AI仅用两天攻克超级细菌“十年难题”(组图)
大鱼新闻 科技 14 hours, 56 minutes
谷歌人工智能“co-scientist”在 48 小时内解决了困扰科学家长达十年的超级细菌之谜，相关科学家表示非常震惊，甚至开始怀疑自己电脑里的私人文件是不是被人工智能访问过......
这要从英国帝国理工学院何塞·佩纳德斯（José Penadés）教授团队的一项研究成果说起。此前，他和团队耗时十年左右研究为什么某些细菌会对抗生素产生耐药性。
他和团队不知疲倦地工作，就是为了揭示超级细菌是如何进化和传播的。但当谷歌的人工智能“co-scientist”尝试解决这一问题时，它仅用两天就得出了同样的结论。
图 | 何塞·佩纳德斯（José Penadés）（来源：资料图）
佩纳德斯惊呆了，因为他和团队的相关论文尚未发表，这意味着人工智能并不能简单地在现有研究中发现它们。他最初设想过是不是人工智能访问了他的私人电脑文件。
后来，他给谷歌写了一封电子邮件，询问后者人工智能是不是能够访问他的电脑。谷歌向他保证没有。
相反，是谷歌的“co-scientist”独立地生成了正确的假设。更值得注意的是，它提出了四个额外的理论，所有这些理论在科学上都是合理的，其中还包括一个佩纳德斯从未考虑过的理论。这让佩纳德斯和他的同事们相信，“co-scientist”可以彻底改变科学发现。
那么，佩纳德斯的这项研究成果到底讲了什么？这得从超级细菌即耐药菌说起，这种细菌已经对全球健康构成严重威胁。此前，学界一直在努力了解这些危险的微生物是如何获得耐药性并在物种间传播的。
佩纳德斯和团队曾假设，一些细菌是通过从病毒中借用遗传物质进化而来的。这些细菌会获得病毒的“尾巴”，这种结构使它们能在不同物种之间移动，就像打开多扇门的钥匙一样。
具体来说，在这项研究之中佩纳德斯等人发现了一种名为“衣壳形成噬菌体诱导性染色体岛”（cf-PICIs，capsid-forming phage-inducible chromosomal islands）的新型生物实体，这种颗粒能够帮助细菌跨越物种边界，实现基因的广泛传播。
佩纳德斯等人发现 cf-PICIs 是一种新型的移动遗传元素，它们能够产生自己的衣壳并包装自身的 DNA。与传统的卫星病毒不同，cf-PICIs 不依赖辅助噬菌体提供完整的感染颗粒，而是通过一种称为“尾劫持”的机制来实现跨物种传播。
当 cf-PICIs 被诱导时，它们会产生无尾的小衣壳，这些衣壳中含有它们的 DNA。一旦释放到环境中，这些无尾衣壳会与不同物种的噬菌体尾部结合从而形成 cf-PICIs。这些 cf-PICIs 能够将 DNA 注入不同的细菌物种中，从而实现跨物种的基因传播。
研究中，佩纳德斯团队通过冷冻电子显微镜技术揭示了 cf-PICIs 衣壳的结构。借此发现这些衣壳具有类似于 HK97 噬菌体的结构特征，并显示出高度的进化保守性。
嵌合感染颗粒的衣壳能够避免与辅助噬菌体的衣壳发生干扰，确保其独特的基因传播策略得以实现。总的来说，cf-PICIs 的发现揭示了一种全新的细菌基因传播机制。这种机制不仅扩展了细菌的宿主范围，还可能在细菌进化和抗生素耐药性的传播中发挥重要作用。
（来源：bioRxiv）
而为了测试“co-scientist”的能力，佩纳德斯团队让它尝试探索关于上述研究中的课题。结果，“co-scientist”迅速返回了一组假设。它给出的首要答案便是：超级细菌通过获取病毒尾部来进化，而这正是佩纳德斯在过去十年里苦苦尝试证实的内容。
佩纳德斯说，如果一开始就能通过人工智能得到这个假设，那么就可以为他和团队节省数年时间。因此这证明，人工智能可以在创纪录的时间内产生突破性的科学理论，从而能够消除许多阻碍传统研究的瓶颈。
蒂亚戈·迪亚斯·达科斯塔（Tiago Dias da Costa）博士，是本次研究的参与者之一。他告诉媒体，科学研究涉及到大量的试错。在找到正确的方法之前，经常会遇到许多的实验“死胡同”。而“co-scientist”有望尽早地排除“死胡同”，从而加快科研速度。
“co-scientist”能够通过分析大量数据来开展工作，这些数据包括已发表的研究论文、科学数据库以及人工提交的私人文档。然后，它会综合所有可用证据，形成假设，甚至还会提出实验设计。
为了进一步地验证“co-scientist”的能力，佩纳德斯等人并没有向其提出一个开放式的问题，而是给它一个他们已经解决的问题，以确保能够评估其回应的准确性。结果“co-scientist”的表现超出了预期，它不仅复制了佩纳德斯团队的此前研究成果，而且还提出了其他研究方向。
