谷歌的新AI“合作科学家”旨在加速科学发现

想象一个研究伙伴，它已经阅读了您所有的科学论文，不断地在24小时内为新的实验提出想法。谷歌正试图将这一愿景变为现实，通过开发一个新的AI系统，旨在作为一个“合作科学家”。

这个AI驱动的助手可以筛选大量的研究，提出新的假设，并且甚至可以概述实验计划——所有这些都是与人类研究人员合作完成的。谷歌最新的工具，在斯坦福大学和伦敦帝国学院进行了测试，使用先进的推理来帮助科学家综合大量的文献并产生新的想法。目标是通过理解信息过载并提出人类可能忽略的见解来加速科学突破。

谷歌称之为“AI合作科学家”的系统，并不是一个物理机器人，而是一个复杂的软件系统。它建立在谷歌最新的AI模型上（特别是Gemini 2.0模型），并模仿科学家的思考方式——从头脑风暴到批判性思考。与其只是总结已知的事实或搜索论文，这个系统旨在揭示原创的知识，并根据现有的证据提出真正新的假设。换句话说，它不仅仅是找到问题的答案——它还帮助创造新的问题。

谷歌和其AI部门DeepMind一直优先考虑AI在科学应用中的发展，尤其是在AlphaFold成功解决50年来蛋白质折叠难题之后。通过AI合作科学家，他们希望“加速科学发现的时钟速度”，从生物医学到物理学等各个领域。

AI合作科学家（谷歌）

AI合作科学家如何工作

在内部，谷歌的AI合作科学家实际上由多个专门的AI程序组成——可以将其视为一队超快速的研究助手，每个都有特定的角色。这些AI代理程序共同工作，模仿科学方法：一个产生想法，其他代理批判和改进它们，最好的想法被提交给人类科学家。

根据谷歌的研究团队，以下是该过程的展开方式：

• 生成代理——挖掘相关研究并综合现有的发现，以提出新的途径或假设。
• 反思代理——作为同行评审者，检查提出的假设的准确性、质量和新颖性，并剔除有缺陷的想法。
• 排名代理——进行“锦标赛”式的想法竞争，有效地让假设在模拟辩论中竞争，然后根据哪些看起来最有前途的排名它们。
• 接近代理——将相似的假设分组在一起并消除重复，以便研究人员不会审查重复的想法。
• 进化代理——对最高排名的假设进行进一步的改进，使用类比或简化概念以提高提案的清晰度。
• 元审查代理——最后编译最好的想法成一个连贯的研究提案或概述，以供人类科学家审查。

关键的是，人类科学家在每个阶段都保持参与。AI合作科学家不单独工作或做出最终决定。研究人员首先以自然语言输入研究目标或问题，以及任何相关的约束或初始想法，然后AI系统根据这些信息产生建议。科学家可以提供反馈或调整参数，AI会再次迭代。

谷歌设计该系统为“专门用于合作”，这意味着科学家可以在AI的过程中插入自己的种子想法或批评。AI甚至可以使用外部工具，如网页搜索和其他专门的模型，来核实事实或收集数据，同时确保其假设基于最新的信息。

AI合作科学家代理（谷歌）

通往突破的更快路径

通过将一些研究的繁琐工作——例如详尽的文献综述和初步头脑风暴——外包给一台不间断的机器，科学家希望能够显著加速发现。AI合作科学家可以阅读比任何人类更多的论文，它永远不会用完新想法的组合。

“它有可能加速科学家解决科学和医学领域重大挑战的努力，”该项目的研究人员在论文中写道。早期结果令人鼓舞。在一个关于肝纤维化（肝脏瘢痕）的试验中，谷歌报告称，AI合作科学家建议的每一种方法都显示出有希望抑制疾病驱动因子的能力。事实上，AI的建议并不是毫无根据的——它们符合专家认为是合理的干预措施。

此外，该系统展示了在人类专家最初提出的解决方案基础上进行改进的能力。根据谷歌的说法，AI不断地改进和优化专家最初提出的解决方案，表明它可以在每次迭代中学习并在人类专长之上添加增量价值。

另一个值得注意的测试涉及到抗生素耐药性的棘手问题。研究人员要求AI解释某个基因元素如何帮助细菌传播其耐药特性。在不知道相关信息的情况下，AI仅凭借基本的背景信息和几篇相关论文，在两天内就得出了与人类科学家相同的假设。

“这一发现是在不知道合作科学家假设生成的情况下通过独立研究验证的，”作者指出。换句话说，AI成功地重新发现了一个关键的见解，表明它可以以人类的直觉难以匹敌的方式连接点——至少在有足够数据的情况下是如此。

这样的速度和跨学科的影响是巨大的。突破往往发生在不同领域的见解碰撞时，但没有一个人可以成为所有领域的专家。一个吸收了遗传学、化学、医学等各个领域知识的AI，可以提出人类专家可能忽略的想法。谷歌的DeepMind部门已经证明了AI在科学领域的变革力量，例如AlphaFold，它预测了蛋白质的三维结构，并被誉为生物学的一大突破。这种成就，加速了药物发现和疫苗开发，甚至为DeepMind团队赢得了与诺贝尔奖相关的科学最高荣誉。

新的AI合作科学家旨在将类似的飞跃带到日常的研究头脑风暴中。虽然最初的应用主要在生物医学领域，但该系统在原则上可以应用于任何科学领域——从物理学到环境科学——因为生成和验证假设的方法是学科无关的。研究人员可能会使用它来寻找新的材料，探索气候解决方案，或发现新的数学定理。在每种情况下，承诺都是相同的：从问题到洞察的更快路径，可能将数年的试错过程压缩到更短的时间框架内。设定假设是学科无关的。研究人员可能会使用它来寻找新的材料，探索气候解决方案，或发现新的数学定理。在每种情况下，承诺都是相同的：从问题到洞察的更快路径，可能将数年的试错过程压缩到更短的时间框架内。