撰文丨王聰

編輯丨王多魚

排版丨水成文

如今的科學家們正面臨著廣度與深度的難題。科學主題的復雜性，要求越來越深且具體的學科專業(yè)知識，然而，跨學科知識的融會貫通仍可能帶來深刻的洞見。隨著研究論文的迅速增加以及眾多專業(yè)技術的發(fā)展，掌握學科內部的深度知識以及跨學科的洞察力，都頗具挑戰(zhàn)性。

與此同時，人工智能（AI）在通用智能和協(xié)作系統(tǒng)方面取得了快速的技術進步，這可能會使科學家能夠創(chuàng)造性地跨越學科領域進行探索，并能夠熟練地進行跨領域推理。這類系統(tǒng)具備高級推理、多模態(tài)理解和智能體行為的能力，例如能夠使用工具在長時期內解決復雜任務。此外，蒸餾和推理時間計算成本的趨勢表明，這類通用型人工智能系統(tǒng)正迅速變得更容易獲取。

2026 年 5 月 19 日，谷歌 DeepMind、谷歌研究院及谷歌云的研究人員合作，在國際頂尖學術期刊Nature上發(fā)表了題為：Accelerating scientific discovery with Co-Scientist 的研究論文。

科學發(fā)現(xiàn)是由科學家針對復雜問題提出新穎假說，并經過嚴格的實驗驗證所推動的。為了增強這一過程，研究團隊推出了Co-Scientist，這是一個基于Gemini構建的多智能體人工智能系統(tǒng)（multi-agent AI system），用于結構化科學思維和假說生成，它就像一個不知疲倦、博聞強識的“AI 科學家”，旨在幫助人類科學家加速科學發(fā)現(xiàn)。

研究團隊重點在三個生物醫(yī)學應用中驗證了 Co-Scientist 的能力：老藥新用、新靶點發(fā)現(xiàn)以及解釋抗生素耐藥性的機制。Co-Scientist 幫助確定了急性髓系白血病（AML）的老藥新用候選藥物和協(xié)同組合療法，并在體外實驗中得到了驗證。這些真實世界的驗證實驗證實了 Co-Scientist 加速科學發(fā)現(xiàn)的潛力，開啟了 AI 賦能科學家的新時代。

Co-Scientist：一套會“吵架”和“進化”的AI團隊

Co-Scientist建立在谷歌強大的大語言模型Gemini之上。但它的精髓不在于底層模型有多大，而在于其獨創(chuàng)的“多智能體架構”和“測試時計算放大”機制。

如果把傳統(tǒng)的 AI 比作一個簡單的問答機器，那 Co-Scientist 就是一個分工明確的虛擬研究團隊。當你向它輸入一個研究目標（比如“尋找治療某罕見病的新藥”），系統(tǒng)內部會異步調度多個專屬AI 智能體協(xié)同工作：

1、生成智能體（Generation Agent）：負責大開腦洞，提出海量可能的假說。

2、反思智能體（Reflection Agent）：充當嚴苛的審稿人，通過聯(lián)網搜索文獻，專門挑刺、指出邏輯漏洞，防止 AI “一本正經地胡說八道”（即所謂的幻覺）。

3、排名智能體（Ranking Agent）：把假說拉進“學術擂臺賽”，進行兩兩對決，通過找勝負規(guī)律排出座次。

4、鄰近智能體（Proximity Agent）：計算研究假說和提案之間的相似度，不直接參與假說的生成，但協(xié)助排名智能體組織競賽匹配，并展示與研究目標相關的各種想法，幫助科學家能夠快速探索感興趣的領域，并輕松識別相關概念。

5、進化智能體（Evolution Agent）：勝出的假說并不是終點，該智能體會吸取敗北的假說的優(yōu)點，對勝出假說進行重組和迭代優(yōu)化。

6、審查智能體（Meta-review Agent）：負責把控大局，保證整體方向不跑偏。

這種類似生物進化的“錦標賽機制”，讓 Co-Scientist 能夠隨著思考時間的延長（測試時計算放大），不斷逼近最優(yōu)解。在對 203 個不同科學領域目標的測試中，它的表現(xiàn)不僅碾壓了此前的 SOTA 模型，甚至超越了人類專家的第一直覺。