（来源：谷歌）
佩纳德斯说，他和团队也曾尝试市面上其他的人工智能系统，但没有一个能得出正确答案。甚至有些人工智能系统即使在输入描述答案的论文后也无法得出答案，而“co-scientist”会给出从未想过的角度。佩纳德斯表示，他从未接受过谷歌任何资助。那么，“co-scientist”到底有何厉害之处？
“co-scientist”：使用 Gemini 2.0 构建的多智能体人工智能系统
据谷歌公开介绍，“co-scientist”是一个使用 Gemini 2.0 构建的多智能体人工智能系统。与之前的同类人工智能模型不同的是，“co-scientist”可以与科学家进行对话，根据科学家的反馈完善其想法，并能提出新的研究方向。
（来源：谷歌）
除了标准的文献综述、摘要和“deep research”工具之外，“co-scientist”旨在发现新的原创性知识，并根据先前的证据和特定研究目标，制定新颖的研究假设和建议。
为此，“co-scientist”运用了一个由多个智能体组成的联盟——生成（Generation）、反思（Reflection）、排序（Ranking）、进化（Evolution）、邻近性（Proximity）和元审查（Meta-review）智能体，它们的设计灵感源于科学方法本身。
这些智能体利用自动化反馈来反复生成、评估和完善假设，从而形成一个自我改进的循环，不断产出质量越来越高且新颖的成果。
一般情况下，完成一项科研工作往往需要不同想法的碰撞。而“co-scientist”专门为协作而构建，人类科学家可以通过多种方式与它进行交互，包括直接提供自己的种子想法以供探索，或者用自然语言对生成的成果提供反馈。“co-scientist”还能利用网络搜索和专门的大模型等工具，来增强生成假设的依据性和质量。
在使用时，“co-scientist”将指定的目标解析为一个研究计划配置，由主管智能体进行管理。主管智能体将专门智能体分配到工作任务队列，并分配资源。这种设计让其能够灵活地扩展计算能力，并朝着特定的研究目标迭代地改进科学推理能力。
与此同时，“co-scientist”利用扩展测试时间计算（test-time）来迭代推理、发展和改进输出。其中的关键推理步骤包括：基于自我博弈的科学辩论（用于产生新假设）、排名比赛（用于比较假设）以及“进化”过程（用于改进质量）。“co-scientist”的代理性质促进了递归自我批评，包括使用工具进行反馈以改进假设和提案。
据谷歌公开表示，“co-scientist”的自我改进依赖于从其竞赛中衍生出的 Elo 自动评估指标。为此，谷歌评估了更高的 Elo 评级是否与更高的输出质量相关。
具体来说，谷歌分析了 Elo 自动评级与 GPQA 基准在其难题集上的准确性之间的一致性，结果发现更高的 Elo 评级与正确答案概率更高呈正相关。
（来源：谷歌）
“co-scientist”：并未要取代人类科学家，而是成为科研小助手
不过，“co-scientist”并不是为了取代人类科学家。相反，它希望通过与人类科学家合作，提供快速分析和创新见解。关于此，或许从“co-scientist”这一命名中的“co”就能看出它的使命旨在帮助人类科学家。
总之，“co-scientist”有着不错的潜在应用前景。在对抗抗菌素耐药性的斗争中，它可以帮助科学家快速识别有前景的候选药物；在做课题前期调研时，它可以简化文献综述，使研究人员能够在几分钟内综合大量现有知识（而不需要耗时几个月）；它甚至可能降低年轻科学家进入科研领域的门槛，让他们在不需要几十年经验的情况下获得最前沿的见解。
毫无疑问，人工智能正在迅速重塑科学发现。支持者认为，人工智能可以加速研究，使其更快、更高效。批评者担心，这可能会消除就业机会，削弱人类科学家的作用。
然而，前面提到的佩纳德斯认为人工智能是一种强大的工具，而不是威胁。未来，谷歌还将通过可靠测试人员计划为科研组织提供访问“co-scientist”系统的权限。
参考资料：
https://www.newser.com/story/364628/google-ai-tool-catches-up-to-years-of-research-in-48-hours.html
https://research.google/blog/accelerating-scientific-breakthroughs-with-an-ai-co-scientist/
