谷歌推出颠覆科研方式的创新工具：三大实际应用展示革新力量

谷歌新神器震撼问世：科研革命就此开启，三大案例诠释未来科技力量

　　 AIco-scientist系统依托Gemini2.0技术打造，能够帮助科研人员构建新的研究假设、设计实验方案，并通过持续优化来提升结果的质量。在生物医学领域，AIco-scientist成功预测了药物的新用途、发现了潜在的治疗靶点，并解析了抗菌耐药性的机制。

　　 在科学探索的过程中，研究人员通常会对以往发表的文献进行深入分析与总结，从而提出一些新颖且具有实践性的研究方向。随后，他们会通过一系列全面而严谨的实验来验证这些新想法的有效性。 这种从文献回顾到理论创新，再到实证检验的研究路径，不仅体现了科学研究的系统性和逻辑性，也反映了科研人员对于未知领域的不懈追求和探索精神。在这个过程中，每一个环节都至关重要：文献综述帮助我们站在巨人的肩膀上，避免重复劳动；理论创新则要求研究者具备敏锐的洞察力和创新能力；而实证检验则是将理论转化为实践的关键步骤。这样的过程不仅能够推动科学的进步，也为其他研究者提供了宝贵的参考和借鉴。

　　 科研工作者在研究过程中需要兼顾广度与深度，由于时间和精力都是有限的，他们无法在众多领域展开探索，同时也必须确保在选定的主题上达到一定的研究深度。

　　 最近，谷歌、斯坦福大学等机构的研究人员共同开发了一种基于Gemini 2.0的多智能体AI协同科研系统。该系统不仅能够进行跨领域的综合分析和长期规划，还具备强大的推理能力。除了常规的文献综述和总结外，它还能帮助科研人员提出新颖的原创性知识，或是在前人研究成果的基础上制定研究假设和计划。 这一创新性的科研工具无疑为科学研究领域带来了新的活力。通过利用人工智能技术，科研工作者可以更高效地获取和处理信息，这有助于加速科研进程，减少重复劳动。同时，这样的系统也有助于促进跨学科合作，因为它们能够在不同领域之间架起桥梁，提供更为全面的知识视角。当然，如何确保这种系统的可靠性和准确性，以及如何平衡人工智能与人类智慧之间的关系，将是未来科研工作中需要深入探讨的重要议题。

　　 论文链接：https://storage.googleapis.com/coscientist_paper/ai_coscientist.pdf

　　 AIco-scientist系统能够接收一段用自然语言描述的研究目标，并生成全新的研究假设、详细的研究概述以及实验方案。这项技术无疑为科学研究领域带来了革命性的变化。通过利用人工智能的力量，科学家们可以更快速地从大量的数据中提取有用的信息，从而形成新的研究假设。这不仅加快了科研进程，也使得研究者能够在短时间内对多个假设进行测试，大大提高了研究效率。 此外，这一系统还能帮助那些没有深厚统计学背景的研究人员设计出更加严谨的实验方案，确保研究结果的有效性和可靠性。在当前这个数据爆炸的时代，AIco-scientist系统无疑是科研工作者的强大助手，它让科学探索变得更加高效和精准。不过，值得注意的是，在享受这些便利的同时，我们也不应忽视人类直觉和经验的重要性。人工智能可以提供强大的工具，但最终的决策和判断仍然需要依赖于人类的智慧。

　　 为了适应科研活动的独特需求，开发者创建了多种专门的智能体，用于「创造、反思、排序、演化、邻近性检测、元审查」等任务。通过自动反馈信号，这些智能体能够反复生成、评估并优化假设，形成一个持续自我完善、提升的循环系统，从而逐渐产出更为优质且具有创新性的假设。

　　 系统的主要目标是“支持科研工作”，因此开发者设计了多种交互方式，使研究人员能够与系统进行有效沟通。例如，他们可以直接向系统提供初步的概念以供探索，或者通过“自然语言反馈”对生成的结果进行评价和指导。

　　 系统还借助了外部工具，比如网络搜索和专门设计的AI模型，来提升生成假设的可靠性和品质。

　　 AI共科学家将设定的目标解析为研究计划配置，由监管智能体负责将专门智能体分配到任务队列并分配资源，从而使系统能够灵活扩展计算资源，并通过反复迭代提升其科学推理能力，最终达成预定的研究目标。

　　 AIco-scientist采用“测试时计算”技术来反复推理论证、优化和提升输出结果，比如通过自我对弈（self-play）来进行科学辩论以提出新的假设，对所有假设进行质量排序和对比，或是在不断演进假设的过程中持续改进。这种方法使得智能体能够不断地自我审视与批评，并利用工具提供反馈以精炼假设和方案。

