在科研領域，人工智能正以驚人的速度重塑研究范式。近期，《自然》雜志同期刊發了兩項具有里程碑意義的研究成果：谷歌DeepMind推出的“Co-Scientist”系統與FutureHouse團隊開發的“Robin”系統，通過多智能體協作架構，在藥物再定位任務中展現出超越傳統工具的科研能力，標志著AI從輔助工具向科研伙伴的轉型邁出關鍵一步。
谷歌的Co-Scientist系統以Gemini 2.0為基礎，構建了包含生成、反思、排名、進化與元評審五大智能體的協作網絡。該系統通過集成網絡搜索與專業數據庫，在藥物篩選過程中引入“合理性-新穎性-可測試性-安全性”四維評估標準。其獨特之處在于“反思智能體”可調用外部文獻數據庫，避免生成看似創新實則缺乏科學依據的假設。在針對急性髓系白血病（AML）的研究中，系統從2300種已獲批藥物中篩選出Binimetinib等候選藥物，經專家驗證后發現部分藥物對特定白血病亞群具有顯著療效，更自主提出未被探索的藥物組合方案，在MOLM-13細胞實驗中驗證出強協同效應。
FutureHouse的Robin系統則采用“文獻-實驗-分析”閉環設計，其核心組件Finch智能體可直接處理濕實驗原始數據，在Jupyter環境中自主編寫分析代碼，完成從數據清洗到統計建模的全流程。在干性年齡相關性黃斑變性（dAMD）研究中，Robin僅用30分鐘便完成551篇文獻的深度解析，提煉出10個疾病機制假說，并圍繞視網膜色素上皮細胞吞噬功能提出30個候選藥物。首輪實驗證實其推薦的抑制劑可顯著增強細胞吞噬能力后，系統主動建議進行RNA測序分析，基于新數據迭代優化研究方案。據測算，該系統完成同等規模文獻分析的工作量，相當于人類專家800小時的投入。
兩項研究在方法論上形成互補：Co-Scientist側重結構化假設生成與多輪驗證，Robin強調端到端實驗自動化與數據驅動決策。對比實驗顯示，當用OpenAI的o4-mini替代Robin的文獻搜索組件時，幻覺引用比例從零激增至45%，凸顯專業領域適配的重要性。盡管如此，研究者強調當前AI仍聚焦于藥物開發中相對成熟的環節——既未涉及全新分子設計，也未突破細胞實驗向臨床轉化的瓶頸。已驗證藥物雖因安全性數據完備、專利過期等優勢具有現實價值，但疾病機制解析等復雜問題仍需人類科學家主導。
這場變革正在重新定義科研角色的分工。未來實驗室中，人類科學家或將轉型為“戰略設計師”，負責提出根本性問題、界定研究邊界并做出關鍵決策；AI系統則扮演“超級研究助理”角色，承擔文獻挖掘、假設驗證、數據分析等重復性高、精度要求嚴的工作。這種協作模式不僅提升研究效率，更通過人機交互持續優化科研路徑，為解決復雜科學問題提供全新可能。
