十年前，人們喊「嘿，谷歌」，只是為了查天氣、找資料。

如今，同樣的呼喚，卻可能換來一場足以改寫科學史的回答。

谷歌正在測試一種全新的角色：「AI聯合科學家」。

它不滿足于做你的數字秘書，而是走進實驗室，和頂尖研究員并肩工作。

更驚人的是，它只需短短幾天，就能提出科學家多年實驗才確認的假設；幾條指令，就能篩選出潛在的救命藥物。

這聽起來像科幻，可它已經在真實實驗中發生。

藥物再利用：AI勝過專家十年經驗？

在醫學研究里，藥物再利用一直是熱門卻棘手的賽道：已有藥物能否被賦予新使命，用來治療原本毫無辦法的疾病？

斯坦福大學的肝病學者Gary Peltz就選擇把這一問題拋給谷歌的「AI聯合科學家」。

他們的目標是肝纖維化——一種肝臟因損傷而逐步硬化的病癥，目前幾乎沒有有效療法。

Peltz團隊給AI下達任務：從文獻中尋找能作用于表觀遺傳調控器的現有藥物。

這些蛋白質決定基因如何開關，卻不改變DNA本身。

幾天推理后。AI交回了3種候選藥物；Peltz又憑經驗補充了2種

五種藥物一同被放入實驗室，檢測它們對肝細胞纖維化模型的效果。

結果讓人瞠目結舌：AI選中的兩種藥物成功顯著減輕纖維化，還顯示出促進肝細胞再生的跡象；而人類研究者挑選的兩種，卻完全無效。

AI推薦的藥物（Suggested 1、2）在實驗中顯著降低了成纖維細胞活性，表現出抗纖維化效果；而科學家自行挑選的藥物并未顯示出同等效果。

最終，團隊把目光鎖定在一種抗癌藥Vorinostat上——它在實驗中表現最亮眼，如今正準備進入臨床試驗階段。

在實驗室的首秀中，AI就給了人類科學家當頭一棒：不是靠運氣，而是憑推理與數據，找到了真正有潛力的「救命藥」。

細菌進化謎題：AI提前交出「標準答案」

如果說在藥物再利用上，AI只是展現了篩選能力，那么在微生物學研究中，它更像一個思維敏銳的推理家。

2023年，帝國理工學院的微生物學家José Penadés與Tiago Costa曾發現，一些寄生性DNA碎片能夠「搭便車」，借助入侵病毒的尾部在細菌群體間傳播。

但奇怪的是，這種機制似乎只在特定宿主中存在。

那么，為何同樣的DNA碎片，會出現在完全不同類型的細菌中？

多年的實驗工作，始終沒有給出明確答案。

于是，研究團隊決定把這一難題交給谷歌的「AI聯合科學家」。

他們把數據、背景論文，以及核心問題一并輸入，要求AI給出可能的解釋。

傳統科研流程vsAI聯合科學家：帝國理工團隊花費近10年才逐步驗證的細菌DNA傳播機制，AI在兩天內就生成并排序出相同假設，并提出額外可驗證的新思路。

兩天推理之后，AI提交了一系列假設，其中最具說服力的答案是：這些DNA碎片不僅能利用自身宿主的病毒尾巴，還能劫持鄰近細菌的病毒尾巴來完成跨物種傳播。

這一推測讓Penadés團隊震驚，因為他們的未發表數據早已暗示過這種機制。

換句話說，AI在短短兩天里獲得了他們多年實驗才得到的結論。

Penadés在接受采訪時直言：

我當時甚至懷疑AI入侵了電腦，偷看了我們的數據。

更出乎意料的是，AI提出的「次優假設」也正在被驗證。

它認為這些DNA片段可能通過細菌之間的直接接觸實現轉移。

圖中的藍色部分展示了一個實驗研究流程，該流程導致了在細菌物種間發現DNA轉移。橙色部分展示了AI如何迅速得出相同的結論。

對比實驗也揭示了差距：

研究者同時測試了其他通用大模型，包括OpenAI、Anthropic、DeepSeek，甚至谷歌的Gemini 2.0，但它們都沒能提出與實驗結果吻合的機制。唯有這套「聯合科學家」系統精準命中。

