DeepMind报告：AI正在批量生产科学假设：但谁来证明它们是真的？

一个科学家团队花了近十年研究的问题，AI 智能体只用了两天，就给出了相同的答案。

帝国理工学院微生物学家 José Penadés 和他的团队长期研究一个问题：某些“超级细菌”究竟如何传播抗生素耐药性？经过多年研究，他们逐渐确认，一些细菌会获得来自病毒的尾部结构，并把它们当作“钥匙”，借此进入不同的宿主物种。

这项研究当时尚未发表。2024 年，Penadés 将一个简化后的研究问题交给谷歌 DeepMind 开发的 AI 智能体 Co-Scientist。48 小时内，Co-Scientist 给出了五种可能的解释，并按照优先级排序。排名第一的假设，正是团队多年实验得出的结论。

Penadés 的第一反应不是兴奋，而是怀疑自己的电脑遭到入侵。他随即联系谷歌，确认系统是否读取了实验室的未公开数据。得到的答案是否定的：AI 没有偷看答案。

更出人意料的是，Co-Scientist 提出的四个额外假设中，其中一个是研究团队此前没有考虑过的方向，目前正在被进一步研究。

Penadés 承认，如果在研究开始时就拥有这样的工具，团队确实可以少走很多年的弯路。但同样需要注意的是，即使 Co-Scientist 可以在两天内提出正确假设，却不能独立证明这个假设。真正让答案成为科学知识的，仍然是研究团队多年积累的实验数据。

近日，谷歌 DeepMind 发布了一篇报告《Conjecture Machines: AI agents and the new validation bottleneck in science》，讨论了 AI 智能体如何改变科学研究。报告通过采访多位内部研究人员和工程师，并结合 Co-Scientist、AlphaEvolve 等案例提出，智能体正在加速假设生成和候选方案搜索，但实验、评审和结果理解的速度并未同步提高，“验证”因而可能成为科学研究新的瓶颈。

为什么 AI 智能体变好用了？

在进一步讨论这一瓶颈之前，这份报告先解释了一个现状：早期的 AI 智能体表现并不稳定，而科学研究恰恰对严密性和可靠性要求极高。那么，是什么让智能体在近一年内突然具备了参与真实科研工作的能力？

报告将答案归结为三项因素：基础模型变得更强，模型外部的“脚手架”逐渐成熟，智能体也更容易根据具体科研需求进行定制。

（来源：DeepMind）

首先，基础模型的推理能力变强了。报告称，当前领先模型在 Humanity’s Last Exam、FrontierMath 等科学测试中的表现已经超过人类专家。相比测试成绩，更重要的变化是，模型不再急于给出答案，而是能够进行多步推理，在不同方案之间探索、比较和修正。

这使智能体可以处理更复杂的问题，从大量论文中寻找容易被忽视的信息，建立跨学科联系，并判断何时需要搜索文献、运行代码或调用其他工具。

其次，智能体有了更成熟的“脚手架”。它可以理解为包裹在基础模型之外的一套工作系统，为模型增加规划、记忆和使用工具的能力。借助这套系统，智能体可以检索论文、执行代码、使用科学软件，也可以与其他智能体协作。

早期脚手架往往只适用于特定模型或任务，模型升级后可能需要重新设计，也很难迁移到别的智能体系统上。随着智能体之间通信、调用工具的标准逐渐形成，这类系统有望更容易复用，减少对定制化脚手架的依赖。

第三，智能体变得更容易定制。基础模型掌握了论文和教科书中的大量知识，却缺少科学家在长期实践中积累的经验，例如如何培养特定细胞、处理实验异常，或者让复杂模拟顺利运行。

现在，研究人员可以把部分工作方法整理成“智能体技能”，用一组指令告诉智能体如何执行任务、调用哪些工具、产生什么结果。这些技能可以在团队内部共享和积累，实验室也可以在安全条件下，让智能体使用历史实验记录等内部资料。

