新兴的 AI 科研助手虽在加速科学发现方面展现出潜力，但最新研究揭示了其本质局限。两项发表于《自然》杂志的新系统——由 Future House 开发的 Robin 和谷歌 DeepMind 的 Co-Scientist，旨在通过多智能体协作辅助科学家。这些系统利用大型语言模型，让 AI 与人类共同完成提出假设、分析数据和实验设计等任务，而非完全自主进行科学研究。 Co-Scientist 通过模拟同行评审和辩论机制来评估假设质量，并在急性髓系白血病药物重定位实验中，筛选出 30 种候选药物，经人类专家 refine 后，五种进入实验室测试，其中三种显示积极结果。Robin 则在干性年龄相关性黄斑变性的研究中，协助识别出两种有潜力的药物。然而，这些系统目前仍无法独立验证假设，必须依赖人类定义科学问题、核查预测并决定后续方向。此外，Co-Scientist 的预测尚未与专门针对药物重定位的传统计算方法进行充分对比，其相对优势尚不明确。 文章指出，当前 AI 主要基于语言与人类互动，这虽然促进了自然交流，但也存在不精确和模糊的风险。科学研究需要具体的数据和量化证据，而单纯依赖文本模型难以触及自然界复杂的系统本质。真正的突破在于开发能够整合结构化数据（如基因组序列、蛋白质结构）与科学概念的新一代模型，将推理建立在知识结构的坚实基础上。虽然 AI 工具在挖掘文献信息方面价值巨大，但要真正提升科学效率，AI 必须超越简单的语言连接，深入模拟自然世界的复杂系统。