Google DeepMind 的 AI Co‑Scientist：会辩论、会竞争的 AI 科研助手

模拟科研团队的多智能体架构

AI Co‑Scientist 的底层由 基于 Gemini 的大型语言模型构建，并被拆分为多个具有不同职责的 AI 代理。整体结构类似一个科研小组，每个成员负责不同任务，共同解决复杂科学问题。

研究人员首先用自然语言描述一个研究目标，例如：寻找某种疾病的治疗方法，或解释某个生物机制。系统随后会执行类似科学方法的一系列步骤，包括：

• 整合已有文献
• 提出潜在假说
• 用现有证据评估这些假说
• 建议可行的实验方案

与传统 AI 工具最大的不同在于，Co‑Scientist 强调 不同想法之间的竞争和批评。通过这种机制，系统希望找到比单次生成更可靠、更有潜力的研究方向。

“想法锦标赛”：AI 如何筛选最佳假说

该系统的一项关键创新是 “想法锦标赛”机制。在这个过程中，多种候选假说像比赛一样相互竞争并不断进化。

整个流程通常包括三个阶段：

1. 假说生成：多个 AI 代理提出不同的解释或机制。
2. 辩论与批评：其他代理根据已有文献和证据分析这些想法，指出漏洞或缺失的假设。
3. 锦标赛排名与进化：更有说服力的假说被保留，而较弱的想法会被修改、合并或淘汰。

通过多轮迭代，系统会逐步把初始想法打磨成 逻辑更完整、可以直接设计实验验证的研究方案。这种机制刻意模仿真实科学共同体中通过同行评议、讨论和反复修正来推进知识的过程。

此外，AI 还能同时分析大量论文数据库和科研数据集，这些信息规模往往远超单个研究者能够手动整合的范围。

生物医学领域的早期实验成果

目前的实验验证主要集中在生命科学和生物医学研究。

一个典型案例是 利用 AI 辅助寻找肝纤维化治疗药物。肝纤维化是一种慢性肝病，目前治疗选择有限。PubMed 收录的一项研究显示，多智能体 AI 系统被用于生成药物再利用假说，并指导后续实验验证。

在实验评估中，研究人员对 25 种潜在候选药物进行了抗纤维化效果和毒性测试。

根据 Google DeepMind 的研究总结，AI 系统成功识别出一些此前被忽视的药物再利用候选，其中至少一种在实验模型中表现出显著效果，能够阻断与组织瘢痕形成相关的大部分生物反应。

这些结果表明，AI 生成的假说可以帮助科学家更快地锁定值得实验测试的研究方向。不过需要强调的是，真正的科学发现仍然依赖 实验室实验和同行评议，而不是 AI 本身完成。

“Gemini for Science”科研平台的一部分

AI Co‑Scientist 也是 Google 更大计划的一部分——Gemini for Science。这是一个面向科研的 AI 工具集合，旨在加速科学方法中的关键步骤。

该平台整合了多种系统，例如：

• Co‑Scientist：生成和优化科学假说
• AlphaEvolve 等代理：用于计算发现和算法研究
• 文献分析与实验规划工具

这些工具的目标是帮助研究人员应对不断爆炸式增长的科研文献，同时更快产生新的研究思路。

Google 还与 **美国能源部（DOE）**合作，通过 Google Cloud 向 17 个国家实验室的科学家提供包括 Co‑Scientist 在内的 AI‑for‑Science 工具，以支持更大规模的科研探索。

对未来科研意味着什么

DeepMind 强调，AI Co‑Scientist 并不是为了取代科学家，而是充当 “假说引擎”：快速生成和改进研究思路，再由人类专家进行评估与实验。

真正的变化在于研究方法。与传统单一模型不同，这类系统依赖 多个协作并互相批评的 AI 代理，通过辩论和竞争逐步提升推理质量。

如果未来这些系统持续改进，并且提出的假说能够稳定转化为成功实验，那么它们可能显著加快早期科学探索的速度。

但至少在目前阶段，有一点没有改变：科学的最终答案仍然必须在实验室里验证。