Science官宣：AI Agent 40分钟完成人类60小时实验，科研自动化迎来分水岭

Science官宣AI Agent 40分钟完成人类60小时实验科研自动化迎来分水岭2026年7月9日《Science》正式刊出一篇论文报道了斯坦福团队开发的通用生物医学AI Agent——Biomni。其中一个案例令人侧目面对450多个格式不一的数据文件用户只留下一句帮我找点有意思又靠谱的假说Biomni用40分钟完成了人类团队估算至少需要60小时才能做完的全部工作。这不是会聊天的AI而是一个能自己写代码、查数据库、跑分析、设计实验方案的智能体。一、论文核心信息项目内容论文标题Autonomous biomedical research with an artificial intelligence agent发表期刊Science2026年7月9日在线首发DOI10.1126/science.adz4351第一作者Kexin Huang黄柯鑫斯坦福大学计算机科学系博士通讯作者Jure Leskovec斯坦福大学计算机科学教授图机器学习领域领军学者合作机构Genentech、Arc Institute、UCSF、普林斯顿大学、华盛顿大学等AI系统名称Biomni论文发表当天ScienceMagazine 官方推特账号转发了这项研究配文称其为通用生物医学AI智能体可协助自动化生物医学科研工作流。官方配图是一张覆盖病理学、基因组学、遗传学、细胞生物学等多个学科的工具星图每个学科气泡里标注了 AlphaFold DB、Scanpy、gnomAD 等生物信息学研究者耳熟能详的真实工具名称。二、“40分钟 vs 60小时”到底发生了什么这个被广泛引用的数据对比来自论文中一个具体的真实场景案例。输入条件研究者向 Biomni 提供了 450 多个文件包含连续血糖监测数据、饮食记录和活动追踪数据涉及 30 名受试者、数月的可穿戴设备数据时间戳格式各不相同缺失值分布也不一致用户只留下了一行自然语言提示“帮我找点有意思又靠谱的假说”find me some interesting and reasonable hypothesesBiomni 自主完成的工作数据清洗——处理格式不一致的原始文件时间戳对齐——将不同来源、不同采样频率的数据统一到同一时间轴缺失值填补——根据数据特征选择合适的插补策略可视化分析——自动绘制相关图表相关性挖掘——在多维数据中寻找统计规律候选假说生成——基于分析结果提出可验证的生物学假设效率对比Biomni 完成上述全部工作耗时约40 分钟斯坦福团队估算同样的工作量如果由人类研究人员手动完成至少需要60 个小时这意味着效率提升约90 倍。需要强调的是这里的60小时并非一个泛化的口号而是针对这一具体任务的工作量估算——包括手动编写数据清洗脚本、逐一排查格式问题、交叉验证时间戳、编写分析代码、调试报错、绘制图表、总结规律等全部环节。这些工作恰恰是科研日常中最消耗时间却最不具备创造性的体力活。三、Biomni 是什么不是聊天机器人是会动手的科研助手3.1 与普通大模型的本质区别普通大语言模型对话系统擅长的是把问题讲明白、把文字写漂亮。它能告诉你 CRISPR 筛选大概怎么设计但设计完之后数据库要自己查、代码要自己写、报错要自己 debug。中间那一大段体力活始终压在人身上。通讯作者 Jure Leskovec 打了一个比方一个没有工具的木匠顶多只会说话给他一套趁手的工具他才能真的把房子盖起来。Biomni 想成为那套工具同时也想成为握着工具的手。论文摘要写得十分明确没有预设模板工作流是当场动态拼出来的。3.2 技术架构两部分协同Biomni 的架构由两个核心组件构成Biomni-E1执行环境——AI 的工具箱研究团队使用一个名为Action Discovery的智能体扫描了 bioRxiv 上 25 个生物医学子领域、每个方向抽取约 100 篇近期论文合计分析约2500 篇文献从中提取科学家实际使用的工具、数据库、软件包和实验协议经人工核验后整合为可调用环境目前公开规模约150 个专用工具、59 个数据库、105 款软件包Agent 可通过 Python、R 和命令行调用这些资源Biomni-A1智能体——AI 的大脑和双手负责三件事资源选择根据用户目标从 150 工具中动态筛选最相关的资源而非全部塞入上下文代码执行以代码为统一接口把工具调用、数据库查询、数据处理和分析步骤连接起来形成可执行的工作流自适应规划先基于生物医学知识生成初始计划在执行过程中根据中间结果不断修正和细化3.3 开源强化学习版本Biomni-R0团队还发布了开源强化学习版本 Biomni-R0让开源模型在 Biomni-E1 环境中反复练习工具使用和任务规划。