Google发布Co-scientist：AI科学家来了！

作者

 

Google发布了一款名为AI Co-scientist的AI系统，它能像真正的科研助手一样，帮你查文献、提假设、设计实验，甚至还能在药物再利用、靶点发现等领域取得媲美人类专家的成果。它采用了一种新的AI学习范式，通过扩展测试时计算，实现更深入的科学推理。AI Co-scientist不是要取代科学家，而是与科学家协同工作，共同开启科学发现的新时代！

科学家的烦恼：信息爆炸与跨界难题

你是否也曾有过这样的困扰：每天被海量的科研文献淹没，却难以找到真正有价值的信息？想要跨领域研究，却发现自己对其他领域的知识一无所知？

这就是现代科学家的真实写照。随着科学的飞速发展，知识的爆炸式增长，科研工作变得越来越复杂，越来越专业化。科学家们不仅要掌握自己领域的最新进展，还要不断学习新的知识和技能，才能跟上时代的步伐。

更令人头疼的是，许多重大的科学突破往往需要跨学科的合作，而这又谈何容易？不同领域的科学家有着不同的知识背景、研究方法和思维方式，想要找到共同的语言，建立有效的合作，往往需要付出巨大的努力。在这种背景下，AI的出现为科学研究带来了新的希望。

AI Co-scientist：你的AI科研助手

Google最新发布的AI Co-scientist，正是这样一款旨在帮助科学家解决上述难题的AI系统。它不仅能读懂你的研究目标，还能帮你查阅文献、提出假设、设计实验，甚至还能在药物再利用、靶点发现等领域取得媲美人类专家的成果。

AI Co-scientist的核心目标是成为科学家的“AI助手”，协助科学家完成科研工作中的各种任务，从而加速科学发现的进程。

  • • 系统简介： AI Co-scientist的功能、定位、目标。
    AI Co-scientist 具有以下主要功能：
  • • 文献综述：快速检索、阅读和总结相关领域的文献。
  • • 假设生成：基于现有知识，提出新的、有潜力的研究假设。
  • • 实验设计：为验证假设，设计合理的实验方案。
  • • 结果分析：分析实验数据，评估假设的可行性。
  • • 报告撰写：生成符合规范的科研报告，如NIH Specific Aims Page格式。
  • • 多智能体架构： 模拟科学推理过程，各司其职的智能体。

AI Co-scientist采用了多智能体架构，模拟科学推理过程。每个智能体负责不同的任务，协同工作，共同完成科研目标。
下图展示了AI Co-scientist的多智能体架构。

The AI co-scientist multi-agent architecture design
  • • 工作流程： 从研究目标到实验设计的全流程。

AI Co-scientist的工作流程大致如下：

  1. 1. 自然语言交互： 科学家通过自然语言描述研究目标、提供背景信息、提出要求。
  2. 2. 异步任务框架： 系统将任务分解为多个子任务，分配给不同的智能体并行处理。
  3. 3. 专业智能体： 各个智能体利用自身的专业知识和技能，完成各自的任务。
    • • Generation agent: 生成初步假设和研究方案。
    • • Reflection agent: 评估假设和方案，提供改进建议，进行多种类型的审查，包括初步审查、全面审查、深度验证审查、观察审查和模拟审查。
    • • Ranking agent: 对不同假设进行排序，基于Elo评分系统进行锦标赛。
    • • Evolution agent: 基于现有假设，生成新的假设, 通过多种方式进行，包括：基于现有假设进行改进，组合多个优秀假设，简化复杂假设，以及跳出思维定式。
    • • Proximity agent: 计算假设之间的相似度，避免重复。
    • • Meta-review agent: 总结和分析所有假设和评估结果, 提供研究概述，并识别研究联系人。
  4. 4. 上下文记忆： 系统记录所有中间结果和决策过程，方便回溯和改进。
  • • 人机协作： 科学家如何参与、指导、反馈。
    AI Co-scientist 并非完全自主的系统，它需要与科学家紧密协作，才能发挥最大效用。科学家可以通过以下方式参与和指导AI Co-scientist的工作：
  • • 提供研究方向和目标。
  • • 审查和评估AI生成的假设和方案。
  • • 提供反馈和修改意见。
  • • 参与假设的讨论和完善。

通过这种人机协作模式，AI Co-scientist可以充分利用人类科学家的专业知识和经验，确保研究的质量和方向。

核心技术：不止“大力出奇迹”，还有“科学方法”

AI Co-scientist之所以能够取得如此出色的成果，关键在于其独特的核心技术：测试时计算扩展（test-time compute scaling）和科学推理。

