2025年9月，Google DeepMind的“AI协作科学家”系统干了两件大事：一边帮斯坦福医学院找出了能治肝纤维化的候选药，一边还破解了伦敦帝国理工学院科学家好几年没搞懂的细菌DNA谜题。

这机器的推理能力，居然能跟人类研究者比一比了，这跟以前AI只做数据整理的样子比，差得不是一星半点。

以前总听人说“AI是科研助手”，可这次它直接当起了“主角”。

斯坦福医学院的Gary Peltz教授团队，本来是想从已上市药物里找能治肝纤维化的，人类专家自己选了几种药，结果实验下来全没用。

倒是AI，扒了近10年的生物医学文献，挑了3个候选药，其中一个叫伏立诺他的抗癌药，不光能减少肝纤维化，还能帮肝脏再生。

西北大学的Dillan Prasad研究员说这案例“难以置信”，我倒觉得，这更像给传统科研提了个醒——人类的精力有限，有些藏在文献里的关联，还真得靠机器帮着挖。

AI选药比人类准？斯坦福实验戳破了传统科研的“效率痛点”

肝纤维化这病，一直缺好用的药。

以前研究团队找候选药，光看文献、设计实验就得耗三五年，还不一定有结果。

这次AI只用了一周就给出建议，实验结果还比人类选的准，这效率差得不是一点半点。

伏立诺他这药也挺有意思，以前只用来治皮肤T细胞淋巴瘤，谁也没往肝纤维化上想。

AI硬是从一堆文献里找出了它和肝脏表观遗传调控的关联，老实讲，这要是靠人类专家一点点捋，说不定还得等好几年才能发现。

现在斯坦福团队已经启动了Ⅱ期临床试验，要是成了，以后治肝纤维化又多了个选项。

不过有一点得说清楚，AI不是凭空“猜”对的。

它背后是一套多智能体架构，有负责提假设的，有负责挑错的，还有负责完善细节的，最后还有个“总指挥”统筹。

就像一个迷你科研团队，只不过每个“成员”都不会累，还能一秒看完上万篇文献。

反观以前的通用AI，比如GPT-4、Claude这些，顶多帮着总结文献，想提个能落地的实验假设，正确率还不到15%，跟这个“AI协作科学家”比，确实差了一截。

讲完选药的事，再说说另一个更让人惊讶的：细菌DNA的谜题。

伦敦帝国理工的José Penadés团队，好几年都搞不懂“为啥一模一样的DNA片段会出现在不同细菌里”，自己提了三个假设都被实验推翻了。结果把数据输给AI，才两天就拿到了答案。

细菌谜题两天破解！AI的“推理脑”到底比人类强在哪？

AI给的答案是“寄生性DNA能从邻近细菌那抢病毒载体，完成跨物种转移”。

更神的是，这个结论跟团队没发表的实验数据完全对得上。

Penadés一开始还怀疑AI偷了自己的资料，后来确认不是，才承认被AI的推理能力震撼到了。

我倒觉得，这事儿最关键的不是AI“快”，而是它“思路不设限”。

人类做研究，容易被以前的经验困住，比如Penadés团队之前一直盯着“细菌自身的载体”想办法，可AI没这顾虑，直接想到了“抢别人的载体”。

这种跳出固有框架的能力，以前总觉得是人类的专利，现在机器也能做到了。

当然，也不是所有人都看好。生命科学公司Elucidata的Kriti Gaur就说，要是AI只靠旧文献提假设，容易陷入“闭环”，翻来覆去都是老结论，出不了真创新。

这话其实有道理，毕竟机器再厉害，也没法像人类一样突然冒出个“灵光一闪”的想法。

但Google也在补这个漏洞，比如每月给AI更最新的文献，还加了人类专家审核的环节，相当于给机器装了个“纠错开关”，多少能降低点风险。

现在不光Google在做这个，斯坦福搞了个“虚拟实验室”，能自动设计实验还远程控制设备；Biomni平台跟辉瑞合作搞抗生素研发，把筛选周期缩短了不少；还有个叫FutureHouse的非营利组织，做了个开源平台让全世界科学家一起用。

这么多玩家一起发力，以后AI在科研里的戏份估计会越来越重。

最后，AI科学家不是要取代人类研究者。

毕竟机器没法像人类一样考虑伦理，也不会有“想攻克某个疾病”的情感驱动。

但它能帮人类省掉整理数据、验证基础假设的功夫，让科学家把精力放在更有创造性的地方，比如设计更有意思的实验，或者思考更前沿的问题。

未来的科研，大概率是“人类出想法，AI来落地”的搭配，要是能配合好，不管是找新药还是解科学谜题，速度肯定能快不少，这对咱们普通人来说，其实也是件好事。