AI+生物领域发展现状 - 语言模型和agent技术正在从通用领域快速渗透到生物医药等高价值垂直领域 [3] - AI scientist agent能够自主提出假设、设计实验并循环修正，正在改写科研和药物开发范式 [3][19] - 前谷歌CEO投资的FutureHouse推出四款AI scientist agent，并宣称其AI系统Robin成功发现新药 [3][25] - OpenAI近期强调AI在生物学领域能力不断增强 [3] AI scientist的本质与特点 - AI scientist本质是agentic system，能够模拟人类科学家的"假设-实验-观察"循环 [19][21] - 与通用agent相比，AI scientist需要专业环境和专家know-how支持 [28] - 当前阶段AI scientist主要实现任务自动化，未来目标是实现完全自主的科学发现 [21][29] - AI scientist可以使用AlphaFold等工具完成任务，两者是互补关系 [53] 通用agent的局限性 - 通用agent缺乏生物学专业环境和工具整合 [28] - 生物学领域存在大量未记录的专家隐性知识 [28] - 科研探索需要严谨性、创造力和长期规划能力，这些都是当前agent的短板 [28] - 生物研究任务高度分散，需要跨学科交叉研究能力 [37] Biomni系统的创新 - Biomni构建了集成数百种专业工具、数据库与软件的开放环境 [34][38] - 通过文献挖掘和Action Discovery agent发现新工具资源 [38] - 采用code as action设计，使agent能够灵活处理复杂任务 [38] - 在湿实验protocol设计和数据分析等任务上显著提升效率 [39] - 未来计划引入强化学习让agent自主学习和优化解决方案 [48] AI for Science的商业机会 - 生物医药研发存在数千亿美元市场，AI可大幅提升效率 [77] - AI scientist可能带来类似Cursor或Devin的创业机会 [77] - 未来可能出现"一人+多个agent"运营的虚拟药企模式 [79] - 药企对AI接受度提高，开始使用ChatGPT等工具辅助工作 [81] 行业挑战与未来方向 - 生物学数据获取成本高，是主要瓶颈 [62] - 需要设计适合生物学特点的benchmark评估体系 [70] - 强化学习在生物学应用需要明确定义的reward系统 [50] - 终极目标是AI scientist实现诺贝尔奖级别的科学发现 [90]