训练结果显示模型版本训练前均分训练后均分Biomni-R0 8B0.320.59Biomni-R0 32B—0.67Claude 4 Sonnet对照—0.568B 版本经过强化学习训练后均分从 0.32 提升到 0.59超过了作为对照的闭源模型 Claude 4 Sonnet 的 0.56。这说明让底座模型变聪明只是半场戏把环境和执行框架搭对同样能把分数抬上去。四、不止于数据分析从屏幕走进培养皿比数据分析更令人关注的是Biomni 的能力并不停留在计算层面而是已经延伸到了湿实验wet-lab设计和执行。4.1 分子克隆方案设计盲评接近资深研究员团队让 Biomni 设计一套针对 B2M 基因的 sgRNA 分子克隆方案——包括选择酶切位点、设计引物、绘制质粒图谱。方案生成后研究团队真的按照方案开展了湿实验实验第二天获得菌落测序结果确认 sgRNA 插入位置正确盲法评审显示方案质量接近资深研究人员水平优于实验室学员“分析结果从屏幕上走进了培养皿”——在实验室待过的人都知道这中间隔着的是说得好听和真的能用之间那道最难跨的坎。4.2 蛋白质热稳定性优化研究者只需提供蛋白序列并提出提高热稳定性的目标Biomni 就会自主完成调用 AlphaFold-2 预测蛋白结构使用 ThermoMPNN 评估序列热稳定性检索相关文献结合结构信息和已有文献提出候选突变方案4.3 湿实验仪器编排Biomni 能将自然语言实验需求转化为机器人可执行代码。研究者描述要做什么实验、给出所使用的液体处理平台信息如 Hamilton STARBiomni 就会选择 PyLabRobot 作为自动化接口根据硬件配置生成可执行代码随后机器人按照方案执行实验操作。4.4 假说生成能力在多个场景中验证了自主假说生成能力可穿戴设备睡眠数据发现睡眠结构、睡眠效率与睡眠质量相关的规律人类胚胎骨骼发育多组学数据复现已知成骨调控关系并提出候选转录调控因子五、基准测试多任务泛化部分接近人类专家5.1 通用生物医学基准Biomni-Eval1Biomni 在以下任务中展现出强泛化能力且无需任务专属调优因果基因优先排序causal gene prioritization药物重定位drug repurposing罕见病诊断rare-disease diagnosis微生物组分析microbiome analysis分子克隆molecular cloning在平均准确率上取得最高表现优于多类基线模型。5.2 与人类专家对比在真实科研任务中Biomni 整体准确率接近人类专家分析速度显著更快在罕见病诊断和 GWAS全基因组关联分析任务中原本需要专家花费1-2 小时完成的分析Biomni 在几分钟内即可完成5.3 泛化能力验证使用 Humanity’s Last Exam 的生物医学子集HLE-Bio进行评测当多款前沿 LLM 接入 Biomni-A1 智能体架构和 Biomni-E1 环境后准确率约提升6%-12%。这表明 Agent 能力主要来自于架构设计和环境支持而非某一特定底层模型。六、科学界反响力挺与冷水并存力挺方心脏病学家、数字医疗领域知名评论者Eric Topol第一时间转发力挺称其令人印象深刻如此广泛的生命科学研究任务正由 agentic AI 自主完成。肿瘤内科医生Vivek Subbiah表示这套系统映射了完整的生物医学动作空间。冷水方合成生物学背景的评论者SynBio1指出了一个时间线事实Biomni 13 个月前就挂上了 arXiv 预印本11 个月前就上了 GitHub基于它创建的公司 Phylo5 个月前就完成了 1350 万美元种子轮融资并已上线这条吐槽指向一个现实问题顶刊发表不等于技术诞生的那一刻。对懂行的人来说Biomni 早已不算新闻但对更广泛的科研共同体、药企采购部门和监管者来说《Science》这个印戳才是他们愿意认真对待的起点。还有更刺耳的调侃“从’与研究者并肩工作’到’幻觉出一个不存在的蛋白质’中间的距离大概就是一份新闻稿。”七、关键追问谁能在 AI 犯错变成生物学事实之前按下停止键真正让讨论深入的是一条来自FiftyOne_50_的长评“Biomni 把一句生物医学提示变成计划、工具调用、可执行代码和湿实验方案。这已经超出了’AI推理’的范畴它是一种被委托出去的研究权限。基准测试可以给答案打分但在智能体的错误变成生物学事实之前谁能叫停这场实验”这个问题切中要害。当 Biomni 只是分析 CSV 文件时出错的代价是重跑一次脚本。