Nature 三连发：AI 自主科研，开启科学范式革命

科学发现是由观察、假设生成、实验和数据分析的循环过程所驱动的。尽管近年来在将人工智能应用于生物学方面取得了进展，但目前还没有一个系统能够将所有这些阶段都自动化。

2026年5月19日，美国旧金山FutureHouse的Samuel G. Rodriques团队合作在Nature 在线发表题为“A multi-agent system for automating scientific discovery”的研究论文，该研究介绍了Robin，这是首个能够完全自动化实验生物学中的假设生成和数据分析的多智能体系统。通过将文献搜索智能体与数据分析智能体相结合，Robin能够生成假设、提出实验、解释实验结果并生成更新的假设，从而实现了一种半自主式的科学发现方法。

Robin系统的架构与工作流程（图源自Nature ）

通过应用这个系统，研究人员能够确定针对干性老年性黄斑变性（dAMD）的有前景的治疗候选药物，这是发达国家导致失明的主要原因。Robin提出了增强视网膜色素上皮吞噬作用作为治疗策略，并在体外验证了Ripasudil和 KL001 的疗效。Ripasudil是一种临床使用的 Rho 激酶（ROCK）抑制剂，此前从未被提议用于治疗 dAMD。为了阐明Ripasudil诱导吞噬作用增强的机制，Robin随后提出了并分析了一项后续的 RNA-测序实验，该实验揭示了 ABCA1 的上调，ABC A1 是一种脂质外排泵，可能是新的潜在靶点。本报告正文中的所有假设、实验方向、数据分析和数据图表均由Robin完成。作为首个在迭代的实验室闭环框架内自主发现并验证新型治疗候选药物的人工智能系统，Robin开创了基于人工智能的科学发现的新范式。

另外，2026年5月19日，哈佛大学Michael P. Brenner团队合作在Nature 在线发表题为“An AI system to help scientists write expert-level empirical software”的研究论文，该研究提出了“经验研究辅助”（Empirical Research Assistance，ERA）这一人工智能系统，该系统能够生成专家级别的科学软件，其目标是最大限度地提高质量指标。

该系统利用大型语言模型（LLM）和树搜索（TS）来系统性地提高质量指标，并智能地探索和导航大量的可能解决方案空间。当 ERA 探索并整合来自外部来源的复杂研究思路时，就能达到专家级别的成果。树搜索的有效性在各种任务中都得到了证明。在生物信息学领域，ERA 发现了 40 种用于单细胞数据分析的新方法，这些方法在公共排行榜上的表现优于人类开发的顶级方法。在流行病学领域，ERA 生成了 14 个模型，这些模型在预测 COVID-19 住院率方面优于疾控中心的组合模型以及所有其他单独模型。ERA 还为地理空间分析、斑马鱼的神经活动预测以及积分的数值解等提供了专家级别的软件，并开发了一种基于规则的时间序列预测构建方法。通过制定并实施针对各类任务的创新解决方案，ERA 为加快科学进步迈出了重要的一步。

2026年5月19日，谷歌DeepMind的Vivek Natarajan团队合作在Nature 在线发表题为“Accelerating scientific discovery with Co-Scientist”的研究论文，该研究引入了“协同科学家（Co-Scientist）”这一多智能体人工智能系统，该系统基于“Gemini”平台构建，用于结构化的科学思考和假设生成。协同科学家旨在帮助科学家发现新的原创知识。根据其研究目标和先前的科学证据，它会为实验验证制定出明显新颖的研究假设。

该系统的设计包括智能体持续生成、评估和改进假设，并通过扩展测试时的计算能力来加速这一过程。其主要贡献包括：（1）一种具有异步任务执行框架的多智能体架构，用于灵活的计算扩展；（2）一种锦标赛进化过程，用于自我改进的假设生成。自动评估显示，测试时计算能力的扩展持续带来益处，随着时间的推移提高了假设的质量。虽然其用途广泛，但研究人员将其验证重点集中在三个生物医学应用上：药物再利用、新靶点发现以及解释抗微生物耐药性的机制。具体而言，协同科学家协助确定了针对急性髓系白血病的新药物再利用候选药物以及协同组合疗法，并且这些疗法通过体外实验得到了验证。这些实际验证表明，协同科学家有望加速科学发现，并开启一个由人工智能赋能科学家的时代。

总结而言，这组研究标志着科学发现进入了由AI深度驱动的“第二轨道”。 尽管AI不会取代科学家，但善于利用这些“超级外脑”的科学家，无疑将拥有前所未有的探索能力。一个科学发现被极大加速、更多疾病被攻克、更多自然奥秘被揭示的新时代，正随着这些“AI科学家”的登场而拉开序幕。