Google DeepMind 的 AI 共同科學家如何用「想法錦標賽」生成科學假說

人工智慧長期以來已協助科學家分析資料、整理論文，但 Google DeepMind 的 AI Co‑Scientist 將這個角色往前推了一步：它被設計成一位「虛擬研究合作者」，能在實驗開始之前先生成、辯論並改進科學假說。

這套系統建立在 Google 的 Gemini 模型之上，並以 多代理（multi‑agent）架構運作。它不會只產生單一答案，而是讓多個 AI 代理互相競爭與評論，透過所謂的「想法錦標賽」（idea tournaments）找出最有潛力的研究方向。

模擬研究團隊的多代理 AI

AI Co‑Scientist 的核心是一組專門化的 AI 代理，它們共同運作，模擬一個研究團隊的協作過程。

研究人員首先以自然語言描述研究目標，例如：

• 找出某種疾病的治療方法
• 解釋某個生物機制

系統接著依照科學方法的邏輯進行多個步驟，包括：

• 整理與綜合既有研究文獻
• 提出可能的科學假說
• 用已有證據評估這些假說
• 建議可驗證的實驗設計

與傳統 AI 工具不同的是，Co‑Scientist 不追求一次產生「最佳答案」，而是刻意讓不同想法互相競爭與批判，以提升假說品質。

「想法錦標賽」：讓假說彼此競爭

系統最有特色的設計之一是 idea tournament（想法錦標賽）。在這個過程中，多個假說會像參賽者一樣被比較與淘汰。

大致流程分為三個階段：

1. 假說生成：AI 代理提出多個可能解釋或機制。
2. 辯論與批判：其他代理根據文獻與證據指出問題、漏洞或缺失的假設。
3. 排名與進化：較強的假說保留下來，較弱的則被修改、合併或淘汰。

透過多輪迭代，系統會逐步形成 更一致且可被實驗檢驗的研究提案。這種設計刻意模仿科學社群中常見的同行評議與學術辯論過程。

此外，AI 還能同時處理大量資料庫與研究論文，這些資訊量往往超出個別研究者可以快速消化的範圍。

生物醫學研究的早期成果

目前 Co‑Scientist 的示範研究主要集中在生命科學與醫學領域。

其中一個案例是 肝纖維化（liver fibrosis）的藥物再利用研究。根據 PubMed 收錄的一項研究，多代理 AI 系統被用來生成候選藥物假說並指導後續實驗評估。

在實驗測試中，研究團隊對 25 種 AI 建議的候選藥物進行抗纖維化效果與毒性評估。

DeepMind 的研究摘要指出，其中至少一種候選藥物在實驗模型中能 阻斷約 91% 與組織疤痕相關的生物反應，顯示 AI 可能幫助研究者發現先前被忽略的藥物再利用機會。

不過研究人員強調，AI 生成的假說只是起點。真正的科學發現仍然必須經過 實驗室測試與同行評審。

「Gemini for Science」計畫的一部分

Google 正把 Co‑Scientist 納入一個更大的 AI 研究平台 Gemini for Science，這是一系列用於加速科學研究流程的工具集合。

整體系統包括：

• Co‑Scientist：生成與優化科學假說
• AlphaEvolve 等代理：進行計算與算法探索
• 文獻分析與實驗設計輔助工具

這些工具的目標是幫助研究者處理快速膨脹的科學文獻與資料量，並更快提出新的研究方向。

Google 也與 **美國能源部（DOE）**合作，讓 17 個國家實驗室的科學家能透過 Google Cloud 使用 Co‑Scientist 等 AI 科學工具。

科學研究可能的下一步

DeepMind 將 AI Co‑Scientist 定位為 「假說引擎」，而不是取代人類科學家。

最大的改變其實在方法上：

過去多數 AI 系統是單一模型產生答案；而像 Co‑Scientist 這樣的架構則讓 多個 AI 代理互相批判與改進推理，更接近真實的科學探索流程。

如果這類系統持續進步，並且其建議能持續在實驗中得到驗證，它們可能大幅加快科學研究早期階段的速度。

但無論 AI 多強大，最後一步仍然不變——真正的科學仍然發生在實驗室裡。