仅2天！谷歌AI破解十年谜题，锁定救命药人类全失手

【导读】谷歌的AI走进实验室，它不再满足于做「数字秘书」，而是敢与科学家同桌辩论：两天时间，就能给出人类十年实验的答案。它到底是科研的加速器，还是被过度神化的幻觉？「AI联合科学家」的登场，正让科学世界既兴奋又不安。

十年前，人们喊「嘿，谷歌」，只是为了查天气、找资料。

如今，同样的呼唤，却可能换来一场足以改写科学史的回答。

谷歌正在测试一种全新的角色：「AI联合科学家」。

它不满足于做你的数字秘书，而是走进实验室，和顶尖研究员并肩工作。

更惊人的是，它只需短短几天，就能提出科学家多年实验才确认的假设；几条指令，就能筛选出潜在的救命药物。

这听起来像科幻，可它已经在真实实验中发生。

药物再利用：AI胜过专家十年经验？

在医学研究里，药物再利用一直是热门却棘手的赛道：已有药物能否被赋予新使命，用来治疗原本毫无办法的疾病？

斯坦福大学的肝病学者Gary Peltz就选择把这一问题抛给谷歌的「AI联合科学家」。

他们的目标是肝纤维化——一种肝脏因损伤而逐步硬化的病症，目前几乎没有有效疗法。

Peltz团队给AI下达任务：从文献中寻找能作用于表观遗传调控器的现有药物。

这些蛋白质决定基因如何开关，却不改变DNA本身。

几天推理后。AI交回了3种候选药物；Peltz又凭经验补充了2种

五种药物一同被放入实验室，检测它们对肝细胞纤维化模型的效果。

结果让人瞠目结舌：AI选中的两种药物成功显著减轻纤维化，还显示出促进肝细胞再生的迹象；而人类研究者挑选的两种，却完全无效。

AI推荐的药物（Suggested 1、2）在实验中显著降低了成纤维细胞活性，表现出抗纤维化效果；而科学家自行挑选的药物并未显示出同等效果。

最终，团队把目光锁定在一种抗癌药Vorinostat上——它在实验中表现最亮眼，如今正准备进入临床试验阶段。

在实验室的首秀中，AI就给了人类科学家当头一棒：不是靠运气，而是凭推理与数据，找到了真正有潜力的「救命药」。

细菌进化谜题：AI提前交出「标准答案」

如果说在药物再利用上，AI只是展现了筛选能力，那么在微生物学研究中，它更像一个思维敏锐的推理家。

2023年，帝国理工学院的微生物学家José Penadés与Tiago Costa曾发现，一些寄生性DNA碎片能够「搭便车」，借助入侵病毒的尾部在细菌群体间传播。

但奇怪的是，这种机制似乎只在特定宿主中存在。

那么，为何同样的DNA碎片，会出现在完全不同类型的细菌中？

多年的实验工作，始终没有给出明确答案。

于是，研究团队决定把这一难题交给谷歌的「AI联合科学家」。

他们把数据、背景论文，以及核心问题一并输入，要求AI给出可能的解释。

传统科研流程vsAI联合科学家：帝国理工团队花费近10年才逐步验证的细菌DNA传播机制，AI在两天内就生成并排序出相同假设，并提出额外可验证的新思路。

两天推理之后，AI提交了一系列假设，其中最具说服力的答案是：这些DNA碎片不仅能利用自身宿主的病毒尾巴，还能劫持邻近细菌的病毒尾巴来完成跨物种传播。

这一推测让Penadés团队震惊，因为他们的未发表数据早已暗示过这种机制。

换句话说，AI在短短两天里获得了他们多年实验才得到的结论。

Penadés在接受采访时直言：

我当时甚至怀疑AI入侵了电脑，偷看了我们的数据。

更出乎意料的是，AI提出的「次优假设」也正在被验证。

它认为这些DNA片段可能通过细菌之间的直接接触实现转移。

图中的蓝色部分展示了一个实验研究流程，该流程导致了在细菌物种间发现DNA转移。橙色部分展示了AI如何迅速得出相同的结论。

对比实验也揭示了差距：

研究者同时测试了其他通用大模型，包括OpenAI、Anthropic、DeepSeek，甚至谷歌的Gemini 2.0，但它们都没能提出与实验结果吻合的机制。唯有这套「联合科学家」系统精准命中。