  • • 测试时计算扩展： 不止“大力出奇迹”，还有“科学方法”。

传统的AI模型通常在训练阶段消耗大量的计算资源，而在测试阶段则相对“轻量级”。而AI Co-scientist则反其道而行之，它在测试阶段投入更多的计算资源，进行更深入的推理和优化。

  • • 什么是测试时计算扩展：在模型推理阶段，投入更多的计算资源，进行更深入的思考和优化。
  • • 如何在AI Co-scientist中实现：通过多智能体协作、科学辩论、锦标赛等机制，迭代优化假设。这种方法不依赖于额外的学习技巧（如微调或强化学习），而是利用科学方法的归纳偏差和先验知识来设计多智能体框架。
  • • 科学推理：

AI Co-scientist通过模拟科学研究的过程，实现了一套独特的科学推理机制。
* 科学辩论： 不同的智能体扮演不同的“科学家”角色，对同一个假设进行多轮辩论，互相质疑、互相补充，最终达成共识。
* 锦标赛： 多个假设之间进行“比赛”，通过比较、评估、筛选，选出最优的假设。
* 自改进循环： 系统不断从自身的推理过程中学习，积累经验，提高后续任务的性能。

  • • 自动化评估：

为了衡量AI Co-scientist的性能，研究人员采用了两种评估方法：Elo评分和GPQA基准测试。
* Elo评分是什么：一种用于评估棋类、竞技游戏中选手水平的评分系统。
* 如何衡量系统性能：在AI Co-scientist中，Elo评分用于评估不同假设的质量，评分越高，假设越优秀。
* GPQA基准测试：一个包含大量科学问题的测试集，用于评估AI模型的科学推理能力。AI Co-scientist 在 GPQA钻石级问题上取得了78.4%的top-1准确率。

下图展示了Elo评分与AI Co-scientist在GPQA基准测试上的准确率之间的关系。可以看出，Elo评分越高，AI Co-scientist的准确率也越高，这表明Elo评分能够有效反映AI Co-scientist的性能。

Concordance of the auto-evaluation Elo metric with AI co-scientist performance on GPQA

AI Co-scientist的优势与应用前景：

AI Co-scientist通过测试时计算扩展和科学推理，实现了更深入、更可靠的科学研究能力。它不仅能够处理海量数据，发现潜在规律，还能够模拟科学家的思考过程，提出创新性的假设和方案。这使得AI Co-scientist在药物研发、材料科学、基础研究等领域具有广泛的应用前景。

实验验证：三大实战案例，AI的实验室成果

为了验证AI Co-scientist的实际应用能力，研究人员在三个不同的生物医学领域进行了实验验证：药物再利用、靶点发现、抗生素耐药性。

  1. 1. 药物再利用： 发现新的白血病候选药物。
    • • 研究背景与挑战：急性髓系白血病（AML）是一种恶性血液肿瘤，治疗难度大，预后差。传统的药物研发周期长、成本高，而药物再利用则是一种更快速、经济的寻找新药的方法。
    • • AI Co-scientist的贡献：基于已有的药物和疾病信息，AI Co-scientist提出了一系列新的AML药物再利用假设，包括Binimetinib, Pacritinib, Cerivastatin, Pravastatin, Dimethyl fumarate (DMF), Nanvuranlat, KIRA6, Leflunomide等，并给出了这些药物可能的作用机制分析。例如，对于Binimetinib，AI Co-scientist指出它能够抑制MEK1/2，进而影响RAS/RAF/MEK/ERK通路，而该通路与AML细胞的增殖和存活密切相关。
    • • 实验验证结果：研究人员对AI Co-scientist提出的部分假设进行了体外实验验证，发现其中一些药物（Binimetinib, Pacritinib, Cerivastatin, KIRA6）确实对AML细胞（MOLM13, HL60, KG-1）具有抑制作用，并给出了剂量反应曲线。例如，Binimetinib在AML细胞系中的IC50低至7 nM。
    • • 专家评价：临床专家对AI Co-scientist生成的NIH Specific Aims Page格式的药物再利用方案给予高度评价。

下图展示了其中一种药物Binimetinib的剂量反应曲线。可以看出，随着药物浓度的增加，AML细胞的存活率逐渐降低，这表明Binimetinib对AML细胞具有抑制作用。

Dose-response curve of the expert selected repurposing drugs with existing evidence
  1. 2. 靶点发现： 提出新的肝纤维化治疗靶点。
    • • 研究背景与挑战：肝纤维化是一种慢性肝脏疾病，严重时可发展为肝硬化甚至肝癌。目前尚缺乏有效的治疗方法，寻找新的治疗靶点是当务之急。
    • • AI Co-scientist的贡献：AI Co-scientist提出了一系列新的肝纤维化治疗靶点，主要集中在表观遗传学方面，并给出了相应的实验方案建议。例如，AI Co-scientist提出了针对特定表观遗传修饰酶的抑制剂，并建议通过人类肝脏类器官模型来验证其疗效。
    • • 实验验证结果：研究人员在人类肝脏类器官中验证了AI Co-scientist提出的部分靶点，发现它们确实具有抗纤维化活性。

