OpenScientist:从读论文到验证假设,AI 科研搭档走到哪一步了?

把一批实验数据交给 AI,再提出一个研究问题,它能做多少工作?

检索论文、解释术语、建议分析方法,已经是许多大模型能够承担的任务。更进一步,AI 能否自行检查数据、提出假设、编写并运行分析代码,再根据计算结果调整研究方向,最终留下可以核查的证据?

2026 年 11 月 16 日,Nature Medicine 提前发布了一篇已经通过同行评审、获得接受的研究论文,介绍开源科研智能体 OpenScientist。研究通过五个主要生物医学案例,考察它执行分析、探索机制和检验假设的能力。对应的 GitHub 仓库提供了持续更新的系统实现。〔1,2〕

这项工作展示了科研智能体的实际进展,也披露了数据处理、统计分析和报告生成中的错误。把这两部分放在一起,才能看清 AI 科研搭档目前的能力,以及距离可靠应用还有哪些问题。

OpenScientist:AI科研搭档

一、OpenScientist 是怎样的科研搭档?

OpenScientist 是一个建立在大语言模型之上的科研智能体系统。研究人员提供问题,并按需要上传数据和参考材料;系统随后调用文献检索、文件读取、代码执行等工具,开展多轮分析。

它把几类能力组织到一起:

  • 大语言模型负责理解研究目标、制定分析思路和解释结果。
  • 科研工具负责检索文献、处理数据、运行代码和生成图表。
  • 领域技能提供统计方法、生物信息学流程等专业指导。
  • 研究状态记录保存已有发现、支持证据和分析过程。
  • 人类研究者负责问题定义、方法审查、结果判断和后续实验。

系统可以连接不同模型服务,也支持通过本地模型服务使用开放权重模型。它的表现因此取决于模型能力、工具配置、领域指导和输入数据的共同作用。〔2,3,7〕

这里的“自主”,主要体现在:研究者给定目标后,AI 可以连续推进一段计算研究流程,自行决定下一步分析什么。研究问题的价值、数据是否合适,以及发现是否具有科学意义,仍需要研究人员判断。

二、一次典型研究任务如何展开?

按照官方架构,OpenScientist 的工作可以理解为一个反复运行的研究循环。下面以“分析一组蛋白质指标与研究结局的关系”为示例说明;这是对工作方式的概括。

阶段系统开展的工作这一阶段需要解决的问题
理解任务读取研究问题、数据说明和已有材料研究目标与评价标准是什么?
探查数据检查字段、样本结构、缺失情况和变量关系数据能否支持所提出的问题?
查阅文献检索相关研究,为分析提供背景哪些解释已有依据,哪些仍待检验?
执行分析编写并运行代码,开展统计检验或建模数据是否支持当前假设?
更新研究状态记录发现、证据、图表和本轮摘要哪些结论成立,哪些问题尚未解决?
继续探索与汇总根据已有结果决定下一轮工作,最后生成报告需要进一步验证什么,能够得出什么结论?

这个循环的特点是,后续分析可以依据前面的结果发生变化。一种解释得不到支持时,系统可以转向其他解释;发现值得关注的信号后,也可以继续检查其稳定性。

官方实现还提供人机协作模式,允许研究人员在轮次之间给予反馈。任务受到迭代次数和预算等条件约束,结束后生成包含图表和参考资料的报告。〔3〕

因此,实际的工作过程更接近“研究者交代任务,AI 连续执行分析,再由研究者审阅”,而不是每一步都依赖人工重新发出指令。

三、技术上的关键:让分析真正执行,让证据能够追溯

首先,分析方法会被转化为实际运行的代码。

OpenScientist 可以针对任务编写分析程序,并通过工具执行。当前架构使用独立容器运行代码,设置计算资源和时间限制,保留代码及其输出。MCP 则承担模型与科研工具之间的接口。〔3〕

这意味着,“建议做相关性分析”和“已经完成相关性分析”有了可以检查的区别。研究者能够进一步查看:使用了哪些样本,变量怎样处理,方法怎样实现,数值从哪里产生。

不过,程序成功运行只说明计算过程完成。是否选对了统计方法,还需要另外审查。

其次,系统会保存研究的中间状态。

多轮探索会不断积累发现、假设、文献和计算结果。如果这些内容只散落在长对话里,后续分析和人工检查都会变得困难。

OpenScientist 使用知识状态结构保存研究进展,下一轮分析可以读取此前的记录。当前实现还保留运行代码、输出、图表以及软件版本等信息,为追踪结论形成过程提供基础。〔3〕

