Nature登载自动化科学发现多智能体系统

# 一款2014年上市的青光眼药水，被一套三Agent系统改写成了治失明的新药 先说结论：一款2014年在日本上市、原本仅用于治疗青光眼的眼药水，不该在2026年的《自然》杂志上被重新发掘。 但在5月19日《自然》正式刊登的论文里，FutureHouse的Robin系统确实将这一设想变为现实。Robin聚焦的是干性年龄相关性黄斑变性（dAMD），全球约2亿患者深受其扰，目前尚无任何药物能恢复视力。它最终给出的候选药物是Ripasudil——一种ROCK激酶抑制剂，2014年在日本以青光眼药物Glanatec上市，此前从未有任何文献提及它可用于治疗dAMD。 这一发现本身并非最值得关注之处。真正吸引业界目光的是Robin这套系统的工程架构——它如何将“文献阅读→假设生成→优先级排序→实验设计→数据分析”这条原本由人类博士后串联完成的工作流，拆分为三个分工明确的智能体（Agent），再通过一种非传统的排序算法保障输出质量。 --- ## Robin的总体架构 Robin是一个四阶段编排系统，包含三个领域Agent与一个编排器（Orchestrator）。三个Agent通过LiteLLM接入多模型后端，主要使用GPT-4o，部分综述任务则调用Claude 3.5 Sonnet。 这四个阶段并非单向流水线。Stage 4完成一轮实验后，数据会反馈回Stage 1的假设池（hypothesis pool），整个循环支持多轮迭代。Robin端到端完成一次药物发现周期约需2.5个月，其中Stage 1+2这个核心子任务实际运行2小时——论文扩展数据中给出的人类博士后等效工作量是937小时。 --- ## Crow vs Falcon：两个文献Agent的设计动机 很多人初看会认为同时部署Crow与Falcon是冗余设计。实际上，这是FutureHouse在PaperQA2基础上进行的明确职能分工——两个Agent分别处理两类截然不同的检索负载。 " Agent | 任务类型 | 典型问题 | 输出 | RAG循环轮数 | |-------|---------|---------|------|-------------| | Crow | 聚焦搜索 | 「Y-27632在RPE吞噬功能上有哪些已发表证据」 | 3-10篇高相关文献，引用锚定回答 | 2-3轮 | | Falcon | 深度搜索 | 「dAMD发病机理中可干预的细胞功能障碍有哪些」 | 跨百篇文献的综合综述 | 不固定，按知识缺口迭代 | 两个Agent底层共用PaperQA2，但调度工具与提示词截然不同。PaperQA2自身的工具集包括搜索论文（Search Papers）、收集证据（Gather Evidence）、生成答案（Generate Answer）三大组件。 Falcon的关键不在于检索本身，而在于它将收集证据（Gather Evidence）设计为可反复触发——每轮根据证据池中的知识缺口自动重写查询，这是一种智能体循环而非单次RAG。相比之下，Crow将整个循环控制在2到3轮以内，以降低延迟。 --- ## 排序算法：为什么Robin选了pairwise + Elo 这一段是整篇论文中对AI工程师最具借鉴意义的部分。 Robin在Stage 1结束后会获得一个包含100至200条候选假设（candidate strategies）的池子。需要从中选出top-N给后续阶段，最直觉的做法是用LLM作为裁判进行绝对评分——让模型每一条给出1到10的分数。Robin早期版本曾尝试过这一方案，结论是不可用。 原因有二。第一，校准失效——LLM对绝对分数的校准能力极差，同一条假设运行10次可能得到3到9分的差异。第二，位置污染——分数受提示中其他候选顺序的影响，位置偏差非常明显。 Robin最终选择了成对比较加Elo排名（pairwise comparison + Elo ranking）。每次取出两条假设让GPT-4o判断“哪条更有希望”，每场记录胜负，最后将胜负序列转换为Elo分数。这套思路借鉴自Chatbot Arena的人类偏好评估体系。 工程上还做了两项优化： **优化一：瑞士制锦标赛（Swiss-system tournament）。** 成对比较的全排列复杂度为O(N²)，200条假设需要19900场比较，显然不可接受。Robin采用瑞士制锦标赛，每轮按当前Elo分数匹配对手，运行8到10轮即可稳定top-N，比较次数压缩至约2000场。 **优化二：3次运行多数投票（3-run majority voting）。** 每场比较运行3次取多数结果，以缓解GPT-4o自身的非确定性。 这个设计的隐含前提是“成对偏好比绝对评分更稳定”，这与RLHF同构。Robin论文中未特别强调，但这是整套系统能稳定输出的关键——换成LLM作为裁判打绝对分，同样的流水线跑出来，Ripasudil很可能无法进入top-10。 --- ## Finch：把Jupyter当工具调用接口 Finch是三个Agent中架构最特殊的——它的执行环境就是一个Jupyter内核。 主流的代码执行Agent（如OpenAI Code Interpreter、Claude Code、Devin）通常采用沙箱加Bash加Python的组合。Robin Finch的差异在于它将Jupyter notebook的单元格执行模型直接暴露给LLM——每次工具调用对应一个单元格，各单元格间共享内核状态。 