Google DeepMind的「Co-Scientist」現已能直接操控實驗設備

Google DeepMind已將其多代理系統Co-Scientist,從單純的假設生成工具,擴展為深度整合實驗室的研究夥伴。根據該公司發布的最新研究,這套以最新Gemini模型建構的系統,如今已在三個科學領域取得經實驗驗證的成果——它不再只是提出構想,而是能規劃實驗、撰寫程式碼,部分情況下甚至直接操控實驗設備。

從創意生成器到閉環研究工作流程

根據The Decoder報導,Google於2025年2月發表了最初版本的Co-Scientist,當時以Gemini 2.0為基礎,在事實查核與文獻檢索方面存在明顯弱點。如今該系統在技術上的新突破,在於一套閉環工作流程:從一個研究問題出發,Co-Scientist會推導出假設,再將其轉化為具體的實驗方案、程式碼或機器可讀的實驗室操作規程,評估結果,並據此生成科學論文初稿。系統內建的一個查核模組,會自動將最終文本中出現的每一個數字,與生成程式碼的實際執行紀錄進行比對,以減少捏造結果的情況。

根據Google在自家部落格中的描述,Co-Scientist的運作方式是由多個專業化代理組成的聯合體,分三個階段協同運作:首先,若干代理提出假設並探索多種研究方向;接著,一個代理擔任虛擬同行評審,另一個代理則讓入選的構想在「創意錦標賽」中互相競爭;最後階段,代理們對最佳假設進行提煉、整合與改善,並將結果為人類科學家彙整摘要。一個統籌型的監督代理負責協調整個流程,將研究目標拆解為具體任務,分派給各專業代理。

三個領域,三種自主程度

• 材料科學:Co-Scientist設計合成方案,由人類在實驗室中執行。
• 生物學:系統在專家反覆回饋下,獨立建構出一套預測流程。
• 計算機科學:Co-Scientist完全自主運作,無需人類介入。

在材料科學領域,研究團隊將Co-Scientist與一台半自動高溫爐連接。該系統為一種此前主要仰賴危險蝕刻製程來製備的搶手二維材料,找到了一條更安全的合成路徑,並生成了針對現有實驗室設備量身打造的完整生長配方。根據The Decoder報導,經過25輪由人類參與優化的試驗後,該流程產出了據稱在特性上與目標材料相近的層狀結構——不過對其原子結構的最終確認仍有待完成。在第二項實驗中,三種半導體薄膜的合成皆在首次嘗試便獲成功:借助Gemini 3 Deep Think直接操控設備,配方研發時間從數天縮短至數分鐘,只是所得晶體相較於經長期精細優化的配方產物,尺寸較小、均勻性也較差。

在生物學領域,Co-Scientist自主建構了一套影像分析流程,用來預測經基因改造的大腸桿菌菌落在不同化學濃度下會形成何種圖案——由Gemini 3 Pro Image生成的預測結果,在四項形態特徵中的三項上,與尚未公開的實驗室結果相吻合。不過研究人員強調,該系統目前僅能在已知條件之間進行推論,尚無法對全新系統做出預測。在完全自主完成的計算機科學實驗中,Co-Scientist設計出名為「Agent_H」的醫療AI架構,能對接收到的查詢進行分類,並平行生成數十個候選答案,再加以精煉。在針對過長答案進行校正後,根據研究顯示,Agent_H在醫療基準測試中的表現超越了包括GPT-5與Claude Opus 5在內的六個前沿模型——但由三位專科醫師進行的評估,大幅削弱了這項優勢:在九個評估類別中,僅有一項相較基準模型Gemini 3.1 Pro展現出具統計顯著性的優勢,即產生潛在有害答案的風險較低。

查核模組使捏造結果大幅減少

自主AI研究系統面臨的核心問題之一,是結果捏造:若代理因取得良好結果而獲得獎勵,便會有動機直接編造結果。研究人員指出,以往系統的捏造率高達80%至100%。Co-Scientist一方面在生成捏造或抄襲內容時會受到懲罰,另一方面,一個獨立的查核模組會將文本中的每一個數字,與已執行程式碼的實際結果進行比對。在一項由30位領域專家參與、包含450次獨立評審、檢驗150篇自主生成論文的雙盲研究中,啟用可靠性模組後,重要結果被捏造的比例降至4%;未啟用時該比例為46%,對照系統更高達90%。完全憑空捏造的數據在Co-Scientist中已不再出現,而對照系統中這項比例仍達44%。此外,一套內建的安全架構還拒絕了98.7%潛在有害的研究方向。

該系統在論文中寫入了看似極為合理、卻與實際執行程式碼不相符的研究方法。

距離完全自主的研究者仍有很長的路要走

儘管取得這些進展,完全自動化的科學研究仍是遙遠的目標:在材料合成過程中,人類仍須手動裝載樣品與前驅物,而根據施密德加爾表示,所發現的配方能否移植到其他實驗室,目前仍屬未知。儘管如此,這項議題依然切中了當下的時代脈動——自動化研究目前被視為人工智慧最具前景的應用領域之一。根據The Decoder報導,OpenAI也計劃在今年秋季推出一套代理系統,使其能以至少相當於實習生的水準自主展開研究。至於這類以大型語言模型為基礎的系統,究竟是真正發現了新知識,還是僅僅將數據中原本隱含的知識顯性化,研究者之間的爭論仍在持續。Google自身也在部落格文章中列舉了具體應用案例:多個團隊正利用Co-Scientist,尋找新型傳染病背後的分子開關、加速肝臟疾病機制的發現、整合生物學工具以探索漸凍症(ALS)的新療法,以及加快尋找逆轉細胞老化的基因線索。該系統正透過「Hypothesis Generation」這項由Google DeepMind、Google Research、Google Cloud與Google Labs共同開發的全新實驗性工具,逐步向個別研究者開放。

這對台灣的研究機構與企業意味著什麼:從事材料科學、製藥或生技研究的實驗室,如今透過Co-Scientist這類工具,首次能具體想像一種助手——它不只能彙整文獻,還能自主提出可查核的實驗方案,並內建防止結果捏造的查核機制。對於在國際研究經費與論文發表競爭中角力的台灣大學與研究機構而言,問題已不再是人工智慧是否會參與實驗室工作,而是自身的基礎設施——從自動化高溫爐到機器人實驗室——能以多快速度做好與之協作的準備。