在Costa看來，這正說明AI不只是「拼接舊知識」，而是真正具備了推理和生成新假設的能力。

他說：

我們多年辛苦的實驗工作，它在兩天內就走完了。

AI如何學會「像科學家一樣思考」？

相比通用大模型，谷歌的「AI聯合科學家」最特別的一點在于——它不是一個「單體大腦」，而是一支由多個虛擬研究員組成的團隊。

在這個系統里，每個智能體都有明確分工。

有的負責天馬行空地提出假設；有的扮演批判者，不斷挑刺；有的進行修訂與優化，把模糊點補全；還有專門的排序者，對不同假設打分排名。

最上層，則有一個「監督者」像首席科學家一樣，統籌目標、分配算力、決定是否調用外部數據庫與科研工具。

整個過程更像是一場學術討論會，而不是一問一答的對話。

谷歌「AI聯合科學家」的工作流程：科學家輸入研究目標，監督者將任務分配給不同的智能體，經過生成、反思、演化、檢查等多輪迭代后，形成研究假設與方案，并可結合科學家的反饋不斷優化。

這種多輪迭代+內部競爭的架構，保證了最終輸出不是一時興起，而是經過了多輪推敲、優中選優的產物。

更關鍵的是，它改變了科研流程。

在傳統實驗中，研究者需要先提出假設，再花費數年去驗證；現在，AI可以在幾天內生成多個合理假設，研究者只需挑選最有潛力的進行驗證

這種「前置推理」大大降低了試錯成本，讓科學家的時間真正用在「確認」而不是「盲找」。

與此同時，類似的科研AI系統也在全球涌現。

斯坦福的Virtual Lab嘗試用語言模型自動生成實驗設計。

非營利組織FutureHouse在搭建開放科研助手。

可以預見，一場關于「誰來做科學發現」的競賽，已經悄然拉開帷幕。

發現者還是助手？AI科研的爭議與前景

在斯坦福和帝國理工的實驗中，谷歌的「AI聯合科學家」展示了令人震驚的推理與發現能力。

但圍繞它的角色定位，也存在顯著爭論：它究竟是「真正的科研伙伴」，還是僅僅是一個高級輔助工具？

支持派 的聲音認為，AI 可極大提升科研效率，成為科學家不可或缺的助力。

生命科學數據平臺Elucidata的Kriti Gaur在白皮書中評價：

谷歌的AI聯合科學家作為科研助手表現出色……它能減少研究者的認知負荷，并能簡化信息獲取的流程。

質疑派則提醒，要警惕「神化」AI：

篇論文指出，如果缺乏強有力的實驗執行與驗證能力，AI科學家類系統往往會停留在「重組舊知識」的層面。

IEEE Spectrum在一篇評論中也提到，若把AI當作自主研究者，可能導致科研問題多樣性下降，研究議題更容易被限制在AI擅長的范圍。

中間派的看法則更現實：AI更像一名聰明但尚需指導的初級同事。

科學家依然要提出問題、質疑推理、設計實驗。AI縮短的只是生成假設的路徑，而不是科學探索的全部復雜性。

在未來，谷歌的「AI聯合科學家」正被多家機構納入試點。

谷歌官方博客也確認，目前的「信任測試者計劃」已滿員，但未來會逐步擴大開放。

可以預見，不久的將來，科研人員啟動新項目時，也許會像開會討論一樣自然地說一句：

讓AI一起來想想吧。

從藥物再利用到細菌進化謎題，谷歌「AI聯合科學家」用兩次實驗讓人看到科研加速的可能。

它能在幾天內給出科學家多年才得到的答案，卻也引發質疑：

它是發現者，還是高級助理？未來某天，當頂刊論文的署名欄里真的出現「AI」，你會鼓掌，還是猶豫？