两款AI科学助手在药物重定位任务中展现潜力
本周《自然》杂志发表了两篇论文，分别介绍了两款旨在帮助科学家提出和验证假设的人工智能系统。其中，谷歌的“Co-Scientist”被设计为“科学家在环”模式，即研究人员不断用其判断来指导系统。而来自非营利组织FutureHouse的系统则更进一步，能分析特定实验类型产生的生物学数据。尽管谷歌声称其系统也适用于物理学，但两篇论文均以生物学数据为主，且假设相对直接——某种药物对某疾病有效。这并非试图取代科学家或科学过程，而是利用AI最擅长的能力：处理人类难以驾驭的海量信息。
系统差异与共同目标
两套系统均属于“代理型”AI，它们在后台运行，调用外部工具来完成任务（微软的AI科学助手也采取了类似策略；OpenAI似乎是个例外，它仅针对生物学微调了大语言模型）。尽管存在差异，但它们的共同目标是应对科学信息的泛滥：在线出版使得期刊数量激增，论文数量随之膨胀，研究人员很难跟上本领域进展，更不用说跨领域发现潜在关联。
FutureHouse团队指出：“通过专注于‘组合合成’（识别不同领域间的非明显联系），Robin系统有效瞄准了人类专家因知识分割而可能忽略的‘低垂果实’。”这正是AI的用武之地——在研究人员处理其他事务时，在后台消化同行评审文献。
药物重定位的实际验证
两篇论文均聚焦于药物重定位任务，即寻找已有药物（如癌症治疗药物）的新用途。谷歌的Co-Scientist在多个任务上表现出色，其中一项涉及肝纤维化治疗。系统基于现有文献和数据库，提出了一种候选药物方案，而该方案随后在实验室测试中得到了验证。FutureHouse的Robin系统则展示了从假设生成到数据分析的完整流程：它能阅读论文、提取关键数据，并针对特定问题（如药物靶点）进行推理。在测试中，Robin成功识别出可用于治疗罕见病的已上市药物，其推测的准确性得到了后续实验支持。
局限与展望
尽管结果令人鼓舞，但两篇论文也指出了当前AI系统的局限性。首先，它们高度依赖已有数据的质量——如果文献存在偏倚或实验设计有缺陷，AI的结论也会受影响。其次，AI目前仅能处理相对简单的假设（如“药物A对疾病B有效”），对于涉及复杂机制或因果关系的科学问题，仍需要人类科学家的深度参与。此外，系统的可靠性仍需更多独立验证：Nature论文中展示的成功案例数量有限，且多来自公开数据集，实际应用中的真实效果尚待评估。
总体而言，这些AI助手更像是“科学家的副驾驶”，而非“自动驾驶仪”。它们能加速文献综述、生成候选假设，但最终的设计、验证和解释仍需由人类主导。未来，随着AI系统能力的提升和数据源的扩展，这类工具或将成为科研基础设施的一部分，帮助科学家在信息爆炸的时代保持洞察力。