CEO皮猜親自站臺(tái)，谷歌的最新研究狠狠火了——

為科學(xué)家群體推出“科研搭子”AI co-scientist，一個(gè)能夠利用高級(jí)推理綜合大量文獻(xiàn)、生成新穎假設(shè)，并提出詳細(xì)研究計(jì)劃的多智能體AI系統(tǒng)。

劃重點(diǎn)，該系統(tǒng)將與OpenAI o1/DeepSeek-R1相似的測(cè)試時(shí)間計(jì)算用來(lái)加速科學(xué)發(fā)現(xiàn)。

據(jù)皮猜介紹，這個(gè)系統(tǒng)已經(jīng)在肝臟纖維化治療、抗菌耐藥性和藥物再利用等重要研究領(lǐng)域取得了初步成果。

而且趁熱打鐵，谷歌這次還面向全球科學(xué)家推出了一個(gè)“可信測(cè)試計(jì)劃”，大家現(xiàn)在都可以申請(qǐng)。

另外，從致謝名單可以看到，這項(xiàng)研究集齊了谷歌內(nèi)部豪華陣容，包括Google Research、Deepmind以及Cloud AI teams，還有頂尖高?？茖W(xué)家參與測(cè)試……

正如網(wǎng)友所言，說(shuō)不定AI智能體未來(lái)某天就獲得諾貝爾獎(jiǎng)了。

文獻(xiàn)綜述/提出假設(shè)/報(bào)告一條龍搞定

直接來(lái)看AI co-scientist的運(yùn)作過(guò)程。

其目標(biāo)非常清晰，當(dāng)科學(xué)家文字給出研究主題后，它會(huì)借助多個(gè)AI智能體幫助生成新的研究假設(shè)、詳細(xì)的研究概述和實(shí)驗(yàn)方案。

參與其中的智能體包括但不限于：

• 生成（Generation）：提出新的假設(shè)或想法
• 反思（Reflection）：評(píng)估和分析生成的假設(shè)
• 排名（Ranking）：對(duì)假設(shè)進(jìn)行優(yōu)先級(jí)排序
• 進(jìn)化（Evolution）：通過(guò)迭代改進(jìn)假設(shè)
• 鄰近性（Proximity）：探索與現(xiàn)有知識(shí)相近或相關(guān)的領(lǐng)域
• 元審查（Meta-review）：對(duì)整個(gè)過(guò)程進(jìn)行監(jiān)督和優(yōu)化

這些智能體通過(guò)自動(dòng)化反饋不斷迭代，生成、評(píng)估和改進(jìn)假設(shè)，從而形成自我優(yōu)化循環(huán)，最終輸出高質(zhì)量研究方案。

而作為科學(xué)家，具體可以通過(guò)以下幾種方式參與協(xié)作。

比如最開(kāi)始給系統(tǒng)提供粗略的想法或一些研究主題or方向，讓它幫你進(jìn)一步細(xì)化；或者對(duì)AI的輸出提供自然語(yǔ)言反饋，讓它進(jìn)一步調(diào)整。

此外，科學(xué)家還能使用其他工具，如網(wǎng)絡(luò)搜索或一些專業(yè)領(lǐng)域的AI模型，來(lái)進(jìn)一步提高研究質(zhì)量。

深挖二者具體協(xié)作過(guò)程，還能看到當(dāng)科學(xué)家提出研究目標(biāo)后，有一個(gè)監(jiān)督智能體（Supervisor Agent）來(lái)負(fù)責(zé)工作分配。

• 專業(yè)智能體（紅色框，具有獨(dú)特的角色和邏輯）；
• 科學(xué)家的輸入和反饋（藍(lán)色框）；
• 系統(tǒng)信息流（深灰色箭頭）；
• 智能體間的反饋（智能體內(nèi)部的紅色箭頭）。

從上面可以看出，整個(gè)AI co-scientist系統(tǒng)的運(yùn)作較為簡(jiǎn)單。

測(cè)試時(shí)間計(jì)算用于科學(xué)發(fā)現(xiàn)

當(dāng)然，這項(xiàng)研究的主要亮點(diǎn)是：

擴(kuò)展測(cè)試時(shí)間計(jì)算（test-time）來(lái)大大增強(qiáng)其推理能力，包括上面提到的自我對(duì)弈、假設(shè)排名和進(jìn)化過(guò)程等關(guān)鍵推理步驟。

在研究中，AI co-scientist利用Elo評(píng)級(jí)系統(tǒng)來(lái)衡量和提升其在解決科學(xué)問(wèn)題方面的能力。

具體而言，Elo評(píng)級(jí)是一個(gè)動(dòng)態(tài)的評(píng)估指標(biāo)，通常用于衡量比賽者的相對(duì)技能水平。研究人員對(duì)比了AI co-scientist（藍(lán)色線）和Gemini 2.0（紅色線）在GPQA（General Problem-solving Question Answering）基準(zhǔn)測(cè)試上的平均準(zhǔn)確率。

結(jié)果發(fā)現(xiàn)，高Elo評(píng)級(jí)的系統(tǒng)在解決挑戰(zhàn)性問(wèn)題時(shí)，能夠提供更準(zhǔn)確答案。（正相關(guān)）

這表明了，Elo評(píng)級(jí)可以作為一個(gè)有效的指標(biāo)，用來(lái)預(yù)測(cè)和提升AI co-scientist在科學(xué)問(wèn)題解決方面的性能。