这一设计带来三个显著优势： " 优势 | 说明 | |------|------| | 状态持久化 | LLM可在第N次调用时直接引用前N-1次产生的DataFrame或模型对象 | | 输出无损回传 | 每个单元格的标准输出与图像可无损回传给LLM做下一步推理，对matplotlib图形输出尤为友好 | | 错误恢复成本低 | 单个单元格出现问题仅需局部修复，无需重置整个会话 | Finch的工具调用模式大致如下： ```ja vascript { "tool": "execute_cell", "code": "df = pd.read_csv('rpe_phagocytosis.csv')\nprint(df.describe())", "expected_outputs": ["dataframe summary", "potential issues"] } ``` Finch执行后将标准输出、错误信息、图像base64一并塞回上下文，模型基于这些信息决定下一步是画图、运行t检验还是建议新实验。论文扩展数据中展示了一个完整的Finch跟踪记录，包含43个单元格——从加载bulk RNA-seq数据一路运行到火山图、GO富集分析、下一轮实验设计，全程无需人工干预。 --- ## Stage 4的实验设计自动化 Stage 3筛选出Ripasudil之后，Stage 4需要回答两个问题：采用什么体外模型验证？选择哪些实验终点？ Robin的体外模型选择逻辑如下：Falcon先进行综述，列出dAMD研究中常用的模型（iPSC-RPE、ARPE-19、原代猪RPE、小鼠模型），然后让Finch按可获得性、文献成熟度、与人类生理相关性三个维度打分，最终选定iPSC-RPE。 实验终点的选择更值得关注。Robin从假设链反推：先把核心终点锁定为“RPE对外节膜盘碎片的吞噬效率”，对应的标准检测方法是pHrodo标记的光感受器外节吞噬实验。 实验完成后，Finch直接接管RNA-seq数据分析。Robin报告显示，Ripasudil处理组中ARHGEF18、ABCA1等多个细胞骨架与脂质转运相关基因显著上调，与ROCK抑制释放肌动蛋白细胞骨架重组的预期机制吻合。整个从数据到机制的解读链条均由Finch自动生成。 --- ## 与同类系统对比 将Robin放到2024至2026年这一波AI驱动科学研究的工作中横向比较，差异主要体现在三个维度。 | 系统 | 发布时间 | 目标领域 | 编排方式 | 关键算法选择 | 端到端验证 | |------|---------|---------|---------|-------------|-----------| | Sakana AI Scientist v1 | 2024.08 | 机器学习研究 | 单Agent循环 | LLM自评分 | 无湿实验，论文质量受质疑 | | DeepMind Co-Scientist | 2025.02 | 通用生物医学 | 多Agent辩论 | 多智能体辩论 | 仅基准集验证 | | Stanford Virtual Lab | 2025.03 | 蛋白质设计 | 角色扮演多Agent | 自由对话 | 部分湿实验，无新发现 | | FutureHouse Robin | 2025.05预印本 / 2026.05《自然》 | 药物重定位 | 四阶段流水线+三专用Agent | 成对比较+Elo排序 | 完整湿实验，新治疗假设 | Robin的工程决胜之处有三：流水线结构化而非智能体辩论，便于调试与复现；成对比较加Elo排序避免了LLM绝对评分不可靠的硬伤；药物重定位任务为Robin提供了相对狭窄的搜索空间（已获批化合物约2000个），使Stage 3的化合物筛选变得可行。 --- ## 失败模式与自检机制 论文并未回避失败模式，开发过程中累积的可复现错误大致分为三类。这三类自检机制均非100%可靠，论文明确指出Robin不能脱离人工终审——尤其是涉及临床推荐的关键节点。 --- ## 落到产业侧 先看AI制药企业。英矽智能、晶泰科技、剂泰医药等AI药企过去两年的工作主要集中在分子生成与靶点预测，其流程覆盖度与Robin的“问题立项→候选→实验→机制”全链条尚有差距。Robin代码已在Future-House/robin开源，PaperQA2更早开源，国内复现与本土化适配的窗口期就在未来12个月。 再看CRO行业。中后台知识工作（文献综述、实验设计、生物信息学分析）被自动化已是确定性趋势——反过来看，纯湿实验执行能力会变得更加稀缺。像药明康德这样重资产投入湿实验与动物模型的公司，护城河将进一步加深；而从事CRO信息化服务的中小公司则面临更大压力。 最后谈国产基座模型。Robin这套流水线对工具调用稳定性、长上下文连贯性、代码执行精准度的要求都非常高。Qwen3.7-Max与DeepSeek-R1目前在Berkeley函数调用排行榜上相较GPT-4o仍有差距——要支撑Robin级别的流水线，需要针对科学领域进行专门的监督微调（SFT）。 --- ## 几个还没看清楚的点 **复现成本。** 论文给出的“2小时vs937小时”对照中，人类组的工作流细节并未完全交代。第三方独立团队运行Robin的成功率与算力成本（论文未披露完整Token账单）目前尚无可靠数据。 **临床有效性。** Ripasudil在iPSC-RPE上的吞噬恢复仅为体外实验结果。从体外实验到III期临床，历史成功率不到10%。从Robin给出假设到Ripasudil能否真正治疗dAMD，至少需要3到5年。 **方法学迁移。** dAMD属于“文献深厚、机制相对收敛、候选化合物可枚举”的Robin友好型问题。换到罕见病、新机制疾病、未知靶点场景，Robin的Stage 1假设池质量会显著下降，成对比较排序也会因信号稀疏而失效。 **合理但错误的因果链。** Robin的兜底机制能抓取事实性幻觉，但无法识别“证据链每一步都成立、整体推论错误”的案例。这类错误在医药领域代价极高，目前尚无公开可用的检测方法。 --- ## 写在最后 如果说要找一条最值得跨领域迁移的方法，Stage 2那个成对比较加Elo设计是首选。这套思路同样适用于推荐系统的策略选择、AI产品的多方案评测、代码审查的自动化排序。Robin将其从评测领域迁移到科研流水线——这件事的可迁移性，比Ripasudil本身更值得关注。