Co-Scientist：加速科研的多智能体AI伙伴

2026年5月19日 科学

Co-Scientist 团队

为研究人员介绍一种协作式 AI 伙伴，用于在生命科学及其他领域提出新假设。

每一项伟大的科学突破都始于一个单一的、变革性的想法。发现的火花依赖于研究人员将不同事实联系起来并制定出正确假设进行检验的能力。但在信息过载和挑战日益复杂的时代，寻找这些"大海捞针"般的想法已成为进步的重大瓶颈。

我们相信，AI 可以作为生成和完善突破性科学假设的专用伙伴，帮助大幅加速突破的步伐。

今天，我们在《自然》杂志上发表了最新的 Co-Scientist 研究，介绍了一个基于 Gemini 构建的新型多智能体 AI 系统，该系统能够迭代地生成、辩论并演化针对复杂科学问题的新颖假设。

我们正在通过 Hypothesis Generation（假设生成）向个人研究人员提供 Co-Scientist 系统，这是一个由 Google DeepMind、Google Research、Google Cloud 和 Google Labs 联合开发的新实验工具。我们将在未来几周内开始推出，研究人员可以在 labs.google/science 注册兴趣。

自去年分享我们的早期研究以来，我们一直与多个团队共同开发和测试 Co-Scientist，这些团队正利用它来解决从抗菌素耐药性和植物免疫到肝纤维化等具有挑战性的问题。我们很高兴分享它已经在基础生物学、自然科学和工程学中得到应用的一些方式。

Co-Scientist 的工作原理：一个基于 Gemini 构建的多智能体系统

科学发现很少是一条直线；它是一个构思与假设生成、批判和完善的循环。科学家们往往只有在与一个复杂问题搏斗数天、数月甚至数年后，才能获得最深刻的见解。Co-Scientist 背后的核心研究问题是：一个 AI 系统如何能够参与这种严谨的结构化思维以进行科学发现？

Co-Scientist AI 系统由一组基于 Gemini 模型的专门智能体协作组成，我们可以将其分为三个不同的阶段：

生成想法：

• 生成智能体 - 基于科学文献和数据，提出初步的重点领域和新颖假设。
• 邻近智能体 - 对生成的假设进行映射和聚类，以帮助确保对研究空间进行多样化、全面的探索。

辩论想法：

• 反思智能体 - 充当"虚拟同行评审员"，批判性地评估假设的正确性、质量和新颖性。
• 排序智能体 - 组织一场"想法锦标赛"，使用成对比较和模拟科学辩论来优先考虑最有前景的路径和假设。

演化想法：

• 演化智能体 - 持续完善、组合并建立在锦标赛中排名靠前的假设之上，以帮助迭代地提高其质量。
• 元评审智能体 - 综合来自辩论和想法锦标赛的见解，以持续优化系统，并生成最终的研究提案供科学家评审。

协调这些智能体联盟的是一个充当自适应规划器的监督智能体。与线性思考的 AI 模型不同，这种自由形式的规划器将高层次的研究目标分解为可执行的步骤，协调智能体并行运行，并同时探索多条路径。

生成的假设经过迭代完善、批判和演化，形成新的假设，构成科学推理和假设生成的良性循环。

想法锦标赛：我们的系统如何验证、完善和排序假设

Co-Scientist 可以探索数千个研究方向。为了帮助找到最有影响力的方向，我们开发了"想法锦标赛"。该方法借鉴了 AlphaGo 和 AlphaStar 中使用的原则——但我们的 AI 智能体不是玩游戏，而是举行科学辩论来生成、完善和排序想法。

为了在确保假设稳健且可检验的同时，推动新颖性的边界，系统的大部分计算都用于_验证_这些假设。通过对照科学文献和数据深度交叉检查主张，系统确保主张保持有依据、事实准确且逻辑连贯。该系统目前集成了网络搜索和专门的数据库（如 ChEMBL 和 UniProt）以纳入额外知识。它还可以利用先进的专业模型作为工具，例如 AlphaFold，我们正在选定的研究合作中对其进行测试。

