在2024年，美国斯坦福大学的病理学专家托马斯·蒙廷进行了一项开创性的实验：他让六个AI“虚拟科学家”模拟一场学术研讨会，围绕阿尔茨海默病的治疗策略展开讨论。这些AI分别扮演不同领域的专家角色，通过观点交换和思路碰撞，最终由系统综合出多种潜在的治疗方案。这种多AI协同工作的模式，如今被业界称为“AI联合科学家”，标志着人工智能在科研领域的角色发生了根本性转变。

仅仅两年后，这种协作模式便深入到了科研的核心环节。今年5月，谷歌旗下的“深度思维”公司与FutureHouse联合推出的“协作科学家”系统，以及FutureHouse自主研发的Robin，双双登上了《自然》杂志的封面。这两个系统不仅能够自主提出科学假设，还能设计实验方案、分析实验数据，并根据实验结果动态调整研究方向，展现了AI在科研领域的全面参与能力。

AI在科研中的角色正在经历一场深刻的变革。它不再仅仅是科学家们的辅助工具，用于文献检索和资料整理，而是开始深度介入研究思路的形成、实验方案的设计，甚至直接参与到实验过程中。与此同时，科学家们的工作重心也在悄然转移，他们更多地关注于问题的本质、实验的创新性以及结果的解读。

图片来源：AI生成技术

科研的“起跑线”被大幅提前

与普通的聊天机器人不同，“AI联合科学家”采用了多智能体协同工作的模式。它能够同时启动多个智能体，从不同角度对文献进行检索、对证据进行分析、对解释进行比较，最终将不同路径的研究成果汇聚起来，形成更为全面和深入的研究结论。

以2025年英国伦敦帝国理工学院的一项研究为例，研究人员在探索细菌如何跨物种交换DNA的过程中，没有将尚未公开的实验结果交给AI，而是让“协作科学家”系统仅依据公开文献和数据进行分析。令人惊讶的是，大约两天后，AI给出的解释与研究人员多年实验形成的结论基本一致。微生物学家蒂亚戈·科斯塔形象地比喻道：“如果把科学发现比作一场百米赛跑，那么有了AI的助力，科学家们可能从30米处起跑，而不是从0米处。”

AI还擅长跳出人类的思维定式，提出新颖的研究思路。在一项利用“协作科学家”开展的研究中，系统提出了一种实验室此前从未考虑过的方案。德威点治疗公司原本致力于探索让分子凝聚体解体的方法，而“协作科学家”却反其道而行之，提出用点击化学将这些凝聚体“粘”在一起，使相关蛋白聚集，从而可能阻止MYC DNA被读取。这一思路在概念上极具吸引力，为研究人员提供了新的研究方向。

除了“协作科学家”外，Anthropic、OpenAI等前沿AI实验室，以及FutureHouse、Phylo等初创企业，都在积极研发能够完成过去只有人类科学家才能完成的任务的系统。这些工具的出现，使得研究人员能够将更多的精力投入到最重要的问题和决策上，提高了科研效率。

科研的“最后一公里”仍需人类把控

“AI合作科学家”平台的另一个显著优势在于它能够压缩科研中最繁琐的环节，承担一些原本需要科学家亲自设计的复杂、多步骤流程。这大大减轻了科学家们的工作负担，使他们能够更专注于科研的核心问题。

以今年7月对Phylo旗下Biomni系统的一次测试为例，研究人员要求它设计一项基因编辑实验，即将一小段DNA插入一种常用于向细胞传递遗传信息的环状DNA分子中。Biomni系统不仅确定了插入序列，设计了DNA片段的组装方式，还规划了细菌培养步骤，并给出了检测插入是否成功的方法。Phylo联合创始人屈元昊表示，Biomni实际上完成了“从头到尾的整个流程”，展现了AI在科研设计方面的强大能力。

然而，尽管Biomni系统在设计实验方案方面表现出色，但它仍然无法替代科学家在实验室中的实际操作。实验过程中总会出现各种无法提前预料的情况，需要科学家根据现场情况做出判断和调整。同时，实验结果也需要经过真实的验证才能确认其有效性。

英国剑桥大学的计算生物学家罗斯·金指出，AI生成的实验方案虽然步骤齐全，但实际往往不够可靠。就像没有经验的厨师照着菜谱做蛋奶酥，很难做出完美蓬松的成品一样，AI的方案同样需要人类的判断和排错。因此，在科研过程中，人类的参与仍然是不可或缺的。

目前，一些科研团队已经开始尝试让AI直接接触实验现场。例如，斯坦福大学分子遗传学家勒·康、普林斯顿大学计算机科学家王梦迪及其同事开发的LabOS系统，就将多个AI智能体与智能眼镜结合起来。AI负责拆分科学问题、搜索文献、提出和质疑假设、设计实验；而视觉系统则观察实验台上的操作，将相关信息反馈给AI。这种设计使得AI的角色进一步延伸到实验过程中，为科研提供了更为全面的支持。

在LabOS系统的辅助下，科研团队已经成功参与了寻找潜在药物靶点、发现参与细胞融合的基因以及干细胞改造等任务。在这个过程中，实验人员仍然掌握着控制权，而AI则负责提供指导、提醒可能出现的问题，并在实验偏离预期时发出警报。这种协作模式既发挥了AI的优势，又保证了科研的准确性和可靠性。

提出“好问题”成为科研新价值

即使拥有一整支AI专家团队，科研过程中仍然需要有人将工具引向值得研究的问题，并以合适的方式描述挑战，让系统能够有效处理。这是因为在科研领域，问题的提出往往比问题的解决更为重要。

对于定义明确的问题，研究目标可能非常清晰。但在开放式科学研究中，决定该提出什么问题、什么样的答案才算有意义，仍然从根本上属于人类的任务。正如加拿大多伦多大学罗特曼管理学院的经济学家阿杰伊·阿格拉瓦尔所言，如今科研中最有价值的部分其实是“提出问题”。因为一个好的问题能够引导科研走向正确的方向，产生具有深远影响的研究成果。

同时，理解问题、判断信息也离不开人类的参与。以斯坦福大学分子遗传学家菲莉娜·古克尔贝格的研究为例，她曾向AI系统Kosmos提供了一份包含3000万行数据的数据集。然而，AI最初却忽略了其中用于区分两种DNA区域的一列信息。经过科学家的纠正后，AI才发现了一个此前未被注意到的癌细胞特征。这个例子充分说明了人类在科研过程中的不可替代性。

勒·康则认为，AI的目标并不是取代研究人员，而是帮助他们摆脱科研中的重复性工作，将人类带到价值链更高的位置。通过AI的辅助，科学家们能够更快地抵达未知领域，但决定向哪里走、如何理解眼前的发现，仍然要靠人类的智慧和判断。

因此，在AI时代，科研的核心仍然在于人类的参与和决策。只有充分发挥人类的智慧和创造力，结合AI的强大计算能力，才能推动科研事业不断向前发展。

（原标题为《AI参与科研方式发生深刻变化》）

来源：张佳欣/科技日报 徽声在线整理