谷歌DeepMind的「Co-Scientist」现已能直接操控实验设备

谷歌DeepMind已将其多智能体系统Co-Scientist从单纯的假设生成工具,扩展为深度嵌入实验室的科研伙伴。据该公司发布的最新研究,这套基于最新Gemini模型构建的系统,如今已在三个科学领域取得经过实验验证的成果——它不再只是提出想法,而是能够规划实验、编写代码,部分情况下甚至直接操控实验设备。

从创意生成器到闭环科研工作流

据The Decoder报道,谷歌于2025年2月发布了最初版本的Co-Scientist,当时基于Gemini 2.0构建,在事实核查和文献检索方面存在明显短板。如今,该系统在技术上的新突破在于一套闭环工作流程:从一个科研问题出发,Co-Scientist会推导出假设,再将其转化为具体的实验方案、程序代码或机器可读的实验室操作规程,评估结果,并据此生成科学论文初稿。系统内置的一个核查模块会自动将最终文本中出现的每一个数字,与生成代码的实际执行记录进行比对,以减少捏造结果的情况。

根据谷歌在其官方博客中的描述,Co-Scientist的运作方式是一个由多个专业化智能体组成的联合体,分三个阶段协同工作:首先,若干智能体提出假设并探索多种研究方向;随后,一个智能体充当虚拟同行评审员,另一个智能体则让入选的想法在「创意锦标赛」中相互竞争;最后阶段,智能体对最优假设进行提炼、组合与改进,并将结果为人类科学家总结呈现。一个统筹型的监督智能体协调整个流程,将研究目标拆解为具体任务,并分配给各专业智能体。

三个领域,三种自主程度

• 材料科学:Co-Scientist设计合成方案,由人类在实验室中执行。
• 生物学:系统在专家反复反馈的基础上,独立构建出一套预测流程。
• 计算机科学:Co-Scientist完全自主运作,无需人类干预。

在材料科学领域,研究团队将Co-Scientist与一台半自动高温炉连接。该系统为一种此前主要依赖危险蚀刻工艺制备的抢手二维材料,找到了一条更安全的合成路径,并生成了针对现有实验室设备量身定制的完整生长配方。据The Decoder报道,经过25轮由人类参与优化的试验后,该流程生成了据称在特性上与目标材料相近的层状结构——不过对其原子结构的最终确认仍有待完成。在第二项实验中,三种半导体薄膜的合成均在首次尝试时便获成功:借助Gemini 3 Deep Think直接操控设备,配方研发时间从数天缩短至数分钟,但所得晶体相比经过长期精细优化的配方产物,尺寸更小、均匀性也较差。

在生物学领域,Co-Scientist自主构建了一套图像分析流程,用于预测经基因改造的大肠杆菌菌落在不同化学浓度下会形成何种图案——由Gemini 3 Pro Image生成的预测结果,在四项形态特征中的三项上,与尚未公开的实验室结果相吻合。不过研究人员强调,该系统目前只能在已知条件之间进行推断,尚无法对全新体系作出预测。在完全自主完成的计算机科学实验中,Co-Scientist设计出名为「Agent_H」的医疗AI架构,该架构能对接收到的查询进行分类,并行生成数十个候选回答,再对其加以完善。在针对过长回答进行校正后,据研究显示,Agent_H在医疗基准测试中的表现超过了包括GPT-5和Claude Opus 5在内的六个前沿模型——但由三名专科医生进行的评估,大幅削弱了这一优势:在九个评估类别中,仅有一项相较基准模型Gemini 3.1 Pro显示出具有统计学意义的优势,即产生潜在有害回答的风险更低。

核查模块使捏造结果大幅减少

自主AI科研系统面临的一个核心问题是结果捏造:如果智能体因取得良好结果而获得奖励,它便有动机直接编造结果。研究人员表示,以往系统的捏造率高达80%至100%。Co-Scientist一方面在生成捏造或抄袭内容时会受到惩罚,另一方面,一个独立的核查模块会将文本中的每一个数字,与已执行代码的实际结果进行比对。在一项由30名领域专家参与、包含450次独立评审、检验了150篇自主生成论文的双盲研究中,启用可靠性模块后,重要结果被捏造的比例降至4%;未启用时该比例为46%,而对照系统更是高达90%。完全凭空捏造的数据在Co-Scientist中已不再出现,而对照系统中这一比例仍达44%。此外,一套内置的安全架构还拒绝了98.7%潜在有害的研究方向。

该系统在论文中写入了看似非常合理、但与实际执行代码并不相符的研究方法。

距离完全自主的科研人员仍有很长的路要走

尽管取得了这些进展,完全自动化的科学研究仍是遥远的目标:在材料合成过程中,人类仍需手动装载样品和前驱体,而据施密德加尔透露,所发现的配方能否迁移到其他实验室,目前仍是未知数。尽管如此,这一话题依然切中了当下的时代脉搏——自动化科研目前被视为人工智能最具前景的应用领域之一。据The Decoder报道,OpenAI也计划在今年秋季推出一套智能体系统,使其能够以至少相当于实习生的水平自主开展研究。至于这类基于大语言模型的系统究竟是真正发现了新知识,还是仅仅将数据中原本隐含的知识显性化,研究者之间的争论仍在持续。谷歌自身也在其博客文章中列举了具体应用案例:多个团队正在利用Co-Scientist,寻找新型传染病背后的分子开关、加速肝脏疾病机制的发现、整合生物学工具以探索治疗渐冻症(ALS)的新方法,以及加快寻找逆转细胞衰老的基因线索。该系统正通过「Hypothesis Generation」这一由谷歌DeepMind、谷歌研究院、谷歌云与谷歌实验室联合开发的全新实验性工具,逐步向个体研究者开放。

这对中国的科研机构和企业意味着什么:在材料科学、制药或生物科技领域工作的实验室,如今通过Co-Scientist这样的工具,首次能够具体设想一种助手——它不仅能总结文献,还能自主给出可核查的实验方案,并内置了防止结果捏造的核查机制。对于在国际科研经费与论文发表竞争中角力的中国高校和科研院所而言,问题已不再是人工智能是否会参与实验室工作,而是自身的基础设施——从自动化高温炉到机器人实验室——能以多快速度做好与之协作的准备。