你的下一批科研队友，将是AI智能体！生物医学研究进入智能体驱动新阶段

编译丨王聪

编辑丨王多鱼

排版丨水成文

人工智能（AI）技术的最新进展正在重塑诸如信息检索（例如 ChatGPT）、编程（例如 GitHub Copilot）和图像生成（例如 DALL-E）等传统上劳动密集型任务。这些发展得益于算法的显著改进，例如大语言模型（LLM）和强化学习（RL），从而重新激发了人们对Agent（智能体）和Agentic AI（代理式 AI）的兴趣。

Agent被定义为一个系统，该系统包含一个或多个计算模型，这些模型能够自主运行，通过处理数据来引导解决方案的生成、决策制定和执行，从而实现人类指定的目标。而Agentic AI则是一种新型 AI 架构，它能让一个或多个智能体协同工作，以实现共同的高层次目标，Agentic AI 在变革长期以来被认为具有独特人类属性的活动方面展现出巨大潜力。生物医学研究就是其中之一，它通常涉及文献回顾、假设生成、实验设计、数据分析、结果解读以及真实世界验证等反复且迭代的过程。生物医学研究面临诸多阻碍，包括专家资源有限、时间紧迫、资金资源匮乏以及对多种技能和知识的高需求。而 Agentic AI 正开始展现出作为有效工具的潜力，能够通过创建特定领域的专家智能体、处理科学文献语料库以及迭代更新实验计划来缓解生物医学研究中的一些障碍。

近日，西达赛奈医学中心的Jason H. Moore团队在Nature Biotechnology上发表了题为：Agentic AI and the rise of in silico team science in biomedical research 的观点文章。

Agentic AI系统正在作为智能计算专家团队涌现，能够在文献综述、假设提出、数据分析和模型解释等劳动密集型任务中作为媲美人类的表现。这些系统有望通过基于情境信息和专家反馈自主决策，来加速劳动密集型的生物医学研究。

该文章讨论了推动Agentic AI发展的三项关键算法和七项基础构建模块特征，重点介绍了它们在生物医学领域的应用、设计考虑因素，以及部署 Agentic AI 系统以推进协作科学研究所面临的挑战与机遇。

目前，在生物医学领域，Agentic AI仍处于早期发展阶段，相关进展大多以预印本或技术报告的形式发布，通常尚未经过全面的同行评审，但 AI 算法和工程技术的持续进步，正在迅速拓展其能力。

人类研究团队 vs Agentic AI 研究团队

AI 智能体的内部架构示例

驱动Agentic AI 的关键算法

Agentic AI的发展主要由三大算法驱动：

• 大语言模型： GPT-5.2、Claude Opus 4.5、Gemini 3、DeepSeek-V3.2 等大语言模型（LLM）作为 Agentic AI的主要驱动引擎，将人类指令转化为计算操作。

• 强化学习： 用于训练和改进 Agentic AI，通过奖励机制使 AI 行为与人类偏好或伦理原则对齐，包括基于人类反馈的强化学习和基于可验证奖励的强化学习等方法。

• 进化算法： 受生物进化原理启发，用于优化 Agentic AI 的响应或架构设计，能发现不同于人类直觉的新颖解决方案。

Agentic AI 的七大特征

文章指出，以下七大特征是构建用于生物医学研究的 Agentic AI 的关键——

• 推理： 从已有知识和情境信息中推导结论，模仿人类认知策略和应用逻辑推理技术。

• 验证： 确保推理过程和最终答案的正确性，与事实知识对齐，旨在减轻大语言模型的“幻觉”问题。

• 反思： 通过迭代的自我改进来增强推理能力，分析失败原因并避免重复错误。

• 规划： 将复杂任务分解为更易管理的子任务，并组织行动顺序。可以是静态、动态或按需规划。

• 工具使用： 决定如何及何时使用专业工具（例如生物信息学工具、机器学习库、生物医学知识图谱），这是 Agentic AI 与传统 AI 的区别之一。

• 记忆： 存储和检索情境信息或过去事件的摘要，包括短期记忆和长期记忆，防止遗忘关键信息或重复失败实验。

• 通信： 智能体之间、智能体与人类、智能体与工具之间的高效沟通，对于 Agentic AI 的整体工作质量至关重要。

当前 Agentic AI 在生物医学中的应用

目前，Agentic AI 已应用于生物医学研究的多个环节——

• 文献综述： 自动化文献检索和信息提取。

• 假设生成： 基于多轮文献检索生成并持续优化生物医学假设，评估其相关性、新颖性、可行性和意义。

• 实验设计： 理解实验室协议和专业分析工具并设计实验。

• 数据分析： 执行端到端的分析流程，自动化编程，或优化领域特定的计算方法。

• 端到端研究周期： 协调多个智能体完成从目标设定到发现的全流程研究，例如，Virtual Lab 系统成功设计了新的 SARS-CoV-2 纳米抗体。

Agentic AI 系统在各类生物医学研究任务中的应用

生物医学研究各个领域（功能基因组学、基因组编辑、药物发现、空间基因组学、蛋白组学）中的 Agentic AI 系统案例

生物医学应用中的挑战

• 数据： 格式、维度和异质性带来的处理与整合困难。

• 隐私与安全： 处理敏感患者数据时需满足高标准，防范大语言模型的数据记忆和泄露风险。

• 成本、能源与硬件： 训练和推理的高计算成本与能源消耗。

• 公平性： 确保模型在不同群体中性能等效，避免加剧医疗不平等。

• 可靠性： 系统可能因架构缺陷、智能体协作不力或研究问题定义不清而失败。

未来展望

作者们预计，Agentic AI 将从专门的单一智能体系统向通用的多智能体系统演进，并强调了适应性自主的重要性——Agentic AI 应能有效理解何时需要就模糊或高风险任务咨询人类专家，而非追求完全自主。社区开发与产业驱动的系统各有优劣，未来的混合协作模式可能结合双方优势。最终，人类研究者在设计、实施和管理 Agentic AI 方面仍将扮演不可或缺的角色，确保其科学有效性、伦理合规和负责任部署。

论文链接：

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