在这一模式下，智能体并不是独立完成科学研究，而是承担文献整理、代码运行、数据分析和候选方案生成等工作。科学家则负责设定目标、检查结果并作出判断。

计算生物学家 Natasha Latysheva 已经把自己研究流程中的部分方法整理成了智能体技能。她认为，尽管目前的 AI 智能体还不完全可靠，科研人员的工作方式仍可能逐渐从亲自执行转向更高层次的调度。“我们每天会先检查智能体在夜间完成的实验和分析，再调整研究方向，安排下一轮任务。”

AI 智能体正在怎样改变科学研究？

AI 智能体带来的直接变化，是成为科学家的数字助手。文献筛选、数据库查询、数据整理和代码编写等任务，都可以部分交给智能体处理。谷歌 DeepMind 高级研究科学家 Matej Balog 认为，这能让研究人员能够完成一些过去受编程能力限制、难以独立完成的工作。

但报告更关注智能体对科研核心流程的影响，即从构思、寻找最优解到验证等阶段，AI 正在不同程度上参与科学发现。

构思阶段，科学家通常并不缺少想法，真正困难的是判断哪些方向值得投入时间和实验资源。智能体可以阅读大量公开文献，寻找分散在不同学科中的线索，再让多个子智能体分别提出假设、相互批评和排序。

斯坦福大学研究人员 Gary Peltz 曾使用 Co-Scientist 寻找可以被重新用于治疗肝纤维化的现有药物。根据文献和多年经验，Peltz 选出两个候选药物，Co-Scientist 则推荐了三个。

在人体肝细胞实验中，Peltz 选择的两个药物均未表现出效果。AI 推荐的三个候选中，有两个不仅抑制了纤维化，还促进了肝细胞再生。

这无疑是一个成功的案例。不过，智能体提出的假设并不一定可靠。Co-Scientist 负责人 Vivek Natarajan 提到，一份长篇分析中，即使只有一项关键内容由模型虚构，也可能使整个结论失效。他认为，科研智能体需要具备“认识论上的谦逊”，即能够判断自己何时缺少信息，并明确表达不确定性，而不是只给出一个看似完整的答案。

（来源：DeepMind）

构思之后，智能体还可以在大量候选方案中寻找更优解。AlphaEvolve 的方法是先生成多种候选算法，再按照预先设定的标准评分，保留表现较好的结果，并以此为基础继续迭代。据报告介绍，它已被用于辅助设计谷歌下一代 TPU 芯片、处理数学中的 Erdős 问题，以及改进基因组数据分析。

“算法几乎可以描述这个世界上的大部分科学和自然过程，”Balog 表示。正因如此，当一个问题能够用代码表达、候选方案又可以被快速评分时，智能体就能在较少人工干预的情况下持续搜索。

但在材料、化学和生命科学中，计算得分较高的方案通常只是一条线索。一个由智能体设计的催化剂仍需要被合成和测量，一种可能有效的药物也需要经过细胞、动物和临床实验。AI 可以加快候选方案的生成，却不能跳过现实验证。

数学和计算机科学在一定程度上是例外，因为部分验证可以在计算机中完成。DeepMind 开发的 Aletheia 将证明生成器与自然语言验证器结合起来：一个系统提出证明，另一个检查问题并将错误返回修改。在今年 2 月的首届 First Proof 挑战中，Aletheia 在一周内解决了十道未公开研究问题中的六道，是所有参赛系统中成绩最好的。

但自动验证也带来新的问题。Aletheia 项目负责人 Thang Luong 将其称为“证明消化不良”：AI 产生数学结果的速度，可能超过人类专家阅读和审查的速度。

同样从事数学 AI 研究的 Alex Davies 也在思考这场变革将把数学家推向何方。他说：“我可以想象这样一个世界：机器负责发现，而数学家要做的，是理解这些发现，并判断接下来哪些问题真正值得追问。”

从构思、搜索到验证，AI 智能体的作用逐步深入，但不同环节的进展并不一致。机器可以迅速增加假设和候选方案的数量，实验设施、专家审查和自然过程却无法以相同的速度扩张。

科研体系如何应对验证瓶颈？

随着 AI 智能体能够快速生成假设和候选方案，科研体系也需要扩大筛选、验证和理解这些结果的能力。报告认为，政策制定者和科研资助机构需要重点处理四个问题：智能体的可及性、科研数据、实验设施，以及同行评审。

