Google 系统、FutureHouse、中国华为技术及东京 Sakana AI 等平台可同时探索多条路径，使有用连接从代理间的相互作用中涌现，而非依赖单一推理链。斯坦福大学计算机科学家 Kyle Swanson 协助开发的虚拟实验室（Virtual Lab）是一个早期的学术 AI 研究助理平台，旨在让用户即时接触跨学科专家。
问好问题的重要性
即使拥有 AI 专家团队，仍需有人将工具指向有价值的问题。对于狭义问题，目标可能显而易见；但在开放式科学中，决定问什么以及何种答案有意义，仍是基本的人类任务。
Swanson 指出：“你必须提出非常好的问题。如果你问非常通用的问题，那么你可能会得到非常通用的答案。”好的问题不一定需要狭窄的范围。例如，FutureHouse 和斯坦福大学的分子遗传学家 Philine Guckelberger 向 Kosmos 提供了大量分子联系数据，要求工具寻找人类研究人员可能忽略的模式。
Kosmos 最初对数据标签感到困惑，无法区分 Guckelberger 认为明显的类别。在一个包含3000万行的数据集中，它忽略了区分两种 DNA 区域的列。在 Guckelberger 纠正后，系统在癌细胞中发现了一个意想不到的模式。“这让事情加速了，”她说。
从开始到结束
AI 联合科学家平台的另一个吸引力在于它们可以压缩研究过程中最繁琐的部分，并承担复杂的多步骤工作流程。
