FutureHouse 預覽 Finch：號稱「研一水平」的生物科研 AI

想像一下，你剛招來一個勤奮但略顯青澀的研一研究生：你丟給他一堆關於癌症轉移的論文，問他分子驅動機制是什麼，他二話不說開始寫程式碼跑資料、做圖表，甚至自己核對結果，幾分鐘就把一份初步報告拍在你桌上。

這就是由 Eric Schmidt 資助的非營利研究機構 FutureHouse 剛剛端出的新工具 Finch。在上週剛上線 API 和平臺之後，他們拿出了這個號稱能支援生物學「資料驅動發現」的 AI 工具。

一個幾分鐘就能出圖的「研一新生」

按 FutureHouse 聯合創始人兼 CEO Sam Rodriques 的說法，Finch 的工作流很直接：吃進生物學研究資料（主要是學術論文），接收一段科研提示詞，接著自動執行程式碼生成圖表，最後再檢查結果。

Rodriques 在 X 上把它比作實驗室裡的研一新生。他說，能在幾分鐘內把這套跑通簡直是超能力，而且 Finch 確實找出了一些很酷的東西，在他們自己內部的專案裡用著挺順手。

FutureHouse 的最終野心，是在未來十年內打造出一個真正意義上的「AI 科學家」。但現實是，Finch 目前依然會犯一些 Rodriques 口中「愚蠢的錯誤」。這也是為什麼它現在還處於封閉內測階段，FutureHouse 正在公開招募生物資訊學家和計算生物學家，幫他們抓蟲、測準度和訓模型。

科學狂想與實驗室冷水

想讓 AI 接管科學研究流程的，遠不止 FutureHouse 一家。

OpenAI 執行長 Sam Altman 此前撰文斷言，超級智慧工具將極大加速科學發現；Anthropic 本週剛啟動了「AI for science」計劃，其 CEO 甚至大膽預言 AI 有望幫助找到治癒大多數癌症的方案。再加上 Precedence Research 預測藥物研發市場規模將從 2024 年的 658.8 億美元暴增至 2034 年的 1603.1 億美元，誰都想在這裡分一杯羹。

但學術界和產業界兜頭澆下的冷水也不少。許多前線科研人員並不覺得當下的 AI 真的能指導科學流程。即便是 FutureHouse 自己，目前也還沒用自家的 AI 搞出過哪怕一項突破性發現。

放眼整個行業，拿著 AI 搞藥物發現的明星公司如 Exscientia 和 BenevolentAI，近幾年都遭遇了備受矚目的臨床試驗折戟；即便是 Google DeepMind 頂著光環拿出的 AlphaFold 3，實際預測的準確率波動也相當大。

為什麼重要

對於生物科研人員和計算生物學方向的開發者來說，Finch 這類工具最大的吸引力在於把枯燥的程式碼處理、文獻清洗和初步出圖壓縮到了幾分鐘之內。如果日常需要從大量雜亂論文中撈線索，它值得申請內測去看看，但絕不能把它的結論直接當成科研依據，核驗成本依然在人類專家身上。

從行業角度看，AI 的主戰場正在從通用的寫文作圖，快速收斂到「啃硬骨頭」的垂直科學計算上。巨頭畫的餅很大，但無論是多模態大模型還是專屬 Agent，在嚴謹科學界都面臨同一種拷問：容錯率極低。

我們認為，FutureHouse 把產品定位成「研一新生」是聰明的做法，既降低了外界對其產生幻覺的預期，又點出了輔助定位。不過，做圖表和跑程式碼只是科研裡最淺層的一步。如果 AI 只能複述已知文獻裡的關聯，卻無法提出反共識的真正假說，那它就始終只是個高效的實驗室打工人，離「AI 科學家」的願景還有很長一段路要走。