Biomni：可自主执行生物医学研究的通用AI智能体

过去十年，人工智能已深度嵌入科学发现：自监督学习与几何深度学习相继突破，生成式方法已能设计小分子药物和蛋白质，帮助科学家提出假设、设计实验并解读大规模数据 ^[1]。在生物医学的具体场景中，多智能体协作也已有示范——由大语言模型“首席研究员”代理带领一组科学家代理、人类仅提供高层反馈的 Virtual Lab，整合 ESM、AlphaFold-Multimer 和 Rosetta 搭建计算流程，设计出 92 个针对新冠新变异株的纳米抗体，实验验证显示其中确有功能性分子 ^[2]。但研究者自己承认，此前大语言模型在科学上的用途大多局限于回答具体问题，而非执行开放式研究 ^[2]；自主实验的探索也主要集中在电镜与扫描探针显微等物理科学方向 ^[3]。叠加数据质量与治理等跨学科难题仍未解决 ^[1]，生物医学研究长期受困于重复而碎片化的工作流程。

这项研究推出的 Biomni 便直指这一瓶颈。据斯坦福大学发布的消息，这一通用型生物医学 AI 代理由该校团队开发^[4]。它的关键一步是先把“动作空间”铺满：动作发现代理从 25 个领域的数千篇文献中挖掘工具、数据库与实验方案，构建统一的代理环境；再把大语言模型推理、检索增强规划与基于代码的执行整合起来，无需预定义模板即可动态组装工作流。系统基准测试显示，它在因果基因优先排序、药物重定位、罕见病诊断、微生物组分析和分子克隆等异质任务上均表现出强泛化能力，且未做任何任务特定的调优；真实案例中还能解读多模态数据集、优化蛋白质稳定性、调度湿实验室仪器并生成可实验检验的方案。

放在已有坐标里看，Biomni 的推进在于“通用”二字：Virtual Lab 展示的是围绕单一目标、依赖人类高层反馈的协作 ^[2]，Biomni 则追求在异质任务间不做调优地自主迁移；与主要在成像等物理科学中讨论的自动化实验 ^[3] 相比，它把自主编排延伸到了湿实验流程与方案生成。用作者的话说，其愿景是让 AI 增强人类科学家、加速科学发现。

不过，现有材料呈现的证据仍有边界：摘要未报告各基准的量化得分，蛋白质优化的幅度、湿实验调度的成效以及所生成方案通过实验验证的比例均不得而知；^[1] 所警示的数据质量与管理问题，也会长期约束这种依赖文献与数据库挖掘的代理。它究竟是可靠的“合作科学家”还是精致的流程编排器，尚待更多独立实验检验。