在Costa看来，这正说明AI不只是「拼接旧知识」，而是真正具备了推理和生成新假设的能力。

他说：

我们多年辛苦的实验工作，它在两天内就走完了。

AI如何学会「像科学家一样思考」？

相比通用大模型，谷歌的「AI联合科学家」最特别的一点在于——它不是一个「单体大脑」，而是一支由多个虚拟研究员组成的团队。

在这个系统里，每个智能体都有明确分工。

有的负责天马行空地提出假设；有的扮演批判者，不断挑刺；有的进行修订与优化，把模糊点补全；还有专门的排序者，对不同假设打分排名。

最上层，则有一个「监督者」像首席科学家一样，统筹目标、分配算力、决定是否调用外部数据库与科研工具。

整个过程更像是一场学术讨论会，而不是一问一答的对话。

谷歌「AI联合科学家」的工作流程：科学家输入研究目标，监督者将任务分配给不同的智能体，经过生成、反思、演化、检查等多轮迭代后，形成研究假设与方案，并可结合科学家的反馈不断优化。

这种多轮迭代+内部竞争的架构，保证了最终输出不是一时兴起，而是经过了多轮推敲、优中选优的产物。

更关键的是，它改变了科研流程。

在传统实验中，研究者需要先提出假设，再花费数年去验证；现在，AI可以在几天内生成多个合理假设，研究者只需挑选最有潜力的进行验证

这种「前置推理」大大降低了试错成本，让科学家的时间真正用在「确认」而不是「盲找」。

与此同时，类似的科研AI系统也在全球涌现。

斯坦福的Virtual Lab尝试用语言模型自动生成实验设计。

非营利组织FutureHouse在搭建开放科研助手。

可以预见，一场关于「谁来做科学发现」的竞赛，已经悄然拉开帷幕。

发现者还是助手？AI科研的争议与前景

在斯坦福和帝国理工的实验中，谷歌的「AI联合科学家」展示了令人震惊的推理与发现能力。

但围绕它的角色定位，也存在显著争论：它究竟是「真正的科研伙伴」，还是仅仅是一个高级辅助工具？

支持派的声音认为，AI 可极大提升科研效率，成为科学家不可或缺的助力。

生命科学数据平台Elucidata的Kriti Gaur在白皮书中评价：

谷歌的AI联合科学家作为科研助手表现出色……它能减少研究者的认知负荷，并能简化信息获取的流程。

质疑派则提醒，要警惕「神化」AI：

篇论文指出，如果缺乏强有力的实验执行与验证能力，AI科学家类系统往往会停留在「重组旧知识」的层面。

IEEE Spectrum在一篇评论中也提到，若把AI当作自主研究者，可能导致科研问题多样性下降，研究议题更容易被限制在AI擅长的范围。

中间派的看法则更现实：AI更像一名聪明但尚需指导的初级同事。

科学家依然要提出问题、质疑推理、设计实验。AI缩短的只是生成假设的路径，而不是科学探索的全部复杂性。

在未来，谷歌的「AI联合科学家」正被多家机构纳入试点。

谷歌官方博客也确认，目前的「信任测试者计划」已满员，但未来会逐步扩大开放。

可以预见，不久的将来，科研人员启动新项目时，也许会像开会讨论一样自然地说一句：

让AI一起来想想吧。

从药物再利用到细菌进化谜题，谷歌「AI联合科学家」用两次实验让人看到科研加速的可能。

它能在几天内给出科学家多年才得到的答案，却也引发质疑：

它是发现者，还是高级助理？未来某天，当顶刊论文的署名栏里真的出现「AI」，你会鼓掌，还是犹豫？

参考资料：

https://spectrum.ieee.org/ai-co-scientis