Co-Scientist：通过测试时计算扩展与多智能体协作，重塑科学发现范式
Accelerating scientific discovery with Co-Scientist.
本文推出了 Co-Scientist，一个基于 Gemini 构建的多智能体 AI 系统，旨在通过结构化科学思维加速科学发现。该系统利用测试时计算（Test-time Compute）扩展，在药物重用、新靶点发现和解释抗菌药物耐药机制等生物医学任务中，生成了经实验验证的高质量科学假设，达到了 SOTA 水平。
TL;DR
来自 Google DeepMind 的研究团队在《Nature》上发表了最新成果：Co-Scientist。这不仅是一个能搜论文的 AI，而是一个具备“科学直觉”的架构。它通过模拟科学家的辩论与进化过程，在急性髓系白血病（AML）等领域提出了多个被湿实验证实的有效药物候选方案，标志着 AI 正式从“信息分析员”转型为“科学合作伙伴”。
背景：从“综述者”到“假设生成者”
传统的 AI 在科学领域的应用往往局限于预测（如 AlphaFold）或信息检索（如 Deep Research）。然而，科学进步的内核在于提出假设。
现有的 LLM 存在两个核心痛点：
- 幻觉与缺乏严谨性：容易生成看似科学实则无法实现的方案。
- 缺乏计算扩展性：简单地增加模型参数并不等同于深度思考。
Co-Scientist 的出现，正是为了通过结构化思维引擎解决这些问题。
核心架构：多智能体“科学方法论”
Co-Scientist 并非依赖单一的 Prompt，而是构建了一个模拟实验室运作的智能体集群：
- Generation Agent (生成者)：负责跨学科搜索并提出初步假设。
- Reflection Agent (反思者)：扮演“同行评审员”，批判假设的正确性与新颖性，并使用外挂工具查重。
- Ranking Agent (排序者)：引入 Elo 锦标赛机制，让不同假设进行“科学辩论”，优胜劣汰。
- Evolution Agent (进化者)：基于辩论反馈，对高质量假设进行迭代优化和交叉杂交。
图 1：Co-Scientist 的异步任务架构与专家反馈循环
物理直觉：为什么“多花时间”能变聪明？
这篇论文最深刻的见解之一是测试时计算（Test-time Compute）的扩展性。实验数据显示，随着系统分配给“思考”（即智能体之间辩论与迭代）的时间增加，生成假设的 Elo 评分呈持续上升趋势。
图 2：测试时计算扩展带来的 Elo 评分线性增长，展示了系统自我改进的潜力
湿实验验证：从硅片到培养皿
团队针对急性髓系白血病 (AML) 进行了端到端验证。Co-Scientist 提出的多种药物（如 Binimetinib, KIRA6）在体外细胞实验中展现了极强的抑制活性。
更令人惊叹的是在多药联合治疗上的表现。寻找 2-3 种药物的协同效应是一个指数级增长的搜索空间，而 Co-Scientist 成功预测了 JNJ-64619178 与 Selinexor 等组合的强协同作用，这通过传统的人工筛选几乎是不可能的。
图 3：KIRA6 药物在不同 AML 细胞系中的剂量响应曲线，验证了 AI 预测的选择性毒性
深度洞察与总结
Co-Scientist 的成功不仅在于它使用了强大的 Gemini 模型，更在于它对科学闭环的数字化重构。
关键启示：
- Inductive Bias (归纳偏置)：将“科学辩论”逻辑嵌入智能体交互，比单纯提升模型参数更高效。
- 人机协作：系统允许科学家在关键节点修改“研究计划配置”，实现了真正的“人在回路”指导。
局限性： 目前系统仍严重依赖开源文献，对于存储在付费墙后或非结构化实验记录中的“负面结果”利用不足，这可能导致一定的偏见。
结论
Co-Scientist 证明了 AI 已具备在复杂生物医学领域进行“原创性推理”初级能力。随着未来与自动化机器人实验室的深度耦合，我们可能正处于“科学发现工业化”的前夜。