全文概要
2026 年 11 月 16 日,圣路易斯华盛顿大学与劳伦斯伯克利国家实验室研究人员在《自然·医学》发表论文,发布了一款开源的 agentic AI co-scientist——OpenScientist。它能够在几分钟内完成原本需要人类专家投入数月时间与专业知识才能完成的数据分析,并可在完全物理隔离的环境中运行以保护敏感临床数据,为科研人员提供了一个开放、可审计的 AI 协作工具。

【开头配图Opening】


1. 生物医学研究正被数据"淹没"

生物医学研究正面临前所未有的数据洪流:单细胞测序动辄数万个细胞、血浆蛋白质组一次测数千种蛋白、电子病历混杂着文本、表格与影像。从这些数据中提取可靠的科学结论,既费时又极度依赖稀缺的跨领域专家。一位熟练的生物统计学研究人员,从零开始重建一整套分析流程、跑完 ROC 曲线、写完统计报告,通常需要数月时间。

近年来,AI 科研平台层出不穷——谷歌的 AI Co-Scientist、Sakana 的 AI Scientist、OpenAI 的 GPT-Rosalind、Edison Scientific 的 Kosmos、Phylo 的 Biomni、Anthropic 的 Claude Science 等,它们都能生成假说、解读多模态数据并产生科学推理。但它们存在一个共同的痛点:都是闭源的。外部研究者无法检查它们到底如何得出结论,无法定制,也无法接入自己机构的算力与数据。

2. 最大卖点:开源、可审计、可隔离

OpenScientist 的核心优势可以用一个词概括:开源。整个系统的编排逻辑、每一步代码执行、每一次文献检索、完整的运行日志,全部可审计。这意味着科研机构可以检查 AI 得出结论的完整过程,可以按需定制,并将其接入自己的数据与算力。

更关键的是,为支持涉及敏感临床数据集的研究,OpenScientist 可使用开源模型进行推理,并在完全"物理隔离"(air-gapped)的环境中运行。这一点对医院和科研机构尤为重要——在数据隐私与安全日益严格的背景下,能否在本地、离线、可控的环境中运行 AI,直接决定了其能否真正落地于真实临床数据。

3. 从"替代"到"协作"的定位

值得强调的是,OpenScientist 的定位是"协作工具"而非"替代者"。它采用 agentic 设计,多个 AI 智能体协同工作,负责生成研究假说并反复推敲细化,其工作方式意在模拟一组人类研究者共同打磨问题的过程,最终判断权仍交还给研究人员。

研究团队在五项生物医学案例研究中接受了领域专家评估,结果表明 OpenScientist 能够在几分钟内完成原本需要人类专家数月投入的分析,支持其与人类专家协同使用、辅助生物医学数据分析。有研究者以"325 人临床队列数据"为例说明其能力:从零重建分析流程、跑 ROC 曲线、写统计报告,OpenScientist 将这一过程压缩到了几分钟,成本接近"一杯咖啡钱"。

对医学科研工作者而言,OpenScientist 的意义不仅在于效率,更在于"开放与可审计"带来的可复现性与信任基础。在 AI 日益深入科研流程的当下,一个能够被检查、被验证、被本地部署的开源 AI 协作工具,或许比一个"黑箱式"的闭源系统更契合科研共同体对严谨性与可复现性的追求。

来源:国际期刊《自然·医学》(Nature Medicine),圣路易斯华盛顿大学/劳伦斯伯克利国家实验室研究团队(2026 年 11 月 16 日在线发表)


解螺旋科研助手企业微信二维码,扫码添加免费领取科研资料礼包,包含AI科研提效、SCI投稿技巧、国自然基金、医学科研绘图、科研软件工具等实用资料


声明:本文资讯来源于公开报道及学术期刊,仅作行业信息传播,不构成临床用药建议。转载需注明来源。