科学家打造出能提出实验、执行实验并从中学习的AI系统

# 科学家构建了一种能够提出实验、执行实验并从结果中学习的AI 来源：https://www.thebrighterside.news/post/scientists-build-an-ai-that-can-propose-experiments-run-them-and-learn-from-the-results/ - 研究人员构建了一个闭环AI科学家系统，能够生成生物学假说、设计实验、指挥实验室自动化设备、分析结果，并利用新的证据来完善后续的问题。 - 该系统以酿酒酵母为研究对象，共生成了1,933个候选假说，通过实验发现了一些此前被忽视的相互作用，包括氨基己二酸对甲酸胁迫的部分保护作用。 - 该实验室并非完全自主运行，因为人类仍然处理一些物理任务并设定研究边界，但研究表明AI推理可以直接与真实实验相衔接，而不仅仅停留在预测层面。 人工智能正在超越分析科学数据和提出想法的阶段。在瑞典的一家实验室中，它已经开始亲自对其中一些想法进行验证。 查尔姆斯理工大学（https://www.chalmers.se/en/）的研究人员开发了一种闭环系统，该系统能够生成生物学假说、决定如何验证这些假说、将计划转化为机器可读的指令、分析实验结果，并利用发现来完善后续的问题。实验室机器人则执行大部分物理工作。 该系统以*Saccharomyces cerevisiae*（即酿酒和烘焙中使用的酵母）为测试对象，这是生物学中被研究最深入的生物之一。然而，即使这种熟悉的微生物所包含的遗传学、代谢和生理学信息，也远远超出了一个人能够系统性地探索的范围。 该研究发表在《英国皇家学会界面杂志》（https://www.biorxiv.org/content/10.1101/2025.06.24.661378v3.full）上，将大语言模型与形式逻辑、生物数据库、机器学习、自动化细胞培养和质谱技术结合在一起。 图片展示了位于瑞典查尔姆斯理工大学的机器人科学家Eve，该机器人最初是专门为药物发现设计的，现已更新了大语言模型和自动化推理功能。（图片来源：NIH Image Gallery/查尔姆斯理工大学） ### 为AI科学家构建结构化的生物记忆 仅仅将聊天机器人连接到实验室设备会产生严重的可靠性问题。大语言模型可能会产生不一致的回答和缺乏依据的论断，当软件控制物理实验时，这些弱点就变得尤为严重。 因此，查尔姆斯团队构建了一个混合系统。研究人员没有让大语言模型仅凭科学文献自由推理（https://www.thebrighterside.news/post/ai-unlocks-rnas-role-in-dementia-and-emerging-viral-threats/），而是构建了约60,000条结构化关系，涵盖酵母表型、生理学和代谢相关内容。 归纳逻辑编程在这些关系中搜索有意义的模式。这种方法产生的规则是明确的逻辑规则，而不是完全依赖神经网络内部不透明的表征。 该系统生成了735个不同的逻辑程序。研究人员将这些程序与代谢组学测量结果结合，产生了涉及16种氨基酸的1,933个候选假说。 大语言模型在流程的后半段介入。它帮助设计实验干预措施，同时考虑实验室的实际约束条件，然后将这些计划转化为自动化设备可以执行的指令。 "这些信息量太大，人类难以分析，但我们的AI科学家（https://www.thebrighterside.news/post/the-ai-scientist-takes-a-big-step-toward-end-to-end-automation-of-scientific-research/）能够识别有前景的生物学问题、推荐验证实验、评估实验结果，并根据新证据迭代地完善其理解，"研究人员Ievgeniia Tiukova对《The Brighter Side of News》表示。 ### 机器人验证假说 研究人员选择了涉及五种氨基酸的假说：谷氨酸、精氨酸、脯氨酸、谷氨酰胺和赖氨酸。随后，自动化系统测试了补充这些化合物对暴露于不同化学胁迫的酵母的影响。 机器人设备负责液体转移、细胞培养和取样。生长情况被持续测量，离子淌度质谱（https://www.thebrighterside.news/post/ai-helps-researchers-discover-several-previously-unknown-molecules/）则在实验结束时检测细胞的代谢谱。 出现了几个意想不到的相互作用。 向咖啡因处理的酵母中添加精氨酸后，产生的生长抑制强于任一单独处理所预期的效果。咖啡因本身已显著降低了生长，但增加精氨酸后产生了额外的协同性抑制效果。 谷氨酸则产生了另一个意想不到的相互作用。它增加了细胞对亚精胺暴露的敏感性，尽管补充的谷氨酸并没有像预测那样在细胞内积累。这一结果表明，可能是另一种下游代谢物在起作用。 其他假说未能得到验证。例如，精氨酸（https://www.thebrighterside.news/post/canadian-university-to-offer-a-class-on-drake-and-the-weeknd-5/）并未像系统预测的那样挽救锂胁迫下的细胞。 这些失败并未被丢弃。该平台将负面结果和正面结果一起存储，使得后续假说在投入资源进行另一次实验之前，可以先与现有证据进行比对。 一个支持端到端生物发现的自动化实验框架——从假说到数据整合。（图片来源：Ievgeniia Tiukova 等，《英国皇家学会界面杂志》2026年） ### 一次失败的预测带来新的发现 一个实验说明了为什么闭合预测与实验之间的循环如此重要。 系统最初测试了谷氨酸是否能保护酵母免受甲酸胁迫。实验结果并不支持预测的机制。研究人员并没有就此止步，而是将新的代谢组学数据反馈回计算流程中。 回归模型对由此产生的代谢变化（https://www.thebrighterside.news/post/equal-weight-loss-different-results-keto-produced-the-largest-liver-changes/）进行了搜索，并对可能更好地解释抗性的化合物进行排序。