但当它的输出变成液体处理机器人 Hamilton STAR 能照单执行的操作指令变成真实的克隆方案送进培养箱出错的代价就换了一个数量级——耗费的样本、时间甚至实验室安全。开发团队并未回避这一风险。GitHub 仓库的 README 中明确写道目前 LLM 生成的代码会以较高的系统权限执行生产环境必须做沙箱隔离。论文中也专门讨论了生物安全问题由于这类系统能够综合文献、生成实验方案并执行自动化分析可能使生物知识更容易被滥用。团队强调需要坚持开放透明、严格评估并与生物安全和政策社区保持沟通。八、更大的图景AI Agent 正在重塑科研范式Biomni 并非孤立事件。2025-2026 年间多个 AI Agent 驱动的科研系统相继在顶刊发表构成了一个清晰的技术趋势系统发表期刊/时间核心突破BiomniScience, 2026.07通用生物医学 Agent40分钟完成60小时工作量RobinNature, 2026.05首个全自动科学发现多智能体系统2小时完成人类4个月工作量AILANature Communications, 2025.12首个独立操作原子力显微镜的 AI Agent7-10分钟完成过去一整天的工作AlphaEvolveGoogle DeepMind, 2025.05算法发现 Agent打破保持 56 年的矩阵乘法纪录ENPIRENVIDIA, 2026.068个AI Agent8台机器人观察到物理 Scaling Law这些系统有一个共同特征AI 不再只是处理数据的工具而是具备了观察→决策→执行→迭代的完整闭环能力。区别只在于实验对象不同——Biomni 的实验对象是生物医学数据和分析流程AILA 的是原子力显微镜ENPIRE 的是机械臂AlphaEvolve 的是代码。九、理性看待能力边界与现实不足已验证的能力数据库查询、序列分析、分子克隆等结构化任务接近人类水平数据清洗、格式对齐、统计分析等重复性工作效率远超人类实验方案设计盲评质量接近资深研究人员论文承认的不足覆盖范围有限现有评估任务只覆盖了部分生物医学研究领域许多关键领域尚未充分测试依赖结构化提示在复杂多步骤任务中仍依赖较明确的结构化提示难以自动补足复杂分析中的领域知识和分析惯例表现不均衡在需要细致临床判断、实验推理或深层生物学综合的任务中仍有明显不足生物安全风险系统综合文献和生成实验方案的能力可能被滥用采用数据的谨慎解读机构通稿给出的采用数字是超过 1 万家实验室在使用。但这个口径衡量的是有多少人碰过与多少工作流每周真靠它撑着运转之间还隔着相当大的距离。第一作者黄柯鑫在推文中表示如今每天有数万生物学家在和智能体协作加速科学发现。项目启动于 2024 年初彼时 agentic AI 概念尚未火热。十、这意味着什么Biomni 想讲的故事其实没有多玄乎科研工作里最吃时间的往往是装环境、清表格、对齐格式、改报错这些看不出智商含量却又躲不开的体力活灵光一闪的想法反倒占不了多少时间。把这段体力活接进一个统一的、能写代码能调工具的环境里让 AI 去扛再把假说的取舍、伦理的判断、结果的责任留给人——这是 Biomni 想要划定的分工线。斯坦福团队反复强调的说法是机器做机械性的体力活人来做判断和选题。至于这条线能不能守住取决于一个目前还没有人能回答的问题在 AI 的错误变成生物学事实之前谁有权按下暂停键。斯坦福团队已在筹备下一版环境Biomni-E2想把动作库的扩展从实验室内部工程变成社区共建过程。基准分数会继续上涨开源模型会越来越能打。但真正决定这套系统能走多远的恐怕要看全世界的实验室愿不愿意、也敢不敢把自己的工作流真的交给它。参考来源Science 论文原文Huang et al.,Autonomous biomedical research with an artificial intelligence agent, Science, 2026. DOI: 10.1126/science.adz4351ScienceMagazine 官方推文2026年7月9日第一作者 Kexin Huang 推文2026年7月9日EurekAlert 新闻通稿斯坦福大学官方新闻稿36氪报道《登上Science华人科学家推出通用生物医学AI Agent真实科研表现接近人类专家》2026年7月10日DeepTech 深科技独家对话《a16z领投7000个实验室已在使用独家对话AI科学家Biomni开发者黄柯鑫》2026年2月5日光锥之外AI《Science突然官宣这个AI已经会自己做实验了40分钟干完人类60小时的活》2026年7月11日本文基于公开论文及报道整理所有数据均来自论文原文及可信媒体来源。效率对比数据针对论文中特定案例分析不代表所有任务场景下的普遍表现。