Cell上近期发表的这篇Empowering biomedical discovery with AI agents，由哈佛医学院的研究人员，介绍了在生物医学领域，AI智能体的类型，不同细分领域AI智能体的应用示例，以及如何构建AI agent。

人工智能领域的领军人物吴恩达教授，曾说过：AI智能体(AI agent)将会超越大语言模型，驱动下一个创新浪潮。 

什么是AI代理（AI agent）？

当前的大语言模型，ChatGPT/Claude等，使用方式还是zero-shot prompt直接对话，也就是我们直接抛给ChatGPT一个问题，比如“写一篇关于xx的论文”，它给我们一个回复。在这个过程中，LLM模型只会执行“生成”这一个动作。

但是，真实世界中的任务通常是由多个流程完成的。比如查文献-确定选题-预实验-完整实验-收集数据-分析数据-写论文初稿等。

AI agent则能够自主学习和推理，通过反馈机制自我改进，依次可以执行多个流程，以完成复杂任务，如：

信息处理与分析：能够处理和分析大型数据集，从数据中挖掘有价值的信息，例如在分析生物医学数据时，可识别数据中的模式和潜在知识，以支持研究决策。

假设生成与评估：可以根据已有的知识和数据生成假设，并对其进行评估。比如在药物研发中，基于对疾病机制和药物作用的理解提出可能有效的药物靶点假设，并分析其合理性。

实验规划与执行：规划实验流程，确定实验步骤、所需工具和资源等，并能与实验平台交互执行实验。像在细胞生物学研究中，安排细胞培养、处理和检测等实验操作。

自我学习与改进：通过持续学习不断提升自身能力，利用新的数据和经验更新知识，改进推理和决策过程。比如在面对新的生物医学研究成果时，学习并调整自己的分析方法和假设。

图：AI智能体赋能生物医学研究的流程。

文中例举了几类不同功能的AI智能体：

头脑风暴智能体：

多个智能体联合各领域专业知识，进行头脑风暴。在这个过程中，智能体优先考虑贡献的数量而非初始质量，以鼓励创新，提出非常规和新颖的想法，参与者可以在他人建议的基础上发现新的研究方向，每个智能体根据其专业知识提供见解和假设，最后进行整合和完善。

专家咨询智能体：

先从具有专业知识的个体获取专业知识，专家智能体从各种来源收集信息并提供见解、解决方案、决策或评估，其他智能体或人类根据这些反馈改进方法。例如在医学研究中，LLM 可协助提供科学评论，但不替代人类专业知识，且智能体可相互咨询以完善想法。

研究辩论智能体：

两组智能体针对研究主题提出相反观点，试图说服对方。一组收集证据支持自己的立场，另一组则对证据进行批判，以暴露或消除其弱点，通过这种方式促进批判性思维和有效沟通，使每个团队努力构建最有说服力的论点来支持自己的立场。

圆桌讨论智能体：

多个智能体参与讨论，促进表达不同观点，共同做出决策。在讨论中，智能体阐述想法、提供反馈、回答问题、根据反馈完善提议或说服同行，推动平等参与，促使智能体贡献专业知识和观点，提出建设性批评，质疑假设并改进解决方案。

自驱动实验室智能体：

在这个多智能体系统中，工作流程在科学家的总体指导下迭代优化，无需逐步的人工监督。理想情况下，假设智能体能够创造性地生成假设，实验智能体执行实验，推理智能体整合结果以指导未来实验设计等。

根据 AI 智能体在假设生成、实验设计和执行以及推理方面的能力，将其分为四个级别（Level 0-3），各等级的功能和区别如下：

Level 0：无 AI 智能体

功能特点：此级别主要使用 ML 模型作为工具，由交互式和基础学习模型进行协调。ML 模型本身并不独立提出可测试和可证伪的假设，而是其输出帮助科学家形成精确假设。例如在研究某些蛋白质功能时，通过 AlphaFold - Multimer 预测蛋白质相互作用，为科学家提供线索以形成关于其功能的假设，但模型本身不具备自主假设能力。在实验设计方面，只能执行预定义任务，且不会根据实际情况对实验协议进行适应性改变。在推理方面，基本不具备独立推理能力。

Level 1：AI 智能体作为研究助手

功能特点：

假设生成：科学家设定假设，智能体可根据现有知识、初步数据或观察结果，制定简单且范围较窄的假设。

实验设计与执行：在科学家指定任务和必要工具的情况下，智能体使用有限的工具和多模态数据执行任务。例如在化学研究中，ChemCrow 结合思维链推理与 ML 工具，支持有机化学中的任务，如识别和总结相关文献以指导实验，但智能体主要是在科学家设定的框架内工作，缺乏自主拓展任务的能力。

Level 2：AI 智能体作为合作者

功能特点：

假设生成：能根据数据趋势和已知文献，生成明确延续现有研究的假设，比 Level 1 的智能体在假设生成上更具自主性。例如在复杂疾病研究中，针对某种药物对特定患者亚群的有效性，智能体可综合来自 GWAS 元分析、靶向测序研究和知识库等多方面的遗传信息，提出更深入的假设。

实验设计与执行：可以设计更严谨的实验协议，更灵活地运用广泛的实验工具。在收集数据后，能采用统计和计算方法分析结果，解释数据以判断其对假设的支持或反驳。例如在药物研发中，智能体可以自主设计并执行针对药物疗效评估的实验，根据实验结果调整实验方案。

推理能力：能够在现有知识范围内解释实验结果，考虑其他可能的解释，评估结果的可靠性和有效性，并且能够合成超越简单总结的概念，与其他研究人员合作并接受同行评审，以确保研究结果的稳健性和可信度。

举例说明：在细胞生物学中，智能体可自主开发和优化关于细胞抗药机制的假设，根据知识和实时实验数据分析，设计并执行具有成本效益的实验方案，在实验过程中不断调整优化，以深入研究药物抗性这一复杂表型。

Level 3：AI 智能体作为科学家

功能特点：

假设生成：具备生成创造性、全新假设的能力，这些假设是对现有知识的间接推断，超越了以往研究的范畴。例如在基因研究中，智能体能够协调多个子智能体系统，发现和评估特定表型的基因标记，提出新的研究思路和假设，如探索新的基因编辑技术对疾病治疗的潜在影响。

实验设计与执行：可以开发新的实验方法，解锁新的研究能力，积极通过各种实验或模拟技术收集数据，以测量和记录生物现象。例如在细胞生物学研究中，智能体不仅能优化实验协议，还能开发变革性技术，实现对细胞行为在时空上的高分辨率探测，为研究提供前所未有的数据。

推理能力：基于实验结果和解释，能够不断改进实验方法，以实现持续学习和适应，提高对生物现象理解的准确性和深度。同时，能够在复杂的研究结果中找到简洁、信息丰富且清晰的概念联系，推动科学知识的创新和发展。

举例说明：在化学生物学中，智能体可以针对难以成药的靶点提出全新的结合剂设计方案，设计原位实验研究分子相互作用，合成具有复杂作用途径的分子，并设计和执行相关实验以测试其功效，为化学药物研发开辟新的方向。

ChatGPT面世2周年了，从3.5到4.0，到具有推理能力的o1，到openai正在酝酿发布的GPT5（Altman说可能不叫这个名字），AI领域发展飞速。在AI for Science领域，具有自主学习、反思和推理改进能力的AI智能体，将会进一步加速科学发现的进程，帮助解决复杂科学问题。