哪种“AI科学家”适合你的实验室？

克劳德科学版（Claude Science）等通用科研人工智能工具有望大幅加速科研进程，但究竟哪一款适合你？

安思卓（Anthropic）于6月推出克劳德科学版，这款工具加入了众多面向科研人员的人工智能产品行列。

2010年，美国加州斯坦福大学遗传学家、心脏病学家尤安·阿什利牵头完成人类基因组首份临床解析工作，31名科研人员耗时9个月才完成该项目1。

本周，阿什利度假归来整理行李期间，使用加州旧金山安思卓公司开发的人工智能工具克劳德，以同等标准解析了自己的全基因组。

整套分析仅用时30分钟，准确识别出一种阿尔茨海默病风险等位基因，以及多个影响药物代谢的基因变异（阿什利2012年便完成了自身基因组测序解析，但从未公开发表相关结果）。阿什利在领英动态中写道：“这项技术带来的突破，怎么形容都不为过。”

6月30日，安思卓正式发布克劳德科学版平台，该产品专为生物学研究场景打造。如今，各大科技企业与学术实验室已推出多款通用科研人工智能工具，克劳德科学版只是其中一员。同类产品还包括旧金山OpenAI研发的系列工具、加州山景城谷歌深度思维推出的协同科学家（Co-Scientist）。另有一款开源工具Biomni由科研人员开发，相关成果已于昨日发表在《科学》期刊上2，除此之外还有大量同类工具陆续问世。

加州南旧金山初创企业Phylo联合创始人、总裁曲元浩（音译）表示：“以往要耗费我数小时的工作，现在几分钟就能完成。我终于能把精力真正投入到只有人类才能完成的核心科研工作中。”

这类工具是什么？科研人员如何使用？

业内常将其称作“AI科学家”，底层依托驱动各类对话机器人的大语言模型，协助科研人员完成文献综述、数据分析、图表绘制、论文撰写等工作。它们属于智能自主人工智能，能把用户需求拆解为多步任务，过程中可联动调用外部软件系统。

这类科研智能体不同于阿尔法折叠（AlphaFold）这类专业定向研究工具，但也可接入专用模型。举例来说，伦敦生物科技企业Boltz联合创始人、首席执行官加布里埃莱·科尔索带领团队，借助克劳德智能体，搭配公司自研开源蛋白质折叠预测与设计AI工具，设计出可同时识别两种治疗靶点的抗体。

人工智能给出的设计结果与蛋白质研发人员的专业直觉相契合。科尔索表示，团队尚未通过实验验证这批设计，但其他借助AI智能体设计的抗体已完成实验验证。Boltz研发的专业软件，只是克劳德科学版等各类“AI科学家”可联动调用的数十种专业系统之一。

英国剑桥大学免疫学家克莱尔·布莱恩特是协同科学家（Co-Scientist）的早期使用者，该工具能够挖掘海量科研文献与各类资料，自主生成科研假说。布莱恩特当时正在研究人畜共患病原体引发的免疫反应，她将一份基金申请书与配套实验数据输入工具。

工具生成的部分设想不具备实操条件，但还有不少思路与她实验室的研究方向高度契合。目前，她的团队正在验证协同科学家提出的一项实验构想：向天然免疫蛋白引入特定突变，观察突变对流感病毒感染过程的影响。布莱恩特坦言，即便不靠AI，她最终或许也能构思出这套实验方案，但至少要多耗费两年时间。

斯坦福大学生物医学科学家加里·佩尔茨评价协同科学家：“和它沟通，仿佛在请教一位先知。”他曾借助这款工具筛选已有上市药物，寻找可用于治疗肝纤维化类器官模型的候选药物3。

科研人员该如何挑选适配工具？

许多科研人员早已在用克劳德这类AI工具制作汇报幻灯片、撰写邮件。但旧金山云端科研平台Benchling联合创始人、总裁阿舒·辛哈尔估算，仅有不到两成实验室将“AI科学家”完整融入日常科研流程。他说：“科研人员一定要亲自上手试用各类工具，不能只盲从媒体宣传。”

辛哈尔建议研究者多试用几款工具，分清不同工具适配的工作场景。协同科学家这类擅长生成科研假说的AI，更适合项目初期阶段；而克劳德科学版、Biomni等工具可承接基因组数据分析等专项任务。

科尔索则建议从简单、易验证结果的小任务入手试用工具：“最坏的结果无非是重做一遍实验。”

科研人员如何信任“AI科学家”给出的结果？

本周《科学》刊发的论文显示，Biomni在罕见病诊断、细胞测序数据分析等部分任务上的表现可媲美人类专家，完成速度更是快上数倍。但研究人员同时指出，在部分需要深度生物学逻辑推演的任务上，该工具的表现尚有欠缺。

威斯康星州麦迪逊莫格里奇技术研究所计算生物学家安东尼·吉特对Biomni印象复杂：“有些任务用它处理效果很好，也有不少场景直接运行崩溃。”

为进一步测评这款工具及其他多款通用科研AI，他将它们投入2025年一项社区挑战赛，赛事目标是预测临床前药物的关键特性（如药物毒性）。赛事评判标准为AI预测结果与某生物企业未公开实验数据的匹配度。

各类AI工具整体表现尚可，但仍不及药企专业人类专家。吉特称：“它们给出的结论大体合理，但很难做出突破性预判。”

科研AI并非必须百分百精准才有使用价值。但科研人员认为，这类工具最核心的优势之一，是能够完整推导假说、分析结果的生成逻辑。吉特补充道：“无论使用哪一款工具，我都有责任厘清它提出了哪些结论、支撑结论的依据是什么。”他在测评中发现，不同模型的逻辑解释能力参差不齐。

使用“AI科学家”存在哪些弊端？

对阿什利而言，自主智能AI工具彻底革新了他的科研模式。他说：“工作效率提升幅度极大，难以用语言形容。”

但接受《自然》采访的阿什利与其他科研人员，都对AI科学家潜藏的负面影响深感担忧，尤其是对青年科研人员，甚至跨领域资深学者都会受到影响。吉特表示：“只有亲身反复踩坑，才能分辨各类实验误差。依赖AI会缺失这份积累。”

布莱恩特会指导实验室学生借助协同科学家等工具开拓研究思路，但同时希望教会学生理性甄别AI输出内容。“我从业多年，能一眼看出结论的真伪，”布莱恩特说，“我现在最大的困惑是，该如何培养学生建立这种辨别能力。”

支持单位：