编辑丨&

生命科学领域正迎头撞上一场“数据海啸”。过去数十年间的技术积淀，使得数据总量攀升至前所未有的高度。然而，这种局面喜忧参半——数据爆炸并未让科研工作变得轻松，反而催生了新的障碍：日益复杂的数据集、不断膨胀的文献体系，以及越来越专业化的分析工具，都成了科研路上的新型拦路虎。

那么，是否存在这样一种可能——让AI不仅协助科学家完成某个孤立环节，而是像一位真正的科研助理那样，自主理解科学问题、寻找合适工具、设计分析流程、执行计算任务，甚至提出实验方案？

2026年7月9日，发表在《Science》上的一篇题为「Autonomous biomedical research with an artificial intelligence agent」的研究中，斯坦福大学等团队给出了一个答案：他们推出了一款通用型生物医学AI智能体——Biomni。这不是一个针对特定任务训练的专用模型，而是一套能够跨越多个生命科学领域，自主完成复杂科研任务的AI系统。

研究表明，Biomni能够处理基因分析、药物研发、疾病诊断、蛋白优化以及实验设计等多种任务，并在多项测试中达到了接近人类专家的水平。

论文链接：https://www.science.org/doi/10.1126/science.adz4351

从工具箱起步的AI科学家

过去几年，AI已在生命科学领域崭露头角。研究人员利用它预测蛋白质结构、发掘疾病相关基因、设计药物分子，并开发了不少专门解决特定问题的智能系统。例如，有的AI专注于单细胞RNA测序分析，有的擅长基因编辑实验设计，还有的专门从事药物筛选。

然而，真实的科研环境远比这复杂。一个科学问题很少按照固定流程展开：研究人员可能需要先阅读大量文献，再查询数据库获取信息，然后编写代码分析数据，根据结果调整假设，最后设计下一步实验。每一步都可能涉及不同的工具和专业知识。

Biomni的目标正是解决这一痛点。

图1：Biomni中统一生物医学行动空间与智能体环境的概述。

研究团队首先构建了一个名为Biomni-E1的生物医学AI环境。为了让AI真正理解生命科学领域的“行动空间”，他们分析了25个生物医学方向的大量论文，让AI自动提取其中涉及的实验任务、工具、数据库和软件资源，最终建立起一个统一的科研工具环境。

在这个环境中，Biomni整合了105个常用生物信息学软件包，以及59个经过整理的生物数据库，覆盖了蛋白质结构、疾病、基因变异等多个领域。在此基础上，团队开发了核心智能体架构Biomni-A1，它包含三个关键能力：

第一，动态资源选择。AI会根据目标自动判断需要哪些数据库、软件和分析方法，而不是每次都从零开始。

第二，代码作为通用执行语言。Biomni让代码成为通用的动作接口，将数据库查询、数据处理、模型预测和分析流程串联起来，形成完整的工作流。

第三，动态规划能力。Biomni可以根据执行结果不断调整计划，并根据反馈进行迭代优化——这就像人类科学家在实验中不断修正方向一样。

面向科研的验证与成果

为了验证Biomni是否真正具备通用能力，研究团队设计了Biomni-Eval1测试。该测试包含443个问题，覆盖了10类典型的生物医学任务，包括CRISPR递送、因果基因识别、基因变异优先级排序、数据库查询、DNA序列分析、罕见疾病诊断以及扰动实验设计等。

图2：Biomni在通用基准测试、专家级任务和强化学习中的表现。

结果显示，Biomni的平均准确率达到57%。相比之下，基础大语言模型Claude Sonnet 4.5的平均准确率仅为30%，专门用于治疗研究的TxAgent为25%，通用代码智能体Claude Code为43%，即便结合了Biomni环境的传统ReAct系统也只有44%。Biomni凭借其独特架构，展现出明显的优势。

不仅如此，研究团队还选择了多个需要专业知识和复杂分析流程的生物医学任务，让Biomni与人类专家进行直接对比。

在单细胞注释任务中，Biomni的准确率为45.8%，处于资深专家水平区间（40.5%–50.9%），且单数据集的分析时间从约230分钟缩短至75分钟；在罕见病诊断中，准确率达到了60%，分析时间从110分钟压缩至3分钟；在GWAS因果基因检测中，准确率与专家水准相当，达到80%，时间从90分钟降低至4分钟。

进入真实实验室

在一个多组学研究案例中，Biomni能够自主分析来自不同来源的数据，并据此提出后续研究方向。例如，它可以根据基因表达变化寻找关键调控网络，再结合已有文献提出可能的验证实验。

在蛋白质工程任务中，Biomni能够调用结构预测工具和相关数据库，分析蛋白稳定性变化，并提出可能改善性能的设计策略。

更值得注意的是，它还能对接PyLabRobot框架，将自然语言的实验需求直接转化为液体处理机器人的可执行代码，打通了从干实验设计到湿实验执行的壁垒。这意味着，从梯度稀释到细胞活力检测等复杂实验流程，都可以在AI的指导下自动完成。

图3：AI指导的蛋白质优化与自动化实验执行。

共同发现的未来

过去，科研竞争的核心是实验设备和数据规模；而未来，如何有效利用这些数据和工具，或许才是决定科研效率的关键因素。

Biomni不是第一个尝试进入科学研究领域的AI系统，但它代表了科技发展的一个方向：科学家提出问题，AI规划方案，机器人执行实验，系统分析结果，再由AI根据反馈调整下一轮研究路径。

这或许就是科幻电影走进现实的前兆。当然，路还很长，但方向已经清晰了。