（AI 资源之家讯）AI 正在改写科学发现的规则。美国非营利机构 FutureHouse 联合牛津大学、福特汉姆大学的研究团队，近日在顶刊《Nature》上发表论文，宣布成功构建出全球首个能够自动化完成科学发现全流程的多智能体系统——Robin。这是 AI 从 "实验室工具" 迈向 "半自主科研系统" 的历史性突破。
30 分钟完成人类 800 小时的工作
Robin 系统的震撼之处，在于其颠覆性的效率提升。在针对干性年龄相关性黄斑变性（dAMD）的药物筛选任务中，Robin 用 30 分钟整合了 551 篇专业文献，完成了人类研究员需要 800 小时以上才能完成的工作。整个科研流程——从文献调研、假设生成、候选药物筛选到实验数据分析——在不足 2 小时内跑通，单次工作流成本仅约 10.76 美元。
更重要的是，Robin 首次实现了 "科学假设生成—实验分析—结果反馈—假设迭代" 的连续闭环。此前，AI 系统往往只能承担其中一个环节，而 Robin 将整个链条贯通，实现了真正意义上的半自主科研。
三智能体协作架构
Robin 由三个专职智能体协作运行。Crow 负责文献检索、病理机制梳理和候选药物初步挖掘，底层调用 OpenAI o4-mini；Falcon 负责深度验证与药理机制分析，同时校正幻觉引用；Finch 则是数据分析专家，能够实时生成并执行 Python/ R 代码，对生物实验数据进行分析，运行于独立 Docker 容器之中。
在评审层面，Robin 采用了双层大模型体系：Claude 3.7 Sonnet 承担核心评审，Gemini 2.5 Pro 负责对齐专家偏好，最终通过布拉德利 - 特里 - 卢斯模型完成候选药物的排序。多家顶级 AI 机构的模型在这套系统中各司其职，协同完成单一机构难以独立实现的复杂推理。
真实药物发现：不只是论文
Robin 不只是停留在方法论层面，它真实地发现了有价值的候选药物。系统首次提出了 ROCK 抑制剂通过增强视网膜色素上皮细胞吞噬功能治疗干性黄斑变性的全新策略，并筛选出已上市青光眼药物利帕舒地尔（ripasudil）——该药物在体外实验中将细胞吞噬能力提升约 1.89 倍，且无明显细胞毒性，具备良好的临床转化潜力。
与 OpenAI Deep Research Agent 在相同任务下的表现对比，结果颇为意外：OpenAI 方案生成的 17 种候选药物均未表现出吞噬增强活性，也未识别出 ROCK 抑制这一核心机制。这凸显了 Robin 在生物医学细分场景中的专业适配优势。
距离 "自主科学家" 还有多远
尽管 Robin 的表现令人瞩目，研究团队也坦承了当前局限：复杂实验设计仍高度依赖领域专家，跨尺度生物机制理解能力有待提升，距离真正意义上的 "自主科学家" 尚有差距。
但方向已经明确。AI 资源之家认为，Robin 代表的多智能体科研范式，正在重塑科学发现的效率边界。当 AI 能够以 10 美元、2 小时的成本完成科研团队数月的工作，科学加速的飞轮将以人类难以预期的速度转动。