接下來(lái)，七位領(lǐng)域?qū)＜揖x了15個(gè)開(kāi)放的研究目標(biāo)，并提出了相應(yīng)的最佳解決方案。

目標(biāo)是，利用自動(dòng)化的Elo評(píng)估指標(biāo)，來(lái)對(duì)比AI co-scientist和其他最先進(jìn)智能體和推理模型（Gemini 2.0 Pro版本和推理版本，以及人類專家）在解決這些復(fù)雜問(wèn)題上的表現(xiàn)。

結(jié)果顯示，AI co-scientist明顯表現(xiàn)最佳。

此外，隨著AI系統(tǒng)投入更多時(shí)間進(jìn)行推理和改進(jìn)，其自我評(píng)估的質(zhì)量得到了顯著提升，甚至超出了傳統(tǒng)模型以及在某些情況下無(wú)法解決問(wèn)題的人類專家的水平。

更關(guān)鍵的，基于對(duì)11個(gè)研究目標(biāo)子集的分析，專家評(píng)估認(rèn)為AI co-scientist在新穎性和影響力方面的表現(xiàn)優(yōu)于其他基線模型。

為了進(jìn)一步評(píng)估AI co-scientist用于科學(xué)發(fā)現(xiàn)的實(shí)際潛力，研究團(tuán)隊(duì)進(jìn)行了一系列端到端的實(shí)驗(yàn)室實(shí)驗(yàn)。

這些實(shí)驗(yàn)專注于三個(gè)關(guān)鍵的生物醫(yī)學(xué)領(lǐng)域：藥物再利用、新治療靶點(diǎn)的提出以及抗菌耐藥性的背后機(jī)制。

實(shí)驗(yàn)中，AI co-scientist不僅受到了專家的指導(dǎo)和反饋，而且涵蓋了從簡(jiǎn)單到復(fù)雜的多種研究場(chǎng)景。

話不多說(shuō)，我們具體來(lái)看其取得的初步成果。

首先，藥物再利用是一種將已經(jīng)批準(zhǔn)用于其他疾病的藥物用于治療新疾病的策略。這種方法能夠縮短藥物開(kāi)發(fā)的時(shí)間和成本，并且可以快速地將有效的治療方案帶給患者。

這一次，研究人員將目光瞄準(zhǔn)了急性髓系白血?。ˋML），AI co-scientist通過(guò)分析大量的生物醫(yī)學(xué)數(shù)據(jù)，包括藥物的化學(xué)結(jié)構(gòu)、藥效學(xué)和遺傳信息，來(lái)預(yù)測(cè)哪些現(xiàn)有藥物可能對(duì)AML有效。

最終，AI co-scientist提出了3種可能藥物。而且在進(jìn)一步驗(yàn)證中，它所建議的藥物在多個(gè)AML細(xì)胞系中，以臨床相關(guān)的濃度抑制了腫瘤的活力，證明了其有效性。

而比藥物再利用更復(fù)雜的識(shí)別新型治療靶點(diǎn)中，研究人員聚焦于肝纖維化這種疾病。

肝纖維化的治療是當(dāng)前肝病研究的重點(diǎn)，而尋找有效的治療靶點(diǎn)是關(guān)鍵。

過(guò)程中，AI co-scientist通過(guò)對(duì)大量生物醫(yī)學(xué)數(shù)據(jù)的分析，包括基因表達(dá)譜、蛋白質(zhì)互作網(wǎng)絡(luò)和已知藥物數(shù)據(jù)庫(kù)，來(lái)識(shí)別與肝纖維化相關(guān)的關(guān)鍵分子和生物學(xué)路徑。

對(duì)比它所提出的一系列潛在治療方案，和傳統(tǒng)的纖維化誘導(dǎo)劑（作為陰性對(duì)照）以及抑制劑（作為陽(yáng)性對(duì)照）來(lái)看，所有由AI co-scientist建議的藥物都顯示出有希望的活性（p值小于0.01）。

這意味著這些藥物在治療肝纖維化方面具有很高的可能性。

最后，在第三次實(shí)驗(yàn)中，通過(guò)分析大量的遺傳學(xué)、蛋白質(zhì)結(jié)構(gòu)和藥物活性數(shù)據(jù)，AI co-scientist也被發(fā)現(xiàn)能夠識(shí)別和預(yù)測(cè)細(xì)菌耐藥的潛在機(jī)制。

具體而言，在囊膜形成噬菌體誘導(dǎo)的染色體島（cf-PICIs）中，研究人員利用AI co-scientist的能力來(lái)探索cf-PICIs在多種細(xì)菌物種中的存在和功能機(jī)制。

AI co-scientist通過(guò)分析和整合大量的生物學(xué)文獻(xiàn)和數(shù)據(jù)，獨(dú)立提出了一個(gè)新的假設(shè)：

cf-PICIs可能通過(guò)與多種噬菌體尾部相互作用來(lái)擴(kuò)大其宿主范圍。

而這一假設(shè)得到了實(shí)驗(yàn)室實(shí)驗(yàn)的驗(yàn)證。

不過(guò)需要提醒，盡管AI co-scientist已經(jīng)在科學(xué)發(fā)現(xiàn)上取得一系列初步成果，但谷歌也點(diǎn)出了其局限性：

文獻(xiàn)綜述能力、事實(shí)核查、與外部工具的交叉檢查、自動(dòng)評(píng)估技術(shù)以及更大規(guī)模的評(píng)估等，均需要進(jìn)一步完善。

現(xiàn)在，感興趣的研究人員or團(tuán)隊(duì)可以申請(qǐng)一波了~

申請(qǐng)地址：https://docs.google.com/forms/d/e/1FAIpQLSdvw_8IPrc8O7ZM8FKF46i8BnOYMeSeyLeBNiuk_yGWIlnxYA/viewform