这些能力的结合有助于使 Co-Scientist 成为用于结构化科学思维的可靠多智能体系统的首批范例之一，使其能够为复杂的科学问题在新颖假设生成方面取得切实成果。

想法锦标赛通过基于 Elo 的锦标赛迭代地对假设进行排序，同时注入新知识以扩展其对假设空间的探索。

发现治疗肝纤维化的药物再利用候选

Co-Scientist 帮助加速了 Gary Peltz 寻找肝纤维化治疗方法的过程。该 AI 系统突出了被忽视的药物再利用候选，其中一种在实验室测试中成功阻断了 91% 的疤痕相关反应。结果发表在《Advanced Science》上，指出了治疗慢性肝病的新基因调控方法。

"Co-Scientist 感觉就像一个读过所有生物医学文献的合作者，具有找到我们目前遗漏的联系的推理能力。"

——Gary Peltz 教授，斯坦福大学医学院

联合生物工具包，探索治疗 ALS 的新方法

Co-Scientist 帮助联合了 Ritu Raman 和 Ryan Flynn 的实验室，共同研究退行性疾病 ALS。该系统帮助 Ritu 快速消化复杂的文献，提出可检验的想法，并发现互补的专业知识可以加强最佳线索的地方，从而激发了与 Ryan 在基于 RNA 的 ALS 潜在方法上的合作。

"科学是一项团队运动。Co-Scientist 不能独自做科学，我也不能独自完成所有事情。它帮助我构建思路，这样我就知道该向其他专家和合作者询问什么。"

——Ritu Raman 副教授，麻省理工学院

快速追踪逆转细胞衰老的遗传线索

生物学家 Omar Abudayyeh 和 Jonathan Gootenberg 正在使用 Co-Scientist 加速逆转细胞衰老的研究。该系统综合了数十年的文献，提出了新颖的遗传线索，这些线索在实验室测试中已被证明可以使细胞恢复活力。它还将分析大型筛选数据集所需的时间从数月缩短到数天。

"使用 Co-Scientist 感觉就像有一个 50 人的团队供你调遣，在一天内完成所有工作，这是我们实验室无法做到的。"

——Omar Abudayyeh，首席研究员，Abudayyeh–Gootenberg 实验室

加速发现肝病机制

对于 Filippo Menolascina 来说，Co-Scientist 帮助将生物医学文献过载转化为针对代谢性肝病的高质量假设。该系统突出了有前景的疾病机制和药物组合，并帮助解释了为什么现有药物只对部分患者有益——这个想法后来得到了 Menolascina 实验室测试的支持。

"Co-Scientist 感觉就像科学家的喷气背包，增强了我们识别有前景机制的能力。我认为我们正处于一场科学革命的边缘，这场革命将显著缩短实现突破所需的迭代周期。"

——Filippo Menolascina，工程生物学教授，爱丁堡大学

寻找新发传染病的分子开关

Clare Bryant 正在使用 Co-Scientist 来帮助识别当流感、COVID-19 等病原体从动物传播给人类时导致严重疾病的蛋白质。通过与 AI 系统迭代，她迅速将搜索范围缩小到她的实验室将要测试的特定氨基酸——这有可能将数年的实验工作缩短到数月。

"Co-Scientist 汇集了所有已发表的文献和在线资源，帮助我提出更好的问题。它能捕捉到我在数据丰富的领域会遗漏的东西，并帮助我确定优先级，这样我的团队就可以专注于在实验室回答正确的问题。"

——Clare Bryant，先天免疫学教授，剑桥大学

开辟衰老研究的新路径

在 Calico Life Sciences，Matt Onsum 和 Katherine Labbé 正在使用 Co-Scientist 来解决医学中最棘手的问题之一：衰老生物学。该 AI 系统以其科学洞察力给 Calico 的专家留下了深刻印象，包括生成了一个关于整合应激反应的令人兴奋的新颖假设，该假设后来在实验室中得到证实。

"使用 Co-Scientist 让我感到既兴奋又惊讶的是，它的思维方式非常像科学家。它确实与科学家已有的思考和行事方式自然契合。"

