你给 AI 一个棘手的科研问题，它不再只交出一段看似完整的答案，而是像一个临时研究组：有人查论文，有人提出解释，有人专门挑错，最后再把思路汇总。不过，这个“研究组”仍会误解最基本的问题，也不能替实验作证。Nature 报道的 Co-Scientist，正好展示了 AI 进入科研流程后，研究工作可能怎样换挡，以及人为什么暂时不能离开驾驶座。
从回答问题，到组织一次研究
AI co-scientist——“AI 共同科学家”——不是拥有职位的机器同事，而是一套参与科研流程的系统。普通聊天机器人往往一次生成答案；据 Nature 报道，Google 开发的 Co-Scientist 会启动多个自主 AI agents（可各自执行任务的软件代理），分别检索和综合论文、比较相互竞争的解释、改进并批判假设，再用已发表证据反复检查想法。
这更像把一场课题组讨论拆给多名虚拟成员：各走一条路，随后汇合。代价是计算量和等待时间都可能很大。生物化学家 Anna Pertl 输入问题后，甚至直接离开过夜。
她和生物工程师 Kalon Overholt 想解决的是一个癌症研究难题：能否利用分子凝聚体（condensates，一些蛋白质聚集形成的分子簇）抑制 MYC。MYC 是一种在大多数癌症中失调、又长期难以有效压制的蛋白质。
这项提问建立在 Richard Young 团队此前的研究上。据 Nature 对其 2018 年工作的介绍，细胞会把调控蛋白集中到凝聚体中，让它们聚集在 super-enhancers（超级增强子，控制重要基因活动的基因组区域）附近，从而开启关键基因；癌细胞还能劫持这套机制，让编码 MYC 的基因过度活跃。Young 共同创办的 Dewpoint Therapeutics 正在探索直接靶向肿瘤细胞凝聚体，但“正在探索”并不等于疗效已经成立。
先把问题讲对，机器才谈得上找答案
案例里最值得注意的，不是 AI 一夜之间想出了什么，而是它在开始前先犯了两个基础错误。Co-Scientist 把本应作为靶点的蛋白质簇误当成药物，还以为这些蛋白质簇总会激活基因表达，实际上有些会抑制表达。Pertl 与 Overholt 来回沟通近一小时，才纠正误解并让系统理解任务。
之后，系统到第二天检索了逾 700 篇论文，生成 108 种可能策略，淘汰到只剩一种。它没有建议溶解凝聚体，而是反过来提出把它们“粘”在一起：利用 click chemistry（点击化学，一类用于快速连接分子的反应）把激活或抑制 MYC 的蛋白质连成更大的团块，设想借此让 MYC 的 DNA 无法继续被读取。
研究人员此前知道，DNA 及其周围蛋白质可以从较松散的液态变得更坚实，类似明胶冷却后凝固；但把这种变化用于关闭癌症基因，在报道描述中仍是未经开拓的方向。Overholt 称这一构想在概念上很有吸引力，也承认团队此前没有想到过。这里的关键词仍是“构想”：材料没有给出这项具体方案的实验验证结果。
科研工作的稀缺环节正在移动
科学假设不是一个听起来新颖的说法，而是可以被实验或数据证伪的解释。生成候选想法可以很快，设计出真正区分对错的检验则更难。Co-Scientist 的价值首先可能在扩大搜索范围：同时追踪多条推理路线，从大量文献中找出研究者未必会主动连接的线索。
Nature 还提到，研究人员已用该系统寻找能在培养皿中杀死白血病细胞的药物组合，以及识别在实验室条件下促进受损肝组织再生的治疗方案。Anthropic、OpenAI、FutureHouse 和 Phylo 等机构也在推出面向科研任务的系统。不过，报道中的案例与引述来自单一信源，不能据此认定 AI 已普遍“革新”科研，更不能把提出假设等同于发现成立。
真正可能变化的是人的位置。人在回路（human in the loop）意味着研究者仍要审查引用、判断实验是否可行、控制安全风险，并检查结论有没有越过证据。机器承担更多检索、发散和初筛后，稀缺能力可能转向：提出值得追的问题，以及判断哪条路线值得投入时间和实验资源。
局限与未知
- 这项 MYC 方案在材料中只有思路和研究人员评价，没有实验数据，不能判断它是否有效。
- 系统需要研究者长时间澄清问题并纠正概念错误，说明它并未独立完成发现；多代理协作也可能消耗大量计算资源和时间。
- 一个更长期的矛盾是：研究者需要更深的专业知识来识别 AI 的错误，但如果学生把基础工作过早交给机器，又可能失去形成这种判断力的训练机会。