从LLM能力到科研组织结构：Agentic AI如何重构生物医学团队科学

编辑丨%

过去几年，生成式人工智能（Generative AI）在生物医学领域大放异彩。从蛋白结构预测到药物筛选，大模型不断刷新效率边界。但它们始终有一个隐形前提：单体模型在执行任务。

来自美国洛杉矶 Cedars-Sinai 医疗中心的一支团队提出了一个更激进的方向——让多个「具备自主决策能力的智能体人工智能（Agentic AI）」协作。他们总结出有助于智能体 AI 系统开发的三种关键算法和七种基础构建块特征，并重点介绍了它们的应用、设计考量，以及在后续部署中面临的挑战和机遇。

相关研究内容以「Agentic AI and the rise of in silico team science in biomedical research」为题，于 2026 年 2 月 24 日发布在《Nature Biotechnology》。

论文链接：https://www.nature.com/articles/s41587-026-03035-1

从模型调用到分工

Agentic AI 指的是一种框架，它能让一个或多个自主智能体协作，以追求共同的高级目标。它在改变那些长期被认为是人类独有活动方面具有巨大潜力。它虽然处在发展初期，但仍能有效解决生物医学研究中人力、时间、技术等痛点，未来将与人类研究者深度协作而非替代。

图示：人类研究团队与 Agentic AI 研究团队以及生物医学研究中角色扮演 AI 智能体的特征。

三种算法共同构成了 Agentic AI 的技术基础，其中大语言模型（LLMs）是核心引擎，强化学习优化行为，进化算法实现创新突破。

1. 大语言模型（LLMs）：作为 Agentic AI 的主要推理引擎，能将人类指令转化为计算行为，可分为闭源闭权重、开源权重非全开源、全开源三类；虽存在幻觉问题，但自然语言逻辑表达能力无可替代，是多智能体协作的沟通基础。
2. 强化学习（RL）：通过与环境交互优化累积奖励，可将人类反馈、伦理原则融入奖励函数，分为可验证奖励强化学习（RLVR）和基于偏好的强化学习（如 RLHF）；但存在奖励破解、专家标注数据不足等问题，在生物医学领域的评估还受安全、伦理、成本制约。
3. 进化算法：受生物进化启发的群体优化技术，能迭代优化候选解决方案，常发现偏离人类直觉的新行为和架构，近年逐步融入 Agentic AI，用于增强代码生成等智能体能力。

除此之外，论文还总结了适用于生物医学研究的 Agentic AI 系统的七大关键特征：具体为推理、验证、反思、规划、工具使用、记忆、沟通，且文中以数学乘法运算为例清晰阐释了各特征的作用。

推理可通过微调、提示工程等优化，但尚未在生物医学领域超越人类；工具使用是其与传统 AI 的核心区别，可灵活调用生物信息学工具（如 PLINK）、检索增强生成（RAG）等；记忆分为长、短期，解决上下文丢失问题，但仍面临可靠性挑战；沟通涵盖智能体间、智能体与人类、智能体与工具，标准化协议是协作效率的关键。

应用与挑战

图示：智能体人工智能系统在各种生物医学研究任务中的应用。

在医疗场景应用中，整体工作流程先从利用 SciLitLLM、知识图谱 + LLMs 等实现文献检索、信息提取、图表转文本，自动化耗时的基础工作。下一步就是基于文献迭代生成并优化假设。

BioPlanner、BioDiscoveryAgent 等可实现实验方案的文本化、基因扰动实验的动态设计，结合实验室协议和专业分析工具完成定制化设计。DrugAgent、CellForge 等能自动化编程、生成优化模型架构，处理单细胞多组学等高维异质生物医学数据，优化领域特异性分析方法。

这些研究子任务的成功，进一步推动了推动了多种用于端到端生物医学研究的智能体人工智能系统的发展。Biomni、Virtual Lab 等多智能体系统可完成从文献综述到报告生成的全流程研究，如 Virtual Lab 成功设计 92 种针对 SARS-CoV-2 变体的新型纳米抗体。

但即使如此，Agentic AI 在生物医学领域的规模化部署仍面临多维度挑战：数据问题、隐私与安全、成本与能耗、算法公平性、系统可靠性。

生物医学系统的构建方法

Agentic AI 正在为生物医学研究带来变革性机遇，其地位正在从「助手」逐步升级为「合作者」。利用知识图谱与多模态 LLM 融合，智能体将会得到升级，进一步的技术发展也将解决工具与语言之间的使用壁垒。

在这些发展阶段中，人类仍然是不可缺少的一环，研究者仍将在基准设计、研究监督、伦理把控、资源分配等方面发挥不可替代的作用，二者将形成深度协作的研究模式。