——Matt Onsum 博士，AI/ML 负责人，Calico Life Sciences

与科学界共同开发智能体工具

Co-Scientist 是与来自 100 多个机构的研究人员合作开发的，以测试其能力并确保其为科学界提供高质量、有用的工具。

作为我们负责任 AI 方法的一部分，Co-Scientist 经过了广泛的内部和外部安全评估。鉴于 Co-Scientist 在生命科学和物理科学方面表现出的熟练程度，我们还对其在化学、生物、放射性和核（CBRN）领域的滥用进行了独立评估。根据这些发现，我们开发了定制的安全分类器，以标记不道德的研究目标并减少不安全信息的出现。

我们将继续根据科学界的反馈和合作来迭代和开发该工具，并且很高兴通过 Gemini for Science 向个人研究人员提供 Co-Scientist。我们也期待很快向更多 Google Cloud 企业合作伙伴扩大访问权限。

我们深受那些建立了我们今天对世界理解的科学家们的启发。我们希望 AI 能够帮助研究人员迎来并加速科学进步的新时代。

注意：Co-Scientist 旨在成为研究中的伙伴，而非科学或临床专业知识的替代品，用户在其科学旅程中继续使用输出结果时，需对所做的任何决定负责。

致谢

本研究项目由 Juraj Gottweis 和 Vivek Natarajan，以及 Alan Karthikesalingam、Annalisa Pawlosky 和 Yunhan Xu 领导，主要贡献者包括：Wei-Hung Weng、Alexander Daryin、Alessio Orlandi、Andrew Carroll、Anil Palepu、Artiom Myaskovsky、Avinatan Hassidim、Ben Feinstein、Burak Gokturk、Byron Lee、Dan Popovici、Dina Zverinski、Eeshit Dhaval Vaishnav、Elahe Vedadi、Fan Zhang、Felix Weissenberger、Florian Hasler、Gary Peltz、Grzegorz Glowaty、Ivor Rendulic、Ivan Budiselic、Jacob Blum、Jan Freyberg、Jeremy Ratcliff、José R Penadés、Katherine Chou、Kavita Kulkarni、Keran Rong、Khaled Saab、Luka Rimanic、Marina Boia、Matthias Bellaiche、Nenad Tomašev、Ottavia Bertolli、Petar Sirkovic、Ryutaro Tanno、Tao Tu、Tiago R D Costa、Tom Sheffer、Vikram Dhillon、Yuan Guan、Amin Vahdat、James Manyika、Demis Hassabis、Yossi Matias 和 Pushmeet Kohli。

我们感谢我们的团队成员 Ali-Cowen Rivers、Anna Trostanetski、Barnaby James、Bill Byrne、Boon Panichprecha、Charlie Taylor、Diego Ballesteros、Hussein Hassan Harrirou、Ieva Grublyte、Ivan Lee、Jakob Oesignhaus、James Walker、Jorge Barrios、Laurynas Tamulevičius、Luka Važić、Meet Shah、Mihai Ciorobea、Natasha Latysheva、Nicolas Stroppa、Nir Kerem、Saz Basu、Sebastian Nowozin、Taylor Applebaum、Team Rakket、Thomas Wagner 和 Yaniv Carmel 提供的技术支持。

我们还要感谢 Carmela Sidrauski、Clare Bryant、Filippo Menolascina、Jonathan Gootenberg、Katherine Labbé、Matthew Onsum、Omar Abudayyeh、Ritu Raman、Ryan Flynn、Velia Siciliano 的合作。

最后，我们感谢 Ali Eslami、Andy Berndt、Ankur Jain、Anna Koivuniemi、Clemens Mayer、Dale Webster、Greg Corrado、Jason Freidenfelds、Jeff Dean、Joelle Barral、John Jumper、John Platt、Josh Woodward、Karen DeSalvo、Koray Kavukcuoglu、Michael Brenner、Michael Howell、Noam Shazeer、Oriol Vinyals、Parthasarathy Ranganathan、Ronit Levavi Morad、Royal Hansen、Scott Huffman、Srini Narayanan、Susan Thomas、Thomas Kurian、Zoubin Ghahramani 和 Sundar Pichai 对本工作的支持。