2024年，美国斯坦福大学病理学家托马斯·蒙廷曾让6个AI“虚拟科学家”围坐在一起，讨论阿尔茨海默病的治疗策略。它们各自扮演不同领域的科学家，交换观点、提出思路，再由系统整理出可能的方案。这种让多个AI智能体分工协作、共同参与科研的方式，如今被称为“AI联合科学家”。

　　两年后的今天，这种协作方式开始进入更深层次的科研环节。今年5月，谷歌旗下“深度思维”公司的“协作科学家”和FutureHouse的Robin同时登上《自然》杂志。它们能自主提出假设、设计验证实验、解读数据，并根据结果调整研究方向。

　　AI参与科研的方式正在发生变化。它不再只是帮科学家查资料的工具，而开始介入研究思路的形成、方案的设计，乃至实验过程。与此同时，科学家的工作重点也在转移。

　　“科研起跑线”更加提前

　　“AI联合科学家”的工作方式与普通聊天机器人不同。它会启动多个智能体，从不同角度检索文献、分析证据、比较相互竞争的解释，再把不同路径汇聚起来。

　　2025年，英国伦敦帝国理工学院的研究人员研究细菌如何跨物种交换DNA。他们没有把尚未公开的实验结果交给AI，只让“协作科学家”依据公开文献和数据独立分析。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·科斯塔形容：“如果把科学发现比作一场百米赛跑，有了AI助手，科学家可能从30米处起跑，而不是从0米处。”

　　AI也善于跳出人类的思维定式。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。德威点治疗公司正在探索让分子凝聚体解体，“协作科学家”却反其道而行，提出用点击化学把这些凝聚体“粘”在一起，使相关蛋白聚集，从而可能阻止MYC DNA被读取。研究人员认为，这一思路在概念上很有吸引力。

　　“协作科学家”并非唯一可用工具。Anthropic、OpenAI等前沿AI实验室，以及FutureHouse、Phylo等初创企业，都在推出能完成过去只有人类科学家才能完成任务的系统。这些工具让研究人员得以把更多精力放在最重要的问题和决策上。

　　“最后一公里”取决于人

　　“AI合作科学家”平台的另一个吸引力，在于它能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。

　　今年7月对Phylo旗下Biomni系统的一次测试中，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。Biomni确定了插入序列，设计了DNA片段的组装方式，规划了细菌培养步骤，并给出检测插入是否成功的方法。Phylo联合创始人屈元昊说，Biomni实际上完成了“从头到尾的整个流程”。

　　然而，Biomni唯一没做的，是实验室里的实际操作。实验过程中总会出现各种无法提前写进方案的情况，需要科学家现场判断和调整，实验结果也需真实验证。

　　英国剑桥大学计算生物学家罗斯·金认为，AI生成的实验方案看似步骤齐全，实际往往不够可靠。同样一份“菜谱”，AI和人生成的完全是两回事：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，AI的方案同样需要人类判断和排错。

　　目前，一些科研团队已经开始让AI直接接触实验现场。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，把多个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；视觉系统则观察实验台上的操作，把相关信息反馈给AI。

　　这让AI的角色进一步延伸到实验过程中。团队已经让LabOS参与寻找潜在药物靶点、发现参与细胞融合的基因，以及干细胞改造等任务。实验人员仍掌握控制权，AI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。

　　“提出好问题”更有价值

　　即使拥有一整支AI专家团队，也仍然需要有人把工具引向值得研究的问题，并以合适的方式描述挑战，让系统能有效处理。

　　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，仍然从根本上是属于人类的任务。正如加拿大多伦多大学罗特曼管理学院经济学家阿杰伊·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”。

　　理解问题、判断信息同样离不开人的参与。斯坦福大学分子遗传学家菲莉娜·古克尔贝格曾向AI系统Kosmos提供一份包含3000万行数据的数据集。AI最初忽略了其中用于区分两种DNA区域的一列信息，经科学家纠正后，才发现一个此前未被注意到的癌细胞特征。

　　勒·康则认为，AI的目标不是取代研究人员，而是让他们摆脱科研中的重复性工作，把人类带到价值链更高的位置。

　　AI能让科学家更快抵达未知领域，但决定向哪里走、如何理解眼前的发现，仍然要靠人类。（科技日报记者 张佳欣）