美国FutureHouse推动生物研究自动化新范式

在人工智能不断突破边界的当下，一种全新的科研模式正在悄然崛起：AI不仅仅是工具，更试图成为“科学家”的一员。位于美国旧金山的非营利机构FutureHouse正在将这一设想变为现实。通过开发一整套面向生命科学的AI系统，FutureHouse希望建构“AI科学家”的原型，推动科研流程从“人主AI辅”转向“人机共创”。近期，其AI系统Robin在仅2.5个月内成功识别出干性年龄相关性黄斑变性潜在疗法的案例，成为这一趋势的里程碑事件。

FutureHouse背景概况

FutureHouse成立于2023年，由前谷歌CEO埃里克·施密特支持，其联合创始人兼首席执行官Sam Rodriques曾是神经科技领域的研究者。团队成员既有来自麻省理工学院的生物信息学专家，也有在深度学习框架与科研自动化方面具有工程背景的技术人员。与许多试图进入AI for Science领域的初创企业不同，FutureHouse以非营利方式运营，核心目标并非商业变现，而是推动科学发现的系统性变革。

其愿景是在未来十年内构建能够像科学家一样提出假设、设计实验、分析数据的AI系统，助力解决诸如疾病治疗、材料设计、气候变化等重大问题。Sam Rodriques在接受采访时指出，未来的AI科学家并不只是一个会写代码、查资料的高级搜索引擎，而应该具备科学思维的全过程能力——包括广泛的文献检索、科学假设的提出、实验方案设计、数据分析解读，乃至科研论文初稿的生成。这一愿景的提出，为科学研究模式带来了革命性的设想。

构建科研流程的AI协同体

在Robin系统面世之前，FutureHouse已构建起一系列用于科研特定环节的智能体（AI Agent）工具：Crow能够快速检索海量文献并总结研究共识；Falcon可以深入探索科学数据库并生成结构化综述报告；Owl用于追踪领域最新进展；Phoenix专注于化学合成与实验规划；Finch则聚焦复杂数据分析，尤其擅长处理RNA测序、流式细胞术等生命科学领域的数据。

这些智能体在各自领域内展现出较强的自动化能力，但在实际科研中，“点状能力”往往难以替代“流程整合”。Robin正是在这一需求下应运而生。它不仅将多个智能体组合为一体，还引入了迭代优化机制，使整个科研流程实现闭环：从生成假设，到设计实验，继而获取数据并解读结果，再反哺下一轮假设。这种动态、递进式的模型，被Sam Rodriques形象地比喻为“一个可以在现实中工作的自动科研循环系统”。

Robin只用2.5个月发现疑难眼疾治疗新路径

为验证Robin的综合科研能力，FutureHouse选择了一个具有高度现实意义但尚无有效治疗方法的复杂疾病——干性年龄相关性黄斑变性（dAMD）作为试点场景。在美国，dAMD是导致老年人失明的主要原因之一，患者总数超过200万人。由于其发病机制复杂、治疗靶点不明确，长期以来缺乏有效的药物治疗方案。

Robin的工作起始于由人类研究者提供一个目标病种关键词，随后其自动启动多个智能体完成以下环节：首先，Crow和Falcon联合检索了超过400篇文献，并围绕视网膜色素上皮（RPE）细胞的功能提出初步假设；接着，Robin选择“增强RPE吞噬作用”为切入点，制定实验策略，并建议通过流式细胞术进行药效验证。

之后，Robin通过文献综述筛选出30种现有药物，利用大语言模型构建的“药物锦标赛”机制对其进行排序，最终选出前五位进行实验测试。实验结果显示，ROCK抑制剂Y-27632能显著增强RPE细胞的吞噬作用，这一发现得到了后续RNA测序数据分析的支持。Finch对实验数据进行分析，发现该药物可上调ABCA1基因的表达——而ABCA1正是与黄斑变性密切相关的关键转运蛋白。

在此基础上，Robin又迭代提出新的候选药物组合，并进一步筛选出效果优于Y-27632的利舒地尔（ripasudil）。这是一种已在日本获批治疗青光眼的药物，其在RPE吞噬实验中展现出7.5倍于对照组的提升效果。尽管仍需临床验证，但这一发现展示了Robin系统从文献到数据、从假设到验证的完整科研链条。

面向AI科学家的关键挑战与未来演进

尽管Robin的成功初步展示了AI系统自动开展科学研究的潜力，但其仍远非真正意义上的“AI科学家”。Sam Rodriques坦承，目前的大模型在处理开放性问题空间、识别实验可行性、输出操作性强的实验步骤方面仍存在显著短板。

首先，现有语言模型擅长生成增量式假设，却缺乏在“假设空间”中进行逆向思维和范式突破的能力。FutureHouse因此计划开发具备反事实推理能力的“反向模型”，以支持更具创新性的科学发现。

其次，AI系统目前尚不能评估实验是否可行，这就需要建立“可供性模型”，帮助AI识别实验设备、样本类型、时空资源等现实条件的限制。缺乏这一能力，将使AI停留在“纸上科研”阶段，难以实现实验场景的闭环。

此外，Robin系统目前虽然能够提出实验大纲，但实际实验步骤仍需人类研究员进行解释与转换。Rodriques表示，未来版本的Robin将朝向更加精细化的“自动实验设计者”方向发展，提升其可操作性。

在数据分析方面，Finch的稳定性目前较为依赖提示工程，即人类如何构造输入问题。未来，它需具备根据数据模态自适应生成分析路径的能力，从而真正实现“自主分析”的愿景。

FutureHouse认为评估系统本身的准确性与稳定性是发展“AI科学家”的必要条件。为此，他们开发了LAB-Bench，一个覆盖多个科学任务的公开评估集，并建立起一套用于人类大规模评审的工程体系。

参考文献：

[1] Stephanie Palazzolo. The Startup Building an AI Scientist[EB/OL].(2025-05-05).https://www.theinformation.com/articles/the-startup-building-an-ai-scientist

[2] Kyle Wiggers. FutureHouse previews an AI tool for ‘data-driven’ biology discovery[EB/OL].(2025-05-06).https://techcrunch.com/2025/05/06/futurehouse-previews-an-ai-tool-for-data-driven-biology-discovery/.

[3]Robin: A multi-agent system for automating scientific discovery. [EB/OL].(2025-05-19).https://arxiv.org/pdf/2505.13400

[4] Kyle Wiggers. FutureHouse releases AI tools it claims can accelerate science[EB/OL].(2025-05-01).https://techcrunch.com/2025/05/01/futurehouse-releases-ai-tools-it-claims-can-accelerate-science/.