两个AI科研助手推动药物再定位

关键信息

这两套系统都被描述为agentic，也就是通过在后台调用不同工具来工作，而不是作为单一聊天模型直接输出答案。文章强调，它们当前处理的是相对直接的生物学问题，例如某种药物是否可能作用于特定靶点，并不声称能端到端自动化科学研究。

资讯摘要

周二，《Nature》发表了两篇论文，介绍两套旨在帮助科学家提出并检验假设的AI系统。其一是 Google 的 Co-Scientist，官方将其描述为“scientist in the loop”工具，也就是研究人员仍然需要用自己的判断来持续引导系统。另一套来自非营利组织 FutureHouse，它被训练用于评估某些特定类型实验产生的生物数据。尽管 Google 表示其系统未来也可能用于物理学，但这两篇论文都主要展示了生物学场景，而且聚焦的是相对直接的问题，例如某种药物是否可能对特定靶点起作用。

文章明确强调，这些系统并不是要取代科学家或科学方法，而是用来处理现代科研产生的海量信息。两套系统都被描述为agentic，也就是会在后台调用其他工具来完成工作，这使它们不同于更简单的聊天式模型。它们试图解决的核心问题是信息过载：期刊和论文数量随着在线发表变得越来越多，研究人员即使在自己领域内也很难及时跟进，更不用说跨领域的相关发现。文章举例说，眼发育中使用的某种信号系统，可能也同样参与肾脏生物学，如果没有计算工具辅助，就很容易错过这种跨领域联系。

资讯正文

周二，《自然》（Nature）发布了两篇论文，介绍了旨在帮助科学家提出和检验假设的 AI 系统。其中一个是 Google 的 Co-Scientist，它被设计成所谓的“科学家在回路中”（scientist in the loop）模式，也就是说，研究人员会定期运用自己的判断来引导系统。第二个来自一家名为 FutureHouse 的非营利机构，它更进一步，训练了一个系统，能够评估来自某些特定类型实验的生物学数据。

尽管 Google 表示其系统同样适用于物理学，但这两个团队展示的内容都只涉及生物学数据，而且大多是相当直接的假设——这种药物会对那种疾病有效。所以，这并不是要取代科学家或科学过程本身。相反，它的目标是帮助当前 AI 最擅长的事情：吞吐海量信息，而这些信息对人类来说往往难以真正消化和掌握。

这有什么用？

这两个系统之间有一些区别，但它们都属于所谓的 agentic 系统；它们通过调用独立工具在后台运行。（微软在其科学助手上也采取了类似做法；OpenAI 看起来是个例外，因为它只是针对生物学调优了一个 LLM。）而且，虽然它们之间存在一些我们会指出的差异，但两者都聚焦于同一个总体问题：科学信息的极度泛滥。

随着在线发布变得越来越容易，期刊数量激增，论文数量也随之暴涨。任何研究人员都越来越难以跟上自己领域的进展。要在其他领域中找到可能相关的材料，更是一项真正的挑战。比如，如果你专注于眼睛发育，那么其中使用的一种信号传导系统也可能参与肾脏发育；而人们在这方面发现了什么，也很容易被你错过。

来源与参考

1. 原始链接
2. Two AI-based science assistants succeed with drug-retargeting tasks