更重要的是，它是一個完美的“科研副駕”，科學家可以隨時用自然語言與它對話，提供反饋，甚至直接扔給它一個初步想法，讓它去無限拓展和完善。

AI 做出的發(fā)現(xiàn)，能在實驗室里實現(xiàn)嗎？

一套理論再完美，也需要接受現(xiàn)實的“毒打”。為了驗證 Co-Scientist 的實戰(zhàn)能力，研究團隊在三個極具挑戰(zhàn)性的生物醫(yī)學領域對其進行了“真刀真槍”的濕實驗（實驗室實操）驗證。

1、尋找急性髓系白血病（AML）的“老藥新用”

眾所周知，研發(fā)一款新藥動輒需要十億美金和十年時間。而“老藥新用”是一種性價比極高的策略。研究團隊讓 Co-Scientist 在 2300 種已獲批的藥物中，尋找能治療急性髓系白血病（AML）的候選藥物。

經過復雜的推算，Co-Scientist 鎖定了 5 種候選藥物。在隨后的實驗室細胞測試中，這 5 種候選藥物均不同程度抑制了 AML 癌細胞的活性，其中，Binimetinib（一種 MEK1/2 抑制劑，主要用于治療 BRAF V600 突變陽性的不可切除或轉移性黑色素瘤）、Pacritinib（一種 JAK2 抑制劑，主要用于治療伴有嚴重血小板減少癥的骨髓纖維化成人患者）和Cerivastatin（一種他汀類降脂藥物 ,曾用于治療高膽固醇血癥和心血管疾病）尤為出色，表現(xiàn)出了強大的抑制效果。這些發(fā)現(xiàn)為復發(fā)/難治性白血病患者帶來了新的希望。

2、挖掘肝纖維化的全新治療靶點

在肝纖維化的研究中，傳統(tǒng)的生物推斷往往充滿不確定性。Co-Scientist 被要求尋找全新的表觀遺傳靶點。它不僅成功提出了靶點，后續(xù)的濕實驗還證實，這些 AI 發(fā)現(xiàn)的靶點能在人類肝臟類器官中展現(xiàn)出顯著的抗纖維化活性和肝細胞再生能力。

3、破解細菌的抗生素耐藥之謎

抗生素耐藥性（AMR）是全球公共衛(wèi)生的重大威脅。研究團隊給 Co-Scientist 下了一個極具前瞻性的任務：在不提供任何已發(fā)表文獻的前提下，讓它推測“衣殼形成型噬菌體誘導染色體島”（cf-PICI）是如何跨越不同細菌物種存在的。cf-PICI 是一類特殊的可移動遺傳元件，廣泛存在于細菌基因組中，能夠在特定條件下被激活并實現(xiàn)跨物種水平基因轉移。

Co-Scientist 只用了短短兩天時間就完全獨立地推導出了一個極其前沿的機制——cf-PICI 通過與多種噬菌體尾部相互作用來擴展宿主范圍。值得一提的是，這一機制與另一個獨立的研究團隊后來發(fā)表于Cell期刊實驗結果相吻合，而 Co-Scientist 提出這一機制時，這篇論文尚未進行同行評議。這進一步證明了 Co-Scientist 具有通過綜合復雜的科學信息并生成與專家水平相當?shù)膰乐斂茖W假說，具有加速科學發(fā)現(xiàn)的潛力。

AI 會取代科學家嗎？

從提出假說，到自我辯論、優(yōu)勝劣汰，再到最終產出可供實驗驗證的頂級學術靈感，Co-Scientist向我們展示了通用人工智能（AGI）在復雜科學推理和跨領域知識整合上的巨大潛力。

但谷歌團隊強調，Co-Scientist的設計初衷并非取代人類，而是為了開啟一個 “人類科學家主導，AI 賦能” 的全新協(xié)同范式。它把科學家從繁瑣的文獻篩選和初期試錯中解放出來，讓他們能站在 AI 的肩膀上，更專注地去觸碰真理的邊界。

畢竟，提出一個問題，往往比解決一個問題更重要。而現(xiàn)在，我們可能有了一個不知疲倦的“超級大腦”，能和我們并肩作戰(zhàn)，一起去回答那些關乎人類命運的終極問題。

論文鏈接：

https://www.nature.com/articles/s41586-026-10644-y