跳出认知偏见：AI、科学推理与分子生物学发现

过去几年，AI 在生命科学中的角色已从设想走向落地：研究者设想过能够怀疑式学习与推理的“AI 科学家”，让协作智能体整合工具与实验平台，在庞大的假设空间中导航 ^[1]；Robin 系统把假设生成与数据分析的闭环自动化，为干性老年黄斑变性提出增强视网膜色素上皮吞噬的治疗策略，并确认了 ripasudil 与 KL001 的体外疗效 ^[2]；基于 Gemini 的 Co-Scientist 则用多智能体不断生成、批评、精炼假设，产出可实验验证的新假说 ^[3]。当 AI co-scientist 的最高排名假设——cf-PICIs 劫持多样噬菌体尾部以扩大宿主范围——与耗时数年的实验结论吻合后，“AI 能否做真发现”似乎有了肯定答案 ^[4]。但争论始终围绕“答案对不对”展开，而一条 AI 假设的验证可能需要数十年 ^[4]，正确率之外的价值如何衡量，一直没有清晰说法。

TRD Costa 在 Molecular Cell 撰文（2026 年 7 月刊出^[6]），对这个问题做了一次视角转移：AI 改变分子生物学的方式，可能恰恰不在于总能给出正确答案，而在于不受塑造专家思维的那些假设约束，去探索机制上的种种可能；它最大的贡献，或许是暴露科学家自身的智识盲点。作者指出，与人类专家不同，AI 系统受制的是与塑造科学专长不同的另一套偏置^[7]。与此同时，实验验证仍是真理的最终裁判——AI 负责打开思路，实验负责裁决。

这一框架把此前散落的观察串了起来。它呼应 ^[4] 的经验：除那条被实验证实的机制外，部分高排名假设也为实验室开辟了新的研究方向，可见 AI 的价值不止于命中正确答案；^[1] 中智能体穿行假设空间、^[2][3] 中系统批量生成与精炼假设的能力，也由此获得认识论上的定位——不是取代专家，而是照出专家因训练与共识而看不见的地方。衡量 AI 的标尺，随之从“答案是否正确”挪向“能否改变我们提问的方式”。

局限同样明显：摆脱人类假设不等于无偏，AI 只是带着另一套偏置上场^[7]，如何识别并校正这些偏置、如何决定哪些机制假说值得投入昂贵的实验验证，文章并未给出可操作的方案；而这类不受既有范式约束的探索能力，其双重用途风险也已进入学界讨论 ^[5]。这些问题仍有待后续工作回答。