补充材料中的消融实验也给出了一个有意思的结果:当研究者不再向智能体提供知识状态摘要时,它可以通过重读自己留下的报告和日志进行补偿,仍然完成主要任务。因此,这种结构的明确价值,在于把证据组织得更清楚、更便于审计;实验并没有证明它是分析能力不可替代的唯一来源。〔4〕

第三,专业方法可以通过 Skills 持续改进。

系统把通用研究流程与领域分析指导分开组织。假设生成、结果解释等属于通用工作流;基因组学、代谢组学、结构生物学等则需要各自的专业方法。〔3〕

这种设计为改进系统提供了一条具体路径:当研究者发现某类统计错误时,可以修订对应技能中的方法指导,再用相同数据和问题检查改进效果。

四、五个案例,分别检验了什么?

正式接受稿报告的五个主要案例,覆盖了不同层次的研究任务。〔1〕

案例主要考察内容
阿尔茨海默病血液标志物按研究计划比较血液指标预测淀粉样蛋白 PET 状态的能力
血浆蛋白组生存预测构建预测模型,并使用隐藏评估数据检验
tau 病理相关转录组分析根据数据与文献提出溶酶体酸化异常的机制假说
多发性骨髓瘤生成假设,在外部队列和随机标签对照中检查支持程度
药物相关蛋白组分析按预先规定的方案分析,并与独立人工分析进行盲法比较

其中,两种验证设计尤其值得关注。

一种是把评估数据真正留在系统之外。

在生存预测案例的严格重跑中,研究者只向系统提供了 175 人的训练数据;另外 176 人的数据被保留用于隐藏评估。系统生成的六蛋白评分冻结后,再由研究者在隐藏数据上计算表现,得到 C-index 为 0.826 的结果。〔1,4〕

C-index 衡量的是预测风险排序与实际生存次序的一致程度,不能直接解释为“预测准确率达到 82.6%”。

这项设计的价值在于,模型生成期间没有接触隐藏评估数据,减少了反复查看测试结果后进行调整的空间。但评估人群中只有 17 例死亡事件,结果的稳定性和跨人群适用性仍需进一步验证。它证明的是一次有明确边界的建模能力,尚不足以建立临床应用结论。

另一种是允许研究得出阴性结果。

第五个案例采用预先注册的比较方案。OpenScientist 获得的是已经计算好的蛋白质差异表达表,人类团队独立开展分析;两方报告经过格式统一和去标识处理,再由独立领域专家进行盲评。〔1〕

双方在主要结论上保持一致:经过多重检验校正,没有发现达到显著标准的单个差异蛋白。两者随后对次级信号采取了不同的分析和解释路径。

这一点很有意义。科研智能体的价值,也体现在面对证据不足时,能够保留“尚未检出显著差异”的结论,并把探索性解释与主要结果分开。

当然,阴性结果也有适用范围:它反映的是这批数据、这项分析及其统计标准下的结果,不能直接扩展为“药物没有任何生物学效应”。

五、论文披露的错误,比“会不会幻觉”更具体

科学研究中的错误,往往藏在能够正常运行的代码和看起来合理的报告里。

论文披露了一个很有代表性的例子:在多发性骨髓瘤的随机标签对照中,系统第一轮已经进行多重检验校正,得到 0 个差异基因;但最终报告没有采用这一分析结果,仍然列出了 582 个差异基因。〔1〕

这揭示了两个需要分别解决的问题:

分析阶段是否使用了正确方法,以及报告阶段是否忠实采用了正确结果。

即使某一步做对了,最终交付仍然可能出错。科研智能体的验证工作因此需要覆盖从数据处理到报告生成的完整路径。

另一个值得注意的事实,是研究过程中的人工介入。阿尔茨海默病标志物案例的补充材料记录了 11 次运行,其中包括提示词调整、阈值纠正、报告错误修正,以及人工数据去重。〔4〕

所以,论文中关于“分钟级完成分析”的描述,应当结合具体条件理解。AI 确实可以大幅缩短部分计算与分析环节;研究设计、数据准备、错误排查和独立验证仍然占用时间。

对证据强度,还需要保留三层区分:

