在科研领域，人工智能正以惊人的速度重塑研究范式。近期，《自然》杂志同期刊发了两项具有里程碑意义的研究成果：谷歌DeepMind推出的“Co-Scientist”系统与FutureHouse团队开发的“Robin”系统，通过多智能体协作架构，在药物再定位任务中展现出超越传统工具的科研能力，标志着AI从辅助工具向科研伙伴的转型迈出关键一步。
谷歌的Co-Scientist系统以Gemini 2.0为基础，构建了包含生成、反思、排名、进化与元评审五大智能体的协作网络。该系统通过集成网络搜索与专业数据库，在药物筛选过程中引入“合理性-新颖性-可测试性-安全性”四维评估标准。其独特之处在于“反思智能体”可调用外部文献数据库，避免生成看似创新实则缺乏科学依据的假设。在针对急性髓系白血病（AML）的研究中，系统从2300种已获批药物中筛选出Binimetinib等候选药物，经专家验证后发现部分药物对特定白血病亚群具有显著疗效，更自主提出未被探索的药物组合方案，在MOLM-13细胞实验中验证出强协同效应。
FutureHouse的Robin系统则采用“文献-实验-分析”闭环设计，其核心组件Finch智能体可直接处理湿实验原始数据，在Jupyter环境中自主编写分析代码，完成从数据清洗到统计建模的全流程。在干性年龄相关性黄斑变性（dAMD）研究中，Robin仅用30分钟便完成551篇文献的深度解析，提炼出10个疾病机制假说，并围绕视网膜色素上皮细胞吞噬功能提出30个候选药物。首轮实验证实其推荐的抑制剂可显著增强细胞吞噬能力后，系统主动建议进行RNA测序分析，基于新数据迭代优化研究方案。据测算，该系统完成同等规模文献分析的工作量，相当于人类专家800小时的投入。
两项研究在方法论上形成互补：Co-Scientist侧重结构化假设生成与多轮验证，Robin强调端到端实验自动化与数据驱动决策。对比实验显示，当用OpenAI的o4-mini替代Robin的文献搜索组件时，幻觉引用比例从零激增至45%，凸显专业领域适配的重要性。尽管如此，研究者强调当前AI仍聚焦于药物开发中相对成熟的环节——既未涉及全新分子设计，也未突破细胞实验向临床转化的瓶颈。已验证药物虽因安全性数据完备、专利过期等优势具有现实价值，但疾病机制解析等复杂问题仍需人类科学家主导。
这场变革正在重新定义科研角色的分工。未来实验室中，人类科学家或将转型为“战略设计师”，负责提出根本性问题、界定研究边界并做出关键决策；AI系统则扮演“超级研究助理”角色，承担文献挖掘、假设验证、数据分析等重复性高、精度要求严的工作。这种协作模式不仅提升研究效率，更通过人机交互持续优化科研路径，为解决复杂科学问题提供全新可能。