　　 论文链接：https://arxiv.org/ abs / 2408.03314

　　 系统的自我提升能力主要依赖于Elo自动评估指标，通过让模型间的输出进行对比竞赛，最终得出一个Elo值。研究团队深入分析了Elo自动评级与GPQA中diamondset（一组具有挑战性的问题集合）准确率之间的匹配程度，结果显示Elo评级与输出质量之间存在显著的正相关关系。 这种利用Elo评分系统来衡量模型性能的方法无疑为人工智能领域提供了一种新的视角。通过将模型置于类似的竞争环境中，我们能够更客观地评估其在处理复杂任务时的表现。这种方法不仅有助于提高模型的整体性能，还能帮助识别那些在特定类型问题上表现尤为出色的模型。此外，它也提示我们在未来的研究中，可以进一步探索如何将此类评估机制应用于其他领域，以促进技术进步。

　　 AI co-scientist（蓝色线）和 Gemini 2.0（红色线）的平均准确率对比，按 Elo 评级分组

　　 七位领域专家在其专业领域内精心挑选了 15 个开放研究目标和最佳解决方案，使用自动化的 Elo 指标，结果发现 AI co-scientist 在复杂问题上的表现优于其他最先进的智能体和推理模型。

　　 随着系统在推理和优化上投入更多时间，其自我评估的质量得到提升，最终超越了模型以及普通人类专家的表现。

　　 结果也验证了「使用从科学方法中归纳出的先验知识」进行「测试时计算」扩展的优势：系统在推理和改进上花费的时间越多，结果的自我评估质量越高，最终超越了其他模型和人类专家。

　　 AI co-scientist 的性能会随着系统在计算上花费时间更多而逐步提高

　　 在11个研究目标的小子集上，专家们评估了AIco-scientist生成的结果与其他基线模型在新颖性和影响力方面的总体偏好。尽管样本量有限，但专家们普遍认为AIco-scientist更为出色，这一结果与先前采用的Elo自动评估指标相吻合。

　　 药物研发是一个耗时且昂贵的流程，新的治疗方法需要重新启动发现和开发流程，以治疗不同的适应症或疾病。

　　 药物再利用（drug repurposing）旨在发掘现有药物在新治疗领域中的潜在价值，从而解决这一难题。然而，由于涉及的任务十分复杂，需要多学科的专业知识和广泛的合作。

　　 研究人员借助AIco-scientist辅助工具，成功预测了一种针对急性髓系白血病（AML）的新候选药物。这一发现经过计算生物学分析、临床专家反馈及体外实验验证，确认该药物在多种AML细胞系中，以临床相关浓度表现出显著的肿瘤抑制效果。

　　 三种创新的人工智能预测了AML的一种再利用药物的有效剂量反应曲线；研究表明，KIRA6在临床相关浓度下能有效抑制KG-1（一种AML细胞系）的存活。它能够在较低的药物浓度下降低癌细胞的存活率，从而降低了脱靶副作用的风险。

　　 识别新的治疗靶点比药物再利用更为复杂，这通常会导致假设选择效率低下以及体外和体内实验的优先级排序不当。借助人工智能辅助的靶点发现可以简化实验验证过程，从而降低开发的时间成本。

　　 AIco-scientist通过分析基于临床前证据并显示出强大抗纤维化效果的表观遗传学靶点（利用3D、多细胞组织培养系统，该系统由人类细胞构建并设计以模拟人类肝脏的结构和功能），展示了其在提出、排序和设计针对发现假设的实验方案方面的潜力。此研究成果将与合作伙伴斯坦福大学共同发布。

　　 AIco科学家提出的治疗方案与纤维化诱导剂（阴性对照）及抑制剂（阳性对照）的治疗效果进行了对比研究。

　　 研究人员指导AI合作者探索团队内部已进行但尚未公开的课题，即囊膜形成噬菌体诱导的染色体岛（cf-PICIs）在多种细菌物种中的存在情况。 这项研究揭示了cf-PICIs在不同细菌物种间的广泛分布，不仅加深了我们对这些遗传元件的理解，还为未来抗生素耐药性研究提供了新的视角。cf-PICIs通过噬菌体传播，这表明噬菌体可能在细菌基因交流中扮演着更为重要的角色。随着全球抗生素耐药性的日益严重，这一发现可能有助于开发更有效的抗菌策略。然而，如何利用这些信息来应对不断变化的细菌世界仍然是一个挑战，需要跨学科的合作和更多的科学研究来解决。

　　 「微生物进化出的对抗感染治疗药物的机制」涉及理解基因转移（如接合、转导和转化）的分子过程，以及推动抗菌药物耐药性（AMR）基因扩散的生态环境和进化动力。

　　 AIco-scientist系统独立提出，cf-PICIs可以与多种噬菌体尾部相互作用以扩大宿主范围，并在先前的实验中得到了验证。这进一步体现了AIco-scientist作为辅助技术的价值，能够充分利用数十年前的研究成果。

　　 AIco-scientist重新发现新型基因转移机制的时间线。蓝色：cf-PICI发现实验研究流程时间线。红色：AIco-scientist在没有任何先验知识的情况下独立发展并重现了这些重要发现。

　　 参考资料：

　　 https://research.google/blog/accelerating-scientific-breakthroughs-with-an-ai-co-scientist/

　　 本文来自微信公众号：新智元（ID：AI_era）