你的下一批科研隊友，將是AI智能體！生物醫(yī)學研究進入智能體驅(qū)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(shù)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(tǒng)上勞動密集型任務。這些發(fā)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(fā)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(tǒng)，該系統(tǒng)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(shù)據(jù)來引導解決方案的生成、決策制定和執(zhí)行，從而實現(xiàn)人類指定的目標。而Agentic AI則是一種新型 AI 架構(gòu)，它能讓一個或多個智能體協(xié)同工作，以實現(xiàn)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(xiàn)出巨大潛力。生物醫(yī)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(shù)據(jù)分析、結(jié)果解讀以及真實世界驗證等反復且迭代的過程。生物醫(yī)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(xiàn)出作為有效工具的潛力，能夠通過創(chuàng)建特定領(lǐng)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(yī)學研究中的一些障礙。

近日，西達賽奈醫(yī)學中心的Jason H. Moore團隊在Nature Biotechnology上發(fā)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(tǒng)正在作為智能計算專家團隊涌現(xiàn)，能夠在文獻綜述、假設提出、數(shù)據(jù)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(xiàn)。這些系統(tǒng)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(yī)學研究。

該文章討論了推動Agentic AI發(fā)展的三項關(guān)鍵算法和七項基礎構(gòu)建模塊特征，重點介紹了它們在生物醫(yī)學領(lǐng)域的應用、設計考慮因素，以及部署 Agentic AI 系統(tǒng)以推進協(xié)作科學研究所面臨的挑戰(zhàn)與機遇。

目前，在生物醫(yī)學領(lǐng)域，Agentic AI仍處于早期發(fā)展階段，相關(guān)進展大多以預印本或技術(shù)報告的形式發(fā)布，通常尚未經(jīng)過全面的同行評審，但 AI 算法和工程技術(shù)的持續(xù)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(nèi)部架構(gòu)示例

驅(qū)動Agentic AI 的關(guān)鍵算法

Agentic AI的發(fā)展主要由三大算法驅(qū)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(qū)動引擎，將人類指令轉(zhuǎn)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(fā)，用于優(yōu)化 Agentic AI 的響應或架構(gòu)設計，能發(fā)現(xiàn)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(gòu)建用于生物醫(yī)學研究的 Agentic AI 的關(guān)鍵——

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

• 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(guī)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(tài)、動態(tài)或按需規(guī)劃。

• 工具使用： 決定如何及何時使用專業(yè)工具（例如生物信息學工具、機器學習庫、生物醫(yī)學知識圖譜），這是 Agentic AI 與傳統(tǒng) AI 的區(qū)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(guān)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(zhì)量至關(guān)重要。

當前 Agentic AI 在生物醫(yī)學中的應用

目前，Agentic AI 已應用于生物醫(yī)學研究的多個環(huán)節(jié)——

• 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(xù)優(yōu)化生物醫(yī)學假設，評估其相關(guān)性、新穎性、可行性和意義。

• 實驗設計： 理解實驗室協(xié)議和專業(yè)分析工具并設計實驗。

• 數(shù)據(jù)分析： 執(zhí)行端到端的分析流程，自動化編程，或優(yōu)化領(lǐng)域特定的計算方法。

• 端到端研究周期： 協(xié)調(diào)多個智能體完成從目標設定到發(fā)現(xiàn)的全流程研究，例如，Virtual Lab 系統(tǒng)成功設計了新的 SARS-CoV-2 納米抗體。

Agentic AI 系統(tǒng)在各類生物醫(yī)學研究任務中的應用

生物醫(yī)學研究各個領(lǐng)域（功能基因組學、基因組編輯、藥物發(fā)現(xiàn)、空間基因組學、蛋白組學）中的 Agentic AI 系統(tǒng)案例

生物醫(yī)學應用中的挑戰(zhàn)

• 數(shù)據(jù)： 格式、維度和異質(zhì)性帶來的處理與整合困難。

• 隱私與安全： 處理敏感患者數(shù)據(jù)時需滿足高標準，防范大語言模型的數(shù)據(jù)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(yī)療不平等。

• 可靠性： 系統(tǒng)可能因架構(gòu)缺陷、智能體協(xié)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(tǒng)向通用的多智能體系統(tǒng)演進，并強調(diào)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?nèi)祟悓＜遥亲非笸耆灾鳌Ｉ鐓^(qū)開發(fā)與產(chǎn)業(yè)驅(qū)動的系統(tǒng)各有優(yōu)劣，未來的混合協(xié)作模式可能結(jié)合雙方優(yōu)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(guī)和負責任部署。

論文鏈接：

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