Nature：首個全自動AI科學家——Robin！兩小時內完成人類科學家數月工作量，發現致盲眼病新藥

撰文丨王聰

編輯丨王多魚

排版丨水成文

科研牛馬們，請放下手中的移液器，深呼吸。

因為你們接下來的工作，可能要被一個叫Robin的 AI 科學家搶走了——它只用 2 小時不到，就完成了人類科學家 4 個月的工作量。更恐怖的是，它的升級版——Kosmos，也已經發布...

2026 年 5 月 19 日，非營利研究機構 FutureHouse 在國際頂尖學術期刊Nature上發表了題為：A multi-agent system for automating scientific discovery 的研究論文。

該論文正式報道了全球首個能夠實現全自動科學發現的多智能體 AI 系統——Robin（其于 2025 年 5 月在預印本平臺發布），

該研究開發了一個多智能體系統——Robin，能夠實現科學發現的“全閉環自動化”。它不僅擁有超強大腦，能在半小時內閱讀并消化數百篇文獻，還能自主設計實驗、分析數據，甚至發現了治療致盲眼病干性年齡相關黃斑變性（dAMD）的潛在新藥并解析了作用機制。

該論文正文中的所有假設、實驗方向、數據分析以及數據圖表均由 Robin 完成，作為首個在迭代的“實驗室-閉環”框架內自主發現并驗證新型治療候選藥物的 AI 系統，Robin 為 AI 驅動的科學發現樹立了新范式。

Robin：一個不知疲倦的“科研小組”

科學發現依賴于觀察、假設生成、實驗和數據分析的迭代過程。盡管近年來人工智能（AI）在生物學中的應用取得了進展，但目前還沒有任何 AI 系統能夠自動完成所有這些階段。

以往的 AI 系統要么擅長看文獻，要么擅長跑數據，很難把兩者融會貫通。而Robin的厲害之處，在于它巧妙地將幾個專精不同的 AI 智能體捏合在了一起，宛如一個分工明確的科研夢之隊——

• Crow（烏鴉）智能體，負責快速掃描海量文獻，抓取關鍵信息，進行簡明的文獻綜述，以確定實驗策略和治療候選方案；

• Falcon（獵鷹）智能體，負責開展深入的文獻綜述，以生成全面的報告，評估每一項實驗策略和治療候選方案。

• Finch（雀鳥）智能體，負責對實驗數據進行自主分析，無論是復雜的流式細胞術數據，還是高通量 RNA 測序（RNA-seq）結果，它都能自主編寫代碼、分析數據、繪制圖表，并給出嚴謹的統計學結論，進而獲取用于假設生成的洞察。

有了這三位各司其職的智能體，Robin 真正打通了從“提出假設”到“驗證假設”的任督二脈。

實戰演練：挑戰“視力殺手”

為了讓 Robin 小試牛刀，研究團隊給它下達了一個高難度指令：為干性年齡相關黃斑變性（dAMD）尋找新的治療方案。

這是一種目前尚無有效治愈手段的致盲眼病。Robin 接手后，迅速展現了驚人的科研直覺——

第一步：鎖定致病機制，通過消化數百篇眼科研究論文，Robin 敏銳地指出：dAMD 的核心問題之一，是眼底的視網膜色素上皮（RPE）細胞“罷工”了。具體來說，是它們的吞噬功能受損，導致代謝廢物無法被及時清理，進而毒害了感光細胞。因此，增強 RPE 細胞的吞噬能力，就是破局關鍵。

第二步：大海撈針尋良藥，確定了攻關方向，Robin 立刻在龐大的藥物庫中交叉比對，最終挑選出了一批最有希望激活 RPE 細胞吞噬能力的“老藥”。

第三步：實驗室見真章，人類科學家根據 Robin 提名的候選名單進行了體外細胞實驗。結果令人振奮：Robin 篩選出的藥物不僅命中率高，其中一款名為Ripasudil（一種?ROCK 抑制劑?）的藥物表現尤為驚艷。

Ripasudil原本在臨床上用于治療青光眼，但 Robin 發現，它能強效促進 RPE 細胞的吞噬作用。此外，Robin 還發掘了一款叫做KL001的化合物（一種隱花色素蛋白穩定劑，可用于調節晝夜節律），這也是首次發現它能增強 RPE 細胞的吞噬功能。

順藤摸瓜：AI 自主破解藥理“黑盒”

找到好藥只是第一步，搞清楚“為什么好”才是科研的終極目標。

在這方面，Robin再次秀了一把操作。面對Y-27632（另一種 ROCK 抑制劑）的實驗數據，Robin 自主提議并設計了 RNA-seq 測序方案。在分析測序結果時，它不僅精準定位了差異表達的基因，還通過富集分析敏銳地察覺到：這類藥物可能會通過重塑細胞骨架和調控細胞自噬，來加速廢物的清理。

更讓人驚訝的是，Robin 在數據分析中發現了一個被學界長期忽略的線索——ABCA1 基因的顯著上調。ABCA1 是一種關鍵的脂質外排泵，與眼部健康息息相關。這一發現，為未來開發針對 dAMD 的全新靶向療法開辟了意想不到的新方向。

科研大提速：從 900 小時壓縮到 2 小時

根據論文中的估算，在該研究中，閱讀并總結 800 多篇文獻，并完成一套完整的“提出假設-設計實驗-數據分析-機制探索-繪制圖表”的科研閉環，人類專家平均需要耗費約 872-937 個小時（相當于連續工作近 4 個月）。而Robin完成同樣工作量，僅花費不到 2 個小時。

這不僅僅是省時省力，更是科研范式的顛覆。過去，由于人類精力和腦容量的限制，許多像 Ripasudil 這樣具有老藥新用潛力的寶藏，往往要在文獻堆里蒙塵十年之久才能被人發掘。而現在，AI 可以在不到兩小時內跨越這些鴻溝。

論文鏈接：

https://www.nature.com/articles/s41586-026-10652-y