從LLM能力到科研組織結構：Agentic AI如何重構生物醫學團隊科學

編輯丨%

過去幾年，生成式人工智能（Generative AI）在生物醫學領域大放異彩。從蛋白結構預測到藥物篩選，大模型不斷刷新效率邊界。但它們始終有一個隱形前提：單體模型在執行任務。

來自美國洛杉磯 Cedars-Sinai 醫療中心的一支團隊提出了一個更激進的方向——讓多個「具備自主決策能力的智能體人工智能（Agentic AI）」協作。他們總結出有助于智能體 AI 系統開發的三種關鍵算法和七種基礎構建塊特征，并重點介紹了它們的應用、設計考量，以及在后續部署中面臨的挑戰和機遇。

相關研究內容以「Agentic AI and the rise of in silico team science in biomedical research」為題，于 2026 年 2 月 24 日發布在《Nature Biotechnology》。

論文鏈接：https://www.nature.com/articles/s41587-026-03035-1

從模型調用到分工

Agentic AI 指的是一種框架，它能讓一個或多個自主智能體協作，以追求共同的高級目標。它在改變那些長期被認為是人類獨有活動方面具有巨大潛力。它雖然處在發展初期，但仍能有效解決生物醫學研究中人力、時間、技術等痛點，未來將與人類研究者深度協作而非替代。

圖示：人類研究團隊與 Agentic AI 研究團隊以及生物醫學研究中角色扮演 AI 智能體的特征。

三種算法共同構成了 Agentic AI 的技術基礎，其中大語言模型（LLMs）是核心引擎，強化學習優化行為，進化算法實現創新突破。

1. 大語言模型（LLMs）：作為 Agentic AI 的主要推理引擎，能將人類指令轉化為計算行為，可分為閉源閉權重、開源權重非全開源、全開源三類；雖存在幻覺問題，但自然語言邏輯表達能力無可替代，是多智能體協作的溝通基礎。
2. 強化學習（RL）：通過與環境交互優化累積獎勵，可將人類反饋、倫理原則融入獎勵函數，分為可驗證獎勵強化學習（RLVR）和基于偏好的強化學習（如 RLHF）；但存在獎勵破解、專家標注數據不足等問題，在生物醫學領域的評估還受安全、倫理、成本制約。
3. 進化算法：受生物進化啟發的群體優化技術，能迭代優化候選解決方案，常發現偏離人類直覺的新行為和架構，近年逐步融入 Agentic AI，用于增強代碼生成等智能體能力。

除此之外，論文還總結了適用于生物醫學研究的 Agentic AI 系統的七大關鍵特征：具體為推理、驗證、反思、規劃、工具使用、記憶、溝通，且文中以數學乘法運算為例清晰闡釋了各特征的作用。

推理可通過微調、提示工程等優化，但尚未在生物醫學領域超越人類；工具使用是其與傳統 AI 的核心區別，可靈活調用生物信息學工具（如 PLINK）、檢索增強生成（RAG）等；記憶分為長、短期，解決上下文丟失問題，但仍面臨可靠性挑戰；溝通涵蓋智能體間、智能體與人類、智能體與工具，標準化協議是協作效率的關鍵。

應用與挑戰

圖示：智能體人工智能系統在各種生物醫學研究任務中的應用。

在醫療場景應用中，整體工作流程先從利用 SciLitLLM、知識圖譜 + LLMs 等實現文獻檢索、信息提取、圖表轉文本，自動化耗時的基礎工作。下一步就是基于文獻迭代生成并優化假設。

BioPlanner、BioDiscoveryAgent 等可實現實驗方案的文本化、基因擾動實驗的動態設計，結合實驗室協議和專業分析工具完成定制化設計。DrugAgent、CellForge 等能自動化編程、生成優化模型架構，處理單細胞多組學等高維異質生物醫學數據，優化領域特異性分析方法。

這些研究子任務的成功，進一步推動了推動了多種用于端到端生物醫學研究的智能體人工智能系統的發展。Biomni、Virtual Lab 等多智能體系統可完成從文獻綜述到報告生成的全流程研究，如 Virtual Lab 成功設計 92 種針對 SARS-CoV-2 變體的新型納米抗體。

但即使如此，Agentic AI 在生物醫學領域的規模化部署仍面臨多維度挑戰：數據問題、隱私與安全、成本與能耗、算法公平性、系統可靠性。

生物醫學系統的構建方法

Agentic AI 正在為生物醫學研究帶來變革性機遇，其地位正在從「助手」逐步升級為「合作者」。利用知識圖譜與多模態 LLM 融合，智能體將會得到升級，進一步的技術發展也將解決工具與語言之間的使用壁壘。

在這些發展階段中，人類仍然是不可缺少的一環，研究者仍將在基準設計、研究監督、倫理把控、資源分配等方面發揮不可替代的作用，二者將形成深度協作的研究模式。