下图展示了AI Co-scientist提出的几种药物对肝纤维化类器官中成纤维细胞活性的影响。可以看出，与对照组相比，这些药物能够显著降低成纤维细胞的活性，这表明它们具有潜在的治疗肝纤维化的作用。

The co-scientist discovers the novel treatment targets for liver fibrosis
  1. 3. 抗生素耐药性： 揭示细菌基因转移的新机制。
    • • 研究背景与挑战：抗生素耐药性（AMR）是全球公共卫生面临的重大威胁。细菌可以通过多种方式获得耐药基因，其中一种重要的机制是基因水平转移。而cf-PICI基因，这种基因存在于多种细菌中，却很难被传统方式检测到。
    • • AI Co-scientist的贡献：研究人员向AI Co-scientist提出了一个关于cf-PICI基因转移机制的问题，AI Co-scientist独立提出了一个与实验研究高度相符的假设：cf-PICIs通过与不同的噬菌体尾部相互作用来扩展其宿主范围。
    • • 实验验证结果：AI Co-scientist提出的假设与研究人员尚未发表的实验结果高度一致。

下图展示了传统实验流程与AI Co-scientist辅助的假设生成流程的对比。可以看出，AI Co-scientist能够在短时间内提出与长期实验研究相符的假设，大大加速了科学发现的进程。

Timeline of the conventional experimental validation and the AI co-scientist-assisted hypothesis development for capsid-forming phage-inducible chromosomal islands (cf-PICIs), key to antibiotic resistance (AMR)

不只是“工具人”：AI与科学家的协同进化

AI Co-scientist的出现，不仅仅是为科学家提供了一个强大的工具，更重要的是，它开启了一种新的人机协作模式，有望推动科学研究的范式转变。

  • • AI的优势： AI擅长处理海量数据，发现隐藏的模式和规律，进行快速的计算和推理。
  • • 人类的优势： 人类科学家具有创造力、批判性思维和直觉，能够提出创新性的问题，把握研究方向，评估研究结果的意义。
  • • 人机协作：

AI Co-scientist与科学家的协作，可以实现优势互补，共同推动科学进步。
* AI Co-scientist如何与科学家互动：
* 自然语言对话：科学家可以通过自然语言与AI Co-scientist交流，提出问题、获取信息、讨论假设。
* 提供建议：AI Co-scientist可以根据科学家的研究目标，提供文献综述、假设生成、实验设计等方面的建议。
* 接受反馈：科学家可以对AI Co-scientist的输出进行审查、评估和修改，提供反馈，帮助AI Co-scientist不断改进。
* 优势互补，共同推动科学进步。

局限性与展望

尽管AI Co-scientist已经取得了令人瞩目的成果，但它仍然存在一些局限性：

  • • 数据依赖： AI Co-scientist的性能依赖于大量的高质量数据，如果数据存在偏差或缺失，可能会影响其推理结果。
  • • 可解释性： AI Co-scientist的推理过程往往难以解释，这可能会影响科学家对其结果的信任度。
  • • 偏见： AI Co-scientist可能会受到训练数据中存在的偏见的影响，导致其提出的假设或方案存在偏见。

未来，AI Co-scientist有望在以下方面取得进一步发展：

  • • 更多应用领域： 除了生物医学领域，AI Co-scientist还可以应用于化学、材料科学、物理学等更多领域。
  • • 更强推理能力： 随着AI技术的不断进步，AI Co-scientist的推理能力有望得到进一步提升，能够处理更复杂、更抽象的科学问题。
  • • 更紧密的人机协作： AI Co-scientist与科学家的协作模式将更加紧密、高效，实现真正的人机协同创新。

AI与科学的未来

AI Co-scientist的出现，标志着AI在科学领域迈出了重要的一步。它不仅能够协助科学家完成各种科研任务，还能够通过自身的推理能力，为科学研究提供新的思路和方法。

展望未来，AI有望在科学领域发挥越来越重要的作用，成为推动科学进步的重要力量。我们应该积极关注AI与科学的协同发展，加强人机协作，共同迎接科学发现的新时代。


推荐阅读


  • • 论文：Towards an AI co-scientist，https://storage.googleapis.com/coscientist_paper/ai_coscientist.pdf
  • • 博客：Accelerating scientific breakthroughs with an AI co-scientist，https://research.google/blog/accelerating-scientific-breakthroughs-with-an-ai-co-scientist/

 


（文：子非AI）

欢迎分享

发表评论