这一过程指向了氨基己二酸——一种参与赖氨酸代谢的中间产物。 系统据此生成了另一个假说，并将其返回到实验流程中。 当氨基己二酸与甲酸联合使用时，氨基己二酸每增加一毫摩尔，酵母生长就提高约7%。研究人员称这是首次证明氨基己二酸能够赋予细胞对甲酸胁迫的抗性。 这一结果体现了传统AI分析与自动化发现循环之间的一个重要区别。机器不仅仅做出了预测。它遇到了与预测矛盾的证据，利用这些证据提出了另一种解释，并通过实验验证了这个新想法。 各氨基酸的可行假说数量。柱状图展示了每种氨基酸中回归系数非零的逻辑程序数量，即为该氨基酸生成的可行假说总数。（图片来源：Ievgeniia Tiukova 等，《英国皇家学会界面杂志》2026年） ### 每一次实验都成为下一次实验的一部分 该项目的一个核心内容是构建可供机器查询的科学记忆。 假说、实验方案、大语言模型提示词、结果和实验元数据被存储在一个图数据库中，并使用标准化的科学本体。这使得系统能够判断一个看似全新的问题是否已被早先的实验部分解答。 在一个案例中，AI生成了一个关于脯氨酸与甲酸抗性相关的假说（https://www.thebrighterside.news/post/dying-for-the-nest-sick-ants-choose-the-colony-over-life/）。数据库显示相关测量数据已经存在，因为脯氨酸此前曾作为对照使用过。 这些数据与新假说相矛盾，从而使得系统能够降低另一次实验室运行的优先级。 如果自主实验室开始生成成千上万个实验，这种数据复用可能会变得越来越重要。物理实验仍然成本高昂，即使由机器人来执行也是如此。 ### 实验室并非完全自主运行 该系统仍然存在重要的局限性。 假说——无论是以逻辑程序的原始形式还是大语言模型输出的形式——都被形式化为描述逻辑公理，使用了扩展版的丝状真菌表型本体（APO）；生成的实验计划使用生物医学调查本体（OBI）中的术语存储；经验数据则使用Genesis本体中的术语存储。（图片来源：Ievgeniia Tiukova 等，《英国皇家学会界面杂志》2026年） 人类定义了它的科学研究范围、设定了安全边界并提供了底层架构。将样品板在不同工作站之间转移以及补充物资仍然需要人工介入。 到目前为止，所研究的假说都是酵母中相对简单的化学和代谢相互作用（https://www.thebrighterside.news/post/hornets-can-consume-unlimited-amounts-of-alcohol-without-ever-getting-buzzed/）。该研究并未证明存在一种能够独立选择重要研究问题或解读其广泛科学意义的AI。 作者们设想的是，机器将接管假说生成、实验执行和数据管理的重复性循环，而人类则决定哪些问题值得关注。 "人类科学家在确定研究优先级、解读广泛科学意义和确保伦理监督方面仍然不可或缺，"资深作者Ross King表示。 未来的版本可以纳入转录组学、蛋白质组学（https://www.thebrighterside.news/post/experimental-drug-turns-cancers-sugar-hunger-against-tumors/）以及其他生物学测量，同时由更精密的推理系统来选择最有可能提供最大量新信息的实验。 这可能会使这项工作的意义与其说是取代科学家，不如说改变了科学运作的规模。人类研究员无法亲自评估数千种逻辑关系、持续进行实验并以机器可读的知识网络形式保留每一个结果。而一个经过精心约束的自动化实验室则有可能做到这一点。 ### 深入了解自主科学发现 这些研究和资源探讨了AI科学家、自主实验室和自动化实验研究这一快速发展的领域。 迈向AI研究的端到端自动化（https://doi.org/10.1038/s41586-026-10265-5?）：研究人员开发了一种能够从研究想法出发，经历实验、分析、论文撰写和自动化审稿的AI系统，在机器学习领域展示了端到端的研究自动化。（*Nature*, 2026） 通过自主实验室加速科学并提升可及性（https://doi.org/10.1038/s41467-025-59231-1）：这一观点文章探讨了自主实验室如何将机器人技术、实验选择和机器学习结合起来，在加速科学发现的同时提升先进研究基础设施的可及性。（*Nature Communications*, 2025） 引领安全的自主实验室（https://doi.org/10.1038/s41570-025-00747-x）：研究人员考察了自主软件获得物理实验室设备控制权后所产生的安全挑战，并为日益强大的自主实验室提出了安全防护措施。（*Nature Reviews Chemistry*, 2025） --- - AI科学家在实现科学研究端到端自动化方面迈出了重要一步（https://www.thebrighterside.news/post/the-ai-scientist-takes-a-big-step-toward-end-to-end-automation-of-scientific-research/） - 推出Biomni：斯坦福大学的AI共同科学家，旨在加速生物医学研究（https://www.thebrighterside.news/post/introducing-biomni-stanfords-ai-co-scientist-built-to-accelerate-biomedical-research/） - 杜克大学科学家创建了一把能够缩短、扩展和重写蛋白质的AI Raygun（https://www.thebrighterside.news/post/duke-scientists-create-an-ai-raygun-that-shrinks-expands-and-rewrites-proteins/） --- ---