https://www.biorxiv.org/content/10.1101/2025.02.11.637232v1
运营/排版：何晨龙
这要从英国帝国理工学院何塞·佩纳德斯（José Penadés）教授团队的一项研究成果说起。此前，他和团队耗时十年左右研究为什么某些细菌会对抗生素产生耐药性。
他和团队不知疲倦地工作，就是为了揭示超级细菌是如何进化和传播的。但当谷歌的人工智能“co-scientist”尝试解决这一问题时，它仅用两天就得出了同样的结论。
图 | 何塞·佩纳德斯（José Penadés）（来源：资料图）
佩纳德斯惊呆了，因为他和团队的相关论文尚未发表，这意味着人工智能并不能简单地在现有研究中发现它们。他最初设想过是不是人工智能访问了他的私人电脑文件。
后来，他给谷歌写了一封电子邮件，询问后者人工智能是不是能够访问他的电脑。谷歌向他保证没有。
相反，是谷歌的“co-scientist”独立地生成了正确的假设。更值得注意的是，它提出了四个额外的理论，所有这些理论在科学上都是合理的，其中还包括一个佩纳德斯从未考虑过的理论。这让佩纳德斯和他的同事们相信，“co-scientist”可以彻底改变科学发现。
那么，佩纳德斯的这项研究成果到底讲了什么？这得从超级细菌即耐药菌说起，这种细菌已经对全球健康构成严重威胁。此前，学界一直在努力了解这些危险的微生物是如何获得耐药性并在物种间传播的。
佩纳德斯和团队曾假设，一些细菌是通过从病毒中借用遗传物质进化而来的。这些细菌会获得病毒的“尾巴”，这种结构使它们能在不同物种之间移动，就像打开多扇门的钥匙一样。
具体来说，在这项研究之中佩纳德斯等人发现了一种名为“衣壳形成噬菌体诱导性染色体岛”（cf-PICIs，capsid-forming phage-inducible chromosomal islands）的新型生物实体，这种颗粒能够帮助细菌跨越物种边界，实现基因的广泛传播。
佩纳德斯等人发现 cf-PICIs 是一种新型的移动遗传元素，它们能够产生自己的衣壳并包装自身的 DNA。与传统的卫星病毒不同，cf-PICIs 不依赖辅助噬菌体提供完整的感染颗粒，而是通过一种称为“尾劫持”的机制来实现跨物种传播。
当 cf-PICIs 被诱导时，它们会产生无尾的小衣壳，这些衣壳中含有它们的 DNA。一旦释放到环境中，这些无尾衣壳会与不同物种的噬菌体尾部结合从而形成 cf-PICIs。这些 cf-PICIs 能够将 DNA 注入不同的细菌物种中，从而实现跨物种的基因传播。
研究中，佩纳德斯团队通过冷冻电子显微镜技术揭示了 cf-PICIs 衣壳的结构。借此发现这些衣壳具有类似于 HK97 噬菌体的结构特征，并显示出高度的进化保守性。
嵌合感染颗粒的衣壳能够避免与辅助噬菌体的衣壳发生干扰，确保其独特的基因传播策略得以实现。总的来说，cf-PICIs 的发现揭示了一种全新的细菌基因传播机制。这种机制不仅扩展了细菌的宿主范围，还可能在细菌进化和抗生素耐药性的传播中发挥重要作用。
（来源：bioRxiv）
而为了测试“co-scientist”的能力，佩纳德斯团队让它尝试探索关于上述研究中的课题。结果，“co-scientist”迅速返回了一组假设。它给出的首要答案便是：超级细菌通过获取病毒尾部来进化，而这正是佩纳德斯在过去十年里苦苦尝试证实的内容。
佩纳德斯说，如果一开始就能通过人工智能得到这个假设，那么就可以为他和团队节省数年时间。因此这证明，人工智能可以在创纪录的时间内产生突破性的科学理论，从而能够消除许多阻碍传统研究的瓶颈。
蒂亚戈·迪亚斯·达科斯塔（Tiago Dias da Costa）博士，是本次研究的参与者之一。他告诉媒体，科学研究涉及到大量的试错。在找到正确的方法之前，经常会遇到许多的实验“死胡同”。而“co-scientist”有望尽早地排除“死胡同”，从而加快科研速度。
“co-scientist”能够通过分析大量数据来开展工作，这些数据包括已发表的研究论文、科学数据库以及人工提交的私人文档。然后，它会综合所有可用证据，形成假设，甚至还会提出实验设计。
为了进一步地验证“co-scientist”的能力，佩纳德斯等人并没有向其提出一个开放式的问题，而是给它一个他们已经解决的问题，以确保能够评估其回应的准确性。结果“co-scientist”的表现超出了预期，它不仅复制了佩纳德斯团队的此前研究成果，而且还提出了其他研究方向。
（来源：谷歌）