第一,完成任务与结论正确是两种评价。

程序运行结束、报告顺利生成,并不能单独证明科学分析可靠。

第二,重复出现的解释与得到实验确认的机制不同。

tau 案例中的机制解释受到转录组数据支持,但溶酶体酸化是否实际改变,仍需要直接功能测量。重复运行恢复相似结论,有助于评估分析稳定性,却不能替代因果验证。〔4〕

第三,案例评估还不能代表所有科研任务。

论文前四个主要案例来自开发运行的事后评估,第五个案例另行采用预设比较。它们提供了有价值的能力证据,但不能直接推导出一个适用于任意问题的“科研成功率”。〔1〕

六、开源与本地部署,为实际使用提供了什么?

对科研机构而言,除了分析能力,还要考虑能否检查过程、能否修改方法,以及数据会流向哪里。

OpenScientist 仓库采用 Apache 2.0 许可证。研究者可以检查和修改系统实现,部署在自有基础设施中,并根据需要扩展领域技能。项目同时公开了一批运行日志、研究状态、配置和实验材料,使外部人员有机会复查具体分析过程。〔2,6〕

但应用部署在本地,并不自动意味着全部数据都留在本地。

官方文档中的隔离模式,可以关闭分析代码执行环境的网络访问,限制智能体访问范围,并使用本地 PubMed 文献镜像。不过,如果底层仍调用托管模型,发送给模型的提示内容依然会进入相应服务商的系统。要实现端到端留在机构内部,还需要使用本地模型推理。〔5〕

论文补充材料也明确说明,其隔离配置对比实验仍通过专门允许的网络连接调用 Azure/Microsoft Foundry 完成模型推理,并非全流程本地运行。〔4〕

这一区别对敏感数据研究尤其关键。实际部署应检查数据分析、文献检索、模型推理和结果存储的完整路径,而不能仅凭某一个“隔离模式”开关作判断。

七、这项工作对科研智能体意味着什么?

OpenScientist 展示了一种逐渐清晰的工作方式:研究者定义目标,AI 连续开展计算探索,过程中留下可检查的记录,再由研究者判断证据是否足够,以及下一步是否值得投入实验。

从这项研究可以进一步推演,科研智能体的工程重点将越来越集中在三个方面:

把研究问题定义得可检验。

输入数据的含义、分析单位、主要终点和评价规则越清楚,系统越容易执行有明确边界的任务。

让每一个重要结论都能追溯到计算证据。

报告中的数字、图表和解释,应当能够回到对应的数据、代码和运行结果。

把独立验证安排在工作流程中。

隐藏评估、外部数据、随机化对照、重复运行和人工审查,需要根据任务选择,而不能让生成结论的同一套过程承担全部验证。

类似的组织方式也值得在材料测试、工业实验和工艺分析中探索。但这属于架构层面的启示,迁移效果仍需针对各自的数据结构、专业方法和验证标准重新评估。

OpenScientist 目前呈现出的,是一种能够实际承担计算分析、又需要持续校验的科研伙伴。它的研究价值,既来自做出了哪些结果,也来自公开了结果是怎样形成、又可能在哪里出错。

当 AI 能够把一个科学问题推进到可检查的代码、可追溯的证据和可继续验证的假设时,人机协作才有了更扎实的基础。

参考资料

01|An open agentic AI co-scientist for clinical and biomedical discovery
https://www.nature.com/articles/s41591-026-04808-6

02|OpenScientist — GitHub 开源项目
https://github.com/openscientist-io/openscientist

03|OpenScientist — Architecture
https://docs.openscientist.io/architecture/

04|An open agentic AI co-scientist for clinical and biomedical discovery — Supplementary Information
https://static-content.springer.com/esm/art%3A10.1038%2Fs41591-026-04808-6/MediaObjects/41591_2026_4808_MOESM1_ESM.pdf

05|OpenScientist — Air-gapped mode
https://docs.openscientist.io/airgap/

06|OpenScientist: Supplementary Case Study Data
https://zenodo.org/records/23988648

07|OpenScientist — Getting started
https://docs.openscientist.io/getting-started/

发表评论

您的邮箱地址不会被公开。 必填项已用 * 标注

Are you human? Please solve:Captcha