斯坦福造出「AI 虛擬實驗室」：多智慧體幾天搞定新冠奈米抗體

當你還在工位上端著剛泡好的咖啡發呆時，隔壁由幾個 AI 組成的科研小組，已經在幾秒鐘內開完了上百場學術討論會。

斯坦福大學醫學院與陳·扎克伯格生物中心的研究團隊在《自然》雜誌上發表了一項研究。他們打造了一個全虛擬的 AI 實驗室，裡面不僅有負責統籌全域性的 AI 首席研究員，還有專門負責找茬的 AI 審稿人。

在針對新冠病毒變異株的疫苗設計測試中，這個 AI 實驗室只用了幾天時間就拿出了方案。隨後人類科學家去真實的溼實驗裡驗證，發現它給出的設計竟然真的有效。

讓 AI 首席研究員自己招兵買馬

傳統的科研流程裡，跨學科合作往往是最卡殼的環節。懂演算法的不懂免疫，懂生物的不會算力，光是拉會溝通就能耗掉大半個月。

斯坦福副教授 James Zou 團隊的做法很徹底。人類科學家只需要在最開始向系統丟擲一個研究課題，然後直接退居二線，當一個只在 1% 關鍵節點才插手把關的觀察者。

接單的是一個被設定為首席研究員的 AI 智慧體。它拿到課題後，會根據需要自己拆解任務，並調遣專門的子智慧體入場。

比如在新冠病毒疫苗專案裡，它自己組建了免疫學專家、計算生物學專家和機器學習專家。除此之外，每一個專案團隊裡都雷打不動地塞進一個專門唱反調的批評者，專門負責挑刺、找漏洞和提示潛在陷阱。

這些虛擬科學家還懂得主動向人類要工具。比如它們在分析蛋白質時，會主動提出申請呼叫 AlphaFold 這類蛋白質預測模型，研究團隊批准後直接把介面接進去。

它們開組會甚至不需要喝水或上廁所，一場充滿爭論的學術研討往往只要幾秒或幾分鐘。人類團隊只需要通過後臺生成的完整文字記錄，隨時看它們到底在聊什麼。

92 個設計裡挑出真傢伙

在實戰測試中，AI 團隊沒有走最常規的抗體路線，而是自己挑了一條更取巧的捷徑：奈米抗體。

AI 科學家在組會裡的推理很符合計算邏輯：奈米抗體比普通抗體分子小得多、結構更簡單，這意味著機器學習模型在做三維結構設計時把握更大、更可控。

虛擬實驗室一口氣拿出了 92 個奈米抗體設計方案。陳·扎克伯格生物中心的 John Pak 團隊把這些圖紙拿到真實的物理實驗室裡合成，結果讓人吃驚。

其中有兩個候選分子不僅結構穩定，還能精準吸附在最新的新冠突變株上，結合緊密度甚至超過了人類此前設計的分子。同時脫靶率極低，而且還能跨越到五年前的原始武漢毒株上起效。

現在人類實驗室已經把溼實驗裡跑出來的真實資料回傳給 AI，讓虛擬團隊在此基礎上繼續迭代第二輪方案。

為什麼重要

這套模式最重要的價值，是讓科研從過去拼體力和拼人脈的作坊式摸索，變成了全天候並行的流水線。

對普通研究員或生物初創公司來說，最大的門檻從來不是買計算卡，而是招齊橫跨免疫、演算法和結構的頂尖團隊。現在你只要給出預算和靶點，AI 團隊就能幫你把前期假說篩個底朝天，極大地降低了前期的試錯成本。

我們認為，斯坦福這套架構最聰明的地方不是生成分子的演算法，而是把批評機制寫進了多智慧體協同框架裡。大模型最怕的是互相吹捧導致的幻覺膨脹，讓一個智慧體專門負責雞蛋裡挑骨頭，反倒把幻覺壓制成了嚴謹的推導。

但這裡也有明顯的隱患。整個虛擬實驗室能跑通，很大程度上依賴於人類設定的現實預算和外部真實溼實驗的校驗。如果沒有 John Pak 團隊在物理實驗室裡兜底，再漂亮的 92 個分子設計也只是伺服器上的幾段字元。

看起來，完全自主的科學探索還離不開人類物理世界的錨點。但它至少證明了一件事：在提出假說和推演邏輯這個環節上，人類科學家的腦力瓶頸，已經被這群不睡覺的虛擬同事撕開了一個口子。