你的下一批科研隊友，將是AI智能體！生物醫學研究進入智能體驅動新階段

編譯丨王聰

編輯丨王多魚

排版丨水成文

人工智能（AI）技術的最新進展正在重塑諸如信息檢索（例如 ChatGPT）、編程（例如 GitHub Copilot）和圖像生成（例如 DALL-E）等傳統上勞動密集型任務。這些發展得益于算法的顯著改進，例如大語言模型（LLM）和強化學習（RL），從而重新激發了人們對Agent（智能體）和Agentic AI（代理式 AI）的興趣。

Agent被定義為一個系統，該系統包含一個或多個計算模型，這些模型能夠自主運行，通過處理數據來引導解決方案的生成、決策制定和執行，從而實現人類指定的目標。而Agentic AI則是一種新型 AI 架構，它能讓一個或多個智能體協同工作，以實現共同的高層次目標，Agentic AI 在變革長期以來被認為具有獨特人類屬性的活動方面展現出巨大潛力。生物醫學研究就是其中之一，它通常涉及文獻回顧、假設生成、實驗設計、數據分析、結果解讀以及真實世界驗證等反復且迭代的過程。生物醫學研究面臨諸多阻礙，包括專家資源有限、時間緊迫、資金資源匱乏以及對多種技能和知識的高需求。而 Agentic AI 正開始展現出作為有效工具的潛力，能夠通過創建特定領域的專家智能體、處理科學文獻語料庫以及迭代更新實驗計劃來緩解生物醫學研究中的一些障礙。

近日，西達賽奈醫學中心的Jason H. Moore團隊在Nature Biotechnology上發表了題為：Agentic AI and the rise of in silico team science in biomedical research 的觀點文章。

Agentic AI系統正在作為智能計算專家團隊涌現，能夠在文獻綜述、假設提出、數據分析和模型解釋等勞動密集型任務中作為媲美人類的表現。這些系統有望通過基于情境信息和專家反饋自主決策，來加速勞動密集型的生物醫學研究。

該文章討論了推動Agentic AI發展的三項關鍵算法和七項基礎構建模塊特征，重點介紹了它們在生物醫學領域的應用、設計考慮因素，以及部署 Agentic AI 系統以推進協作科學研究所面臨的挑戰與機遇。

目前，在生物醫學領域，Agentic AI仍處于早期發展階段，相關進展大多以預印本或技術報告的形式發布，通常尚未經過全面的同行評審，但 AI 算法和工程技術的持續進步，正在迅速拓展其能力。

人類研究團隊 vs Agentic AI 研究團隊

AI 智能體的內部架構示例

驅動Agentic AI 的關鍵算法

Agentic AI的發展主要由三大算法驅動：

• 大語言模型： GPT-5.2、Claude Opus 4.5、Gemini 3、DeepSeek-V3.2 等大語言模型（LLM）作為 Agentic AI的主要驅動引擎，將人類指令轉化為計算操作。

• 強化學習： 用于訓練和改進 Agentic AI，通過獎勵機制使 AI 行為與人類偏好或倫理原則對齊，包括基于人類反饋的強化學習和基于可驗證獎勵的強化學習等方法。

• 進化算法： 受生物進化原理啟發，用于優化 Agentic AI 的響應或架構設計，能發現不同于人類直覺的新穎解決方案。

Agentic AI 的七大特征

文章指出，以下七大特征是構建用于生物醫學研究的 Agentic AI 的關鍵——

• 推理： 從已有知識和情境信息中推導結論，模仿人類認知策略和應用邏輯推理技術。

• 驗證： 確保推理過程和最終答案的正確性，與事實知識對齊，旨在減輕大語言模型的“幻覺”問題。

• 反思： 通過迭代的自我改進來增強推理能力，分析失敗原因并避免重復錯誤。

• 規劃： 將復雜任務分解為更易管理的子任務，并組織行動順序。可以是靜態、動態或按需規劃。

• 工具使用： 決定如何及何時使用專業工具（例如生物信息學工具、機器學習庫、生物醫學知識圖譜），這是 Agentic AI 與傳統 AI 的區別之一。

• 記憶： 存儲和檢索情境信息或過去事件的摘要，包括短期記憶和長期記憶，防止遺忘關鍵信息或重復失敗實驗。

• 通信： 智能體之間、智能體與人類、智能體與工具之間的高效溝通，對于 Agentic AI 的整體工作質量至關重要。

當前 Agentic AI 在生物醫學中的應用

目前，Agentic AI 已應用于生物醫學研究的多個環節——

• 文獻綜述： 自動化文獻檢索和信息提取。

• 假設生成： 基于多輪文獻檢索生成并持續優化生物醫學假設，評估其相關性、新穎性、可行性和意義。

• 實驗設計： 理解實驗室協議和專業分析工具并設計實驗。

• 數據分析： 執行端到端的分析流程，自動化編程，或優化領域特定的計算方法。

• 端到端研究周期： 協調多個智能體完成從目標設定到發現的全流程研究，例如，Virtual Lab 系統成功設計了新的 SARS-CoV-2 納米抗體。

Agentic AI 系統在各類生物醫學研究任務中的應用

生物醫學研究各個領域（功能基因組學、基因組編輯、藥物發現、空間基因組學、蛋白組學）中的 Agentic AI 系統案例

生物醫學應用中的挑戰

• 數據： 格式、維度和異質性帶來的處理與整合困難。

• 隱私與安全： 處理敏感患者數據時需滿足高標準，防范大語言模型的數據記憶和泄露風險。

• 成本、能源與硬件： 訓練和推理的高計算成本與能源消耗。

• 公平性： 確保模型在不同群體中性能等效，避免加劇醫療不平等。

• 可靠性： 系統可能因架構缺陷、智能體協作不力或研究問題定義不清而失敗。

未來展望

作者們預計，Agentic AI 將從專門的單一智能體系統向通用的多智能體系統演進，并強調了適應性自主的重要性——Agentic AI 應能有效理解何時需要就模糊或高風險任務咨詢人類專家，而非追求完全自主。社區開發與產業驅動的系統各有優劣，未來的混合協作模式可能結合雙方優勢。最終，人類研究者在設計、實施和管理 Agentic AI 方面仍將扮演不可或缺的角色，確保其科學有效性、倫理合規和負責任部署。

論文鏈接：

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