從LLM能力到科研組織結(jié)構(gòu)：Agentic AI如何重構(gòu)生物醫(yī)學團隊科學

編輯丨%

過去幾年，生成式人工智能（Generative AI）在生物醫(yī)學領(lǐng)域大放異彩。從蛋白結(jié)構(gòu)預測到藥物篩選，大模型不斷刷新效率邊界。但它們始終有一個隱形前提：單體模型在執(zhí)行任務(wù)。

來自美國洛杉磯 Cedars-Sinai 醫(yī)療中心的一支團隊提出了一個更激進的方向——讓多個「具備自主決策能力的智能體人工智能（Agentic AI）」協(xié)作。他們總結(jié)出有助于智能體 AI 系統(tǒng)開發(fā)的三種關(guān)鍵算法和七種基礎(chǔ)構(gòu)建塊特征，并重點介紹了它們的應(yīng)用、設(shè)計考量，以及在后續(xù)部署中面臨的挑戰(zhàn)和機遇。

相關(guān)研究內(nèi)容以「Agentic AI and the rise of in silico team science in biomedical research」為題，于 2026 年 2 月 24 日發(fā)布在《Nature Biotechnology》。

論文鏈接：https://www.nature.com/articles/s41587-026-03035-1

從模型調(diào)用到分工

Agentic AI 指的是一種框架，它能讓一個或多個自主智能體協(xié)作，以追求共同的高級目標。它在改變那些長期被認為是人類獨有活動方面具有巨大潛力。它雖然處在發(fā)展初期，但仍能有效解決生物醫(yī)學研究中人力、時間、技術(shù)等痛點，未來將與人類研究者深度協(xié)作而非替代。

圖示：人類研究團隊與 Agentic AI 研究團隊以及生物醫(yī)學研究中角色扮演 AI 智能體的特征。

三種算法共同構(gòu)成了 Agentic AI 的技術(shù)基礎(chǔ)，其中大語言模型（LLMs）是核心引擎，強化學習優(yōu)化行為，進化算法實現(xiàn)創(chuàng)新突破。

1. 大語言模型（LLMs）：作為 Agentic AI 的主要推理引擎，能將人類指令轉(zhuǎn)化為計算行為，可分為閉源閉權(quán)重、開源權(quán)重非全開源、全開源三類；雖存在幻覺問題，但自然語言邏輯表達能力無可替代，是多智能體協(xié)作的溝通基礎(chǔ)。
2. 強化學習（RL）：通過與環(huán)境交互優(yōu)化累積獎勵，可將人類反饋、倫理原則融入獎勵函數(shù)，分為可驗證獎勵強化學習（RLVR）和基于偏好的強化學習（如 RLHF）；但存在獎勵破解、專家標注數(shù)據(jù)不足等問題，在生物醫(yī)學領(lǐng)域的評估還受安全、倫理、成本制約。
3. 進化算法：受生物進化啟發(fā)的群體優(yōu)化技術(shù)，能迭代優(yōu)化候選解決方案，常發(fā)現(xiàn)偏離人類直覺的新行為和架構(gòu)，近年逐步融入 Agentic AI，用于增強代碼生成等智能體能力。

除此之外，論文還總結(jié)了適用于生物醫(yī)學研究的 Agentic AI 系統(tǒng)的七大關(guān)鍵特征：具體為推理、驗證、反思、規(guī)劃、工具使用、記憶、溝通，且文中以數(shù)學乘法運算為例清晰闡釋了各特征的作用。

推理可通過微調(diào)、提示工程等優(yōu)化，但尚未在生物醫(yī)學領(lǐng)域超越人類；工具使用是其與傳統(tǒng) AI 的核心區(qū)別，可靈活調(diào)用生物信息學工具（如 PLINK）、檢索增強生成（RAG）等；記憶分為長、短期，解決上下文丟失問題，但仍面臨可靠性挑戰(zhàn)；溝通涵蓋智能體間、智能體與人類、智能體與工具，標準化協(xié)議是協(xié)作效率的關(guān)鍵。

應(yīng)用與挑戰(zhàn)

圖示：智能體人工智能系統(tǒng)在各種生物醫(yī)學研究任務(wù)中的應(yīng)用。

在醫(yī)療場景應(yīng)用中，整體工作流程先從利用 SciLitLLM、知識圖譜 + LLMs 等實現(xiàn)文獻檢索、信息提取、圖表轉(zhuǎn)文本，自動化耗時的基礎(chǔ)工作。下一步就是基于文獻迭代生成并優(yōu)化假設(shè)。

BioPlanner、BioDiscoveryAgent 等可實現(xiàn)實驗方案的文本化、基因擾動實驗的動態(tài)設(shè)計，結(jié)合實驗室協(xié)議和專業(yè)分析工具完成定制化設(shè)計。DrugAgent、CellForge 等能自動化編程、生成優(yōu)化模型架構(gòu)，處理單細胞多組學等高維異質(zhì)生物醫(yī)學數(shù)據(jù)，優(yōu)化領(lǐng)域特異性分析方法。

這些研究子任務(wù)的成功，進一步推動了推動了多種用于端到端生物醫(yī)學研究的智能體人工智能系統(tǒng)的發(fā)展。Biomni、Virtual Lab 等多智能體系統(tǒng)可完成從文獻綜述到報告生成的全流程研究，如 Virtual Lab 成功設(shè)計 92 種針對 SARS-CoV-2 變體的新型納米抗體。

但即使如此，Agentic AI 在生物醫(yī)學領(lǐng)域的規(guī)模化部署仍面臨多維度挑戰(zhàn)：數(shù)據(jù)問題、隱私與安全、成本與能耗、算法公平性、系統(tǒng)可靠性。

生物醫(yī)學系統(tǒng)的構(gòu)建方法

Agentic AI 正在為生物醫(yī)學研究帶來變革性機遇，其地位正在從「助手」逐步升級為「合作者」。利用知識圖譜與多模態(tài) LLM 融合，智能體將會得到升級，進一步的技術(shù)發(fā)展也將解決工具與語言之間的使用壁壘。

在這些發(fā)展階段中，人類仍然是不可缺少的一環(huán)，研究者仍將在基準設(shè)計、研究監(jiān)督、倫理把控、資源分配等方面發(fā)揮不可替代的作用，二者將形成深度協(xié)作的研究模式。