近日，谷歌DeepMind发布了一篇名为“Conjecture Machines: AI agents and the new validation bottleneck in science”的文章。

作者与10位研究人员和工程师进行了访谈，预测了AI for Science未来的趋势，并直言：

过去的一年里，AI彻底改变了编程行业，下一个迎来颠覆的行业或许就是科学研究。

首先在谷歌团队看来，科学研究行业与智能体技术是高度契合的：有大量文献以文本形式存在、拥有庞大的数据库且部分工作流已围绕代码构建而成。

在这里他们介绍了一个真实存在的案例，数十年的研究成功是如何被AI智能体在两天内破解的。

伦敦帝国理工学院的微生物学家José Penadés及其团队在过去的近10年的时间里一直在研究一种超级细菌家族如何传播抗生素耐药性。

相关研究结果尚未发表，仅在实验室内部知晓。随后在2024年，他向谷歌 DeepMind的AI科学家智能体Co-Scientist描述了这个问题。

只用了两天，Co-Scientist就给出了五项推断，并按优先级进行了排序，其中第1项与惊人的与Penadés团队的假说相同。

惊讶之余，Penadés首先想到的是自己的电脑可能已被侵入，于是便给谷歌发送了一封电子邮件进行确认，但结果证实并无数据被窥探。

Conjecture Machines: AI agents and the new validation bottleneck in science

此外，文章还探讨了“为什么AI科研智能体会获得成功?”“AI科研智能体都能做到哪些事”，并预测“验证环节”(也就是实验室)才是AI4S竞争的真正关键。

01

永不疲惫的科研助手

在谷歌看来，让AI科研智能体发生质变的主要原因有三点。

更强大的前沿模型、丰富的“工具包”(使智能体拥有更强大的功能)以及可定制性(这种特性使科学家能够根据需求对代理进行定制)。

至于这些工具带来的改变，用最直接的语言来表达就是：科学家们现在获得了一群足够聪明且永远不知疲倦的AI助手。

筛选文献、查询数据库、组织分析、整理数据、撰写申请报告等繁琐的内容可以交由这些助手处理，它们能在数分钟内完成这些工作，而无需耗时数小时或数日。

另一个重要意义是，AI科研智能体实现了极低门槛，甚至无门槛编程。但这些都还没有触及科研研究的核心环节，也就是“构思-寻找最优解-验证”的闭环。

首先是构思，AI智能体的长项在于能建立跨学科的联系，能以人类望尘莫及的效率消化某一领域可获取的全部文献。

还是以谷歌的Co-Scientist为例，该工具可以指挥大量子智能体生成各种假设，对其进行批判、排序和迭代，模拟人类研究团队的运作方式。

在实测中，斯坦福大学的Gary Peltz团队利用Co-Scientist寻找可用于治疗肝纤维化的药物，同时他基于自己的文献综述和数十年的专业经验进行同步研究。

结果，人类科学家筛选出了2种候选药物，Co-Scientist筛选出了3种，并且人类选择的两种药物在活体人肝细胞实验中未显示出任何疗效，而AI选择的两项研究成果不仅抑制了纤维化，还促进了肝细胞再生。

如何寻找最优解?也是科学家常常面临的问题。

谷歌旗下的另一个智能体AlphaEvolve就擅长寻找最佳候选方案，曾协助谷歌设计下一代TPU芯片、帮助数学家陶哲轩解决了埃尔德什未解难题，并改进了基因组学数据的分析。

02

得实验室者得天下 AI4S迈入深水区

而验证，被视为真正决定了AI4S工具生死的关键，因为随着AI4S工具的逐渐增多，验证的差距正在扩大，而非缩小。

你现在可以很轻松的找到一些AI智能体来提出一种新颖的基因线索来逆转细胞老化，但却无法确定它是否确实有效。这解释了为什么像 Google DeepMind、Ginkgo Bioworks 和 Lila Sciences 这样的公司正投资于自动化实验室。

资本的流向也证明了这一点，在智药局统计的AI4S重要融资事件中，AI模型+自动化实验机器人+Agent已经成为巨额融资的标配。