第一，让更多科学家能够使用先进智能体。报告将其类比为过去的超级计算机的访问权，一个国家除了要考虑能否训练出自己的前沿模型，还需要考虑能否把智能体真正部署进大学和科研机构，以及实验室该如何承担相应费用。

虽然单位 AI 能力的成本可能持续下降，但随着科研人员把越来越多、越来越复杂的任务交给智能体，实验室在模型调用上的总支出恐怕不会同步减少。报告因此建议，科研资助机构需要尽快判断：是在现有资助项目中增加预算，还是设立专门针对智能体使用的新资助渠道。同时，报告也建议简化采购流程，让研究人员可以按实际需要自主选择工具，而不必经过繁琐审批。

第二，智能体需要能读取真正适合机器使用的科研数据。目前，不少科研资料以网页、PDF 或下载文件的形式存在，虽然可以供人阅读，却缺少统一格式、清晰的元数据和稳定接口，难以被智能体持续调用。

报告建议，将开放或风险较低的公共数据整理为“智能体就绪”的数据资源，并加强质量控制、长期维护和跨平台兼容。对于医疗、基因组和病毒学等敏感数据，则需要设置权限管理、隐私保护和操作审计机制。报告以英国 OpenSAFELY 项目为例：研究人员可以在受控环境中分析医疗数据，而无需直接接触原始数据，未来类似的机制也可以延伸到智能体的数据访问上。

第三，扩大实验验证能力。许多研究人员目前已经在为仪器和实验设施的排期发愁，而当智能体持续产出新的候选假设，需要被验证的项目只会越积越多。

报告提出了两条路径：一是加大对现有公共实验设施的投入，把更多实验台位和仪器运行时间开放给外部研究团队；二是推动自动化实验室建设，用机器人和自动化仪器全天候运行标准化实验。

谷歌 DeepMind 已经在英国弗朗西斯·克里克研究所建立了一间湿实验室，并为部分使用 Co-Scientist 的独立研究人员提供实验经费；美国的 Genesis Mission 计划则试图打通能源部下属国家实验室、高校和 AI 企业之间的资源。由于自动化实验室的建设成本高昂，报告建议采用公共投资和共享设施的模式，降低单个团队使用这些资源的门槛。

第四，调整同行评审机制。AI 已经大幅降低了撰写论文和基金申请书的成本，这意味着投稿和申请数量还会继续攀升，而文字表达本身也越来越难以直接反映研究质量。学者 James Wilsdon 和 Geraint Rees 就指出，问题不只是供给量的增加，写作质量本身已经不再是一个可靠的筛选标准。如果申请人普遍借助智能体准备材料，而评审者仍完全依靠人工逐一审阅，现有的评审压力只会进一步加剧。

报告建议，评审者同样可以借助智能体检查引用是否准确、数据是否存在错误、证据链是否完整，从而把更多精力留给对研究价值本身的判断。不过，由于评审材料通常尚未公开，相关工具的使用也需要满足严格的保密和数据安全要求。

此外，研究人员还需要更清楚地说明 AI 在研究中的作用。报告提到了“人机交互卡”（Human-AI Interaction Cards）这一设想：记录下产生关键研究思路时所使用的提示词、模型输出和后续的人工修改，让评审者能够追溯一项成果究竟是如何形成的。

显然，智能体的普及会影响下一代科研人才的培养。但如果年轻研究人员在真正掌握基础方法之前，就已经习惯把大量工作外包给 AI，未来可能难以形成审视和质疑机器输出所需的专业判断力。报告因此建议，科研训练体系可以保留一定的无智能体阶段，让学生先扎实掌握基本方法，再逐步把智能体当作协作伙伴使用。

1.https://datumo.com/blog/insight/co-scientist-google-ai-en/

2.https://deepmind.google/public-policy/conjecture-machines-ai-agents-and-the-new-validation-bottleneck-in-science/

运营/排版：何晨龙

注：封面由 AI 辅助生成