Google和FutureHouse同日登刊，把AI科學助理推到科研前線

編輯丨%

2026 年 5 月19 日，《Nature》雜志同日發表了兩項來自科技巨頭的突破性研究，共同宣告了一個新時代的到來。這兩篇論文分別介紹了來自谷歌 DeepMind 的「Co-Scientist」和來自 FutureHouse 的「Robin」，都是旨在全面輔助科研流程的多智能體 AI 系統。

這兩項研究成果都在藥物再定位任務上交出了結果，只是其中一個不只會生成假設，還會繼續分析實驗數據，把發現往前推一步。Co-Scientist 主打結構化科學思維與假設生成，Robin 則把文獻檢索、實驗設計和數據分析串成一個閉環。

這是一個清晰的信號：AI 正在從單點工具進化為科研伙伴，而科學發現的范式，正在被重新書寫。

Co-Scientist：谷歌的「學者型」科研搭檔

Co-Scientist 基于 Gemini 2.0，采用多智能體架構，核心組件包括：生成智能體、反思智能體、排名智能體、進化智能體以及元評審智能體。除此之外，系統還集成了網絡搜索、專用數據庫等工具，并允許科學家隨時介入、提供反饋或直接輸入自己的假設。

整個過程中，考慮的關鍵標準包括合理性、新穎性、可測試性和安全性。該公司寫道，Reflection 工具還能訪問外部搜索工具，因為訪問科學文獻「防止了看似新穎但不合邏輯的假說的幻覺」。

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

據論文所說，科學家們始終處于知情狀態。在尋找針對白血病的潛在藥物時，系統提出的建議基于專家小組的審查，這些專家獲得了 Co-Scientist 用來制定建議的文獻。

而結果正如預料中的那樣——部分被鑒定的藥物有效，但僅對骨髓性白血病細胞的亞群有效。

專家盲評的 11 個開放生物醫學問題里，Co-Scientist 在 novelty、impact 和整體偏好上都拿到最高分。放到藥物再定位場景，它先在 AML 里從 2300 種已批準藥物中篩選候選，再由專家挑出 Binimetinib、Pacritinib、Cerivastatin 等進入實驗。

圖示：所選藥物的實驗評測。

Co-Scientist 所選擇的藥物在多種 AML 細胞系中表現出極低的 IC50，且對非 AML 細胞系選擇性更高。它還自主提出了此前未被探索的藥物組合，并在 MOLM-13 細胞中驗證出強協同效應。

Robin：FutureHouse 的「實干型」實驗伙伴

Robin 走的是另一條路：它以 Crow 和 Falcon 做文獻搜索與綜述，以 Finch 做實驗數據分析。其中 Finch 是 Robin 最具特色的組件：它能接收濕實驗產生的原始數據，在 Jupyter notebook 中自主編寫并執行代碼，完成從門控策略到差異表達分析的全流程，并輸出圖表和統計結論。

論文鏈接：https://www.nature.com/articles/s41586-026-10652-y

但它與 Co-Scientist 還是有所區別的。

Robin 的工作對象是干性年齡相關性黃斑變性（dAMD）。它先用 Crow 讀了 551 篇論文，在約 30 分鐘里提煉出 10 個疾病機制，接著圍繞 RPE phagocytosis 提出了 30 個候選藥物，并讓 Falcon 為每個候選做綜合評估。

圖示：Robin 系統概述。

根據文獻總結， Robin 提出了一系列關于黃斑變性疾病機制的假說，并利用這些工具詳細報告了每個機制的證據。一位大型語言模型評委隨后對假設進行了兩兩比較，產生了相對排名——這有點像谷歌的錦標賽系統。

首輪實驗中，Robin 所提出的抑制劑已被證實其增強吞噬的能力。而在此之后，Robin 主動提議對處理后的細胞進行 RNA-seq，并基于 Finch 自主實驗后得出的新發現提出了更新的迭代。

Robin 的整個工作流（分析約 825 篇參考文獻）僅耗時約 30 分鐘，而估計的人類專家工作量超過 800 小時。所有主圖中的統計圖表均由 Robin 自動生成。

AI 在科學里的位置

正如谷歌所發現的，專門設計用于與科學文獻接口的工具非常重要。用 OpenAI 的 o4-mini 替換 Crow 后，幻覺引用的比例從零提升到了 45%。FutureHouse 還考察了 OpenAI 研究型工具的性能，發現在所有推薦 Robin 未提出藥物的情況下，這些藥物都未能對這些細胞產生影響。

即使如此，Co-Scientist 和 Robin 都沒有宣稱自己已經「自動做科學」。它們的成功集中在藥物開發中較容易的部分之一（當然，開發過程中也沒有任何部分真的可以說是輕松的）。

AI 并未被要求設計全新的分子，大多數藥物在動物和臨床試驗階段失敗，而非細胞培養測試階段。這并不是說重新利用現有藥物毫無意義——研究機構已經有了這些分子的安全性和機構批準，而且許多已過專利，因此價格便宜。但眼下還沒有到單憑 AI 解決難題的階段。

除開這些，藥物背后的起效機制、基因表達的原因，這些都是模型尚且不能解決的疑點。

但不可否認的是，它們正在重新定義科學家的角色。未來，科學家可能更像一位「首席科學家」，負責提出根本性問題、設計實驗范式的邊界、并做出最終的判斷與決策；而AI則扮演「超級博士后」的角色——不知疲倦地閱讀所有文獻，嚴謹地生成和反駁假設，精準地分析每一份數據，并在迭代中不斷逼近正確答案。

相關鏈接：https://arstechnica.com/science/2026/05/two-ai-based-science-assistants-succeed-with-drug-retargeting-tasks/