斯坦福造出「AI 虚拟实验室」：多智能体几天搞定新冠纳米抗体

当你还在工位上端着刚泡好的咖啡发呆时，隔壁由几个 AI 组成的科研小组，已经在几秒钟内开完了上百场学术讨论会。

斯坦福大学医学院与陈·扎克伯格生物中心的研究团队在《自然》杂志上发表了一项研究。他们打造了一个全虚拟的 AI 实验室，里面不仅有负责统筹全局的 AI 首席研究员，还有专门负责找茬的 AI 审稿人。

在针对新冠病毒变异株的疫苗设计测试中，这个 AI 实验室只用了几天时间就拿出了方案。随后人类科学家去真实的湿实验里验证，发现它给出的设计竟然真的有效。

让 AI 首席研究员自己招兵买马

传统的科研流程里，跨学科合作往往是最卡壳的环节。懂算法的不懂免疫，懂生物的不会算力，光是拉会沟通就能耗掉大半个月。

斯坦福副教授 James Zou 团队的做法很彻底。人类科学家只需要在最开始向系统抛出一个研究课题，然后直接退居二线，当一个只在 1% 关键节点才插手把关的观察者。

接单的是一个被设定为首席研究员的 AI 智能体。它拿到课题后，会根据需要自己拆解任务，并调遣专门的子智能体入场。

比如在新冠病毒疫苗项目里，它自己组建了免疫学专家、计算生物学专家和机器学习专家。除此之外，每一个项目团队里都雷打不动地塞进一个专门唱反调的批评者，专门负责挑刺、找漏洞和提示潜在陷阱。

这些虚拟科学家还懂得主动向人类要工具。比如它们在分析蛋白质时，会主动提出申请调用 AlphaFold 这类蛋白质预测模型，研究团队批准后直接把接口接进去。

它们开组会甚至不需要喝水或上厕所，一场充满争论的学术研讨往往只要几秒或几分钟。人类团队只需要通过后台生成的完整文字记录，随时看它们到底在聊什么。

92 个设计里挑出真家伙

在实战测试中，AI 团队没有走最常规的抗体路线，而是自己挑了一条更取巧的捷径：纳米抗体。

AI 科学家在组会里的推理很符合计算逻辑：纳米抗体比普通抗体分子小得多、结构更简单，这意味着机器学习模型在做三维结构设计时把握更大、更可控。

虚拟实验室一口气拿出了 92 个纳米抗体设计方案。陈·扎克伯格生物中心的 John Pak 团队把这些图纸拿到真实的物理实验室里合成，结果让人吃惊。

其中有两个候选分子不仅结构稳定，还能精准吸附在最新的新冠突变株上，结合紧密度甚至超过了人类此前设计的分子。同时脱靶率极低，而且还能跨越到五年前的原始武汉毒株上起效。

现在人类实验室已经把湿实验里跑出来的真实数据回传给 AI，让虚拟团队在此基础上继续迭代第二轮方案。

为什么重要

这套模式最重要的价值，是让科研从过去拼体力和拼人脉的作坊式摸索，变成了全天候并行的流水线。

对普通研究员或生物初创公司来说，最大的门槛从来不是买计算卡，而是招齐横跨免疫、算法和结构的顶尖团队。现在你只要给出预算和靶点，AI 团队就能帮你把前期假说筛个底朝天，极大地降低了前期的试错成本。

我们认为，斯坦福这套架构最聪明的地方不是生成分子的算法，而是把批评机制写进了多智能体协同框架里。大模型最怕的是互相吹捧导致的幻觉膨胀，让一个智能体专门负责鸡蛋里挑骨头，反倒把幻觉压制成了严谨的推导。

但这里也有明显的隐患。整个虚拟实验室能跑通，很大程度上依赖于人类设定的现实预算和外部真实湿实验的校验。如果没有 John Pak 团队在物理实验室里兜底，再漂亮的 92 个分子设计也只是服务器上的几段字符。

看起来，完全自主的科学探索还离不开人类物理世界的锚点。但它至少证明了一件事：在提出假说和推演逻辑这个环节上，人类科学家的脑力瓶颈，已经被这群不睡觉的虚拟同事撕开了一个口子。