佩纳德斯说，他和团队也曾尝试市面上其他的人工智能系统，但没有一个能得出正确答案。甚至有些人工智能系统即使在输入描述答案的论文后也无法得出答案，而“co-scientist”会给出从未想过的角度。佩纳德斯表示，他从未接受过谷歌任何资助。那么，“co-scientist”到底有何厉害之处？
“co-scientist”：使用 Gemini 2.0 构建的多智能体人工智能系统
据谷歌公开介绍，“co-scientist”是一个使用 Gemini 2.0 构建的多智能体人工智能系统。与之前的同类人工智能模型不同的是，“co-scientist”可以与科学家进行对话，根据科学家的反馈完善其想法，并能提出新的研究方向。
（来源：谷歌）
除了标准的文献综述、摘要和“deep research”工具之外，“co-scientist”旨在发现新的原创性知识，并根据先前的证据和特定研究目标，制定新颖的研究假设和建议。
为此，“co-scientist”运用了一个由多个智能体组成的联盟——生成（Generation）、反思（Reflection）、排序（Ranking）、进化（Evolution）、邻近性（Proximity）和元审查（Meta-review）智能体，它们的设计灵感源于科学方法本身。
这些智能体利用自动化反馈来反复生成、评估和完善假设，从而形成一个自我改进的循环，不断产出质量越来越高且新颖的成果。
一般情况下，完成一项科研工作往往需要不同想法的碰撞。而“co-scientist”专门为协作而构建，人类科学家可以通过多种方式与它进行交互，包括直接提供自己的种子想法以供探索，或者用自然语言对生成的成果提供反馈。“co-scientist”还能利用网络搜索和专门的大模型等工具，来增强生成假设的依据性和质量。
在使用时，“co-scientist”将指定的目标解析为一个研究计划配置，由主管智能体进行管理。主管智能体将专门智能体分配到工作任务队列，并分配资源。这种设计让其能够灵活地扩展计算能力，并朝着特定的研究目标迭代地改进科学推理能力。
与此同时，“co-scientist”利用扩展测试时间计算（test-time）来迭代推理、发展和改进输出。其中的关键推理步骤包括：基于自我博弈的科学辩论（用于产生新假设）、排名比赛（用于比较假设）以及“进化”过程（用于改进质量）。“co-scientist”的代理性质促进了递归自我批评，包括使用工具进行反馈以改进假设和提案。
据谷歌公开表示，“co-scientist”的自我改进依赖于从其竞赛中衍生出的 Elo 自动评估指标。为此，谷歌评估了更高的 Elo 评级是否与更高的输出质量相关。
具体来说，谷歌分析了 Elo 自动评级与 GPQA 基准在其难题集上的准确性之间的一致性，结果发现更高的 Elo 评级与正确答案概率更高呈正相关。
（来源：谷歌）
“co-scientist”：并未要取代人类科学家，而是成为科研小助手
不过，“co-scientist”并不是为了取代人类科学家。相反，它希望通过与人类科学家合作，提供快速分析和创新见解。关于此，或许从“co-scientist”这一命名中的“co”就能看出它的使命旨在帮助人类科学家。
总之，“co-scientist”有着不错的潜在应用前景。在对抗抗菌素耐药性的斗争中，它可以帮助科学家快速识别有前景的候选药物；在做课题前期调研时，它可以简化文献综述，使研究人员能够在几分钟内综合大量现有知识（而不需要耗时几个月）；它甚至可能降低年轻科学家进入科研领域的门槛，让他们在不需要几十年经验的情况下获得最前沿的见解。
毫无疑问，人工智能正在迅速重塑科学发现。支持者认为，人工智能可以加速研究，使其更快、更高效。批评者担心，这可能会消除就业机会，削弱人类科学家的作用。
然而，前面提到的佩纳德斯认为人工智能是一种强大的工具，而不是威胁。未来，谷歌还将通过可靠测试人员计划为科研组织提供访问“co-scientist”系统的权限。
参考资料：
https://www.newser.com/story/364628/google-ai-tool-catches-up-to-years-of-research-in-48-hours.html
https://research.google/blog/accelerating-scientific-breakthroughs-with-an-ai-co-scientist/
https://www.biorxiv.org/content/10.1101/2025.02.11.637232v1
运营/排版：何晨龙
相关新闻