不到10美元，AI独立推出了人类实验室还没发表的答案

2024年感恩节前几天，伦敦帝国理工学院的两位科学家给谷歌发去一道私藏考题。他们的实验室刚在细菌耐药机制上拿到实验结果，论文还没投出去，这个答案全世界只有他们自己知道。他们想试试谷歌的AI系统能不能推出来。

系统跑了几天，交出头号候选机制。对方看完，十分钟内回了封邮件：我需要马上和你通话。电话里他连问两个问题，你们是不是读了我的邮箱？是不是ChatGPT把结果泄出去了？两个都被否定之后，他承认，AI给出的答案和实验室几个月的实验结论完全一致。他还补了一句，另外四个候选假设也都说得通，已经安排博士后去验证。

这套系统叫Coscientist，出自谷歌DeepMind，成果发表在《自然》期刊上。整个推理过程消耗的token不到1000万，按谷歌云牌价折算，一次完整查询的成本不到10美元。

这期Cognitive Revolution播客请到的就是背后的两位研究者，Vivek Natarajan和Anil Palepu。主持人Nathan Labenz是创业者兼AI投资人，他开场强调了一点：这些成果没有用任何谷歌独有的预训练或后训练，靠商用模型、提示词和agent设计就能复现，谷歌的API客户照着做也行。换句话说，门槛已经降到了普通开发者脚下。Nathan的自我评估也很直白，读完这几篇论文，他觉得是时候承认，AI可能已经明显比他聪明了。

AI医生的第二关：治疗方案也赢了

先说医疗这条线。AMIE，全称Articulate Medical Intelligence Explorer，是谷歌的医疗对话智能体。一年前它就上过头条：在标准化病人（演员扮演、按剧本问诊）的文字聊天里，AMIE的诊断准确率超过人类全科医生，评判者是另一批不知情的人类医生。

新论文往前走了一步。真实门诊里，医生第一次见病人很少能当场确诊，更常见的任务是开对检查、给出方向，再在多次复诊里管理病人。这次考的就是这个：从诊断推理，到检查安排，再到治疗方案，AMIE的建议质量全面超过初级保健医生。

另一组研究把战场扩到专科。心脏病学、肿瘤学两个领域，AMIE超过了专科培训医师（fellow），逼近但还没追平主治医师（attending）。Anil提醒了一个细节，这项研究用的是Gemini 1.5 Flash，之后模型已经更新了两代。

Vivek最看重的发现藏在心脏病学论文里。AI和人类医生犯错的类型不一样，而且高度互补。单独对比，心内科医生和AMIE互有胜负，难分高下。可一旦让医生带着AMIE的评估结果工作，对比医生单独执业，几乎每一项指标都是压倒性胜出。

Anil给这项工作找的现实依据很扎心：在美国，约神经科会诊要排12到18个月。他还抛出一个更大的问题：人类分科，是因为大脑装不下所有知识，AI没有这个限制。未来的医疗还要不要科室墙？口袋里装一个全科医生，顺便再装一个专科医生，技术上已经不远。

为什么不用多模态？Anil的解释是研究方法问题：一次只隔离一个变量，加了图像就多了混杂因素。相关组件早就有，多模态版AMIE很快会来。Vivek还透露了下一步方向：把建议锚定到公认的临床指南和药品说明书上，让输出更可执行，同时把单次问诊扩展成跨多次就诊的长期管理。

限定条件也得说清楚。这些成绩全部来自模拟问诊，病人是演员，交互是纯文字。Vivek说，真病人不按剧本走，结果能不能迁移到真实世界，正是他们接下来要验证的事。

AI科学家的三道考题

Coscientist是一个多智能体系统，人类可以在流程任何一步介入给反馈，也能让它全自动跑。团队给它出了三道难度递增的题。

• 药物重定位：给已有的药找新用途，任务有边界，可以组合式穷举，最像人能啃动的题。
• 治疗靶点发现：钻进病变细胞，找出能用药干预的因果环节。Nathan说这是生物学的重大难题，细胞里的因果图谱，人类可能才摸清一成。
• 细菌耐药机制：完全开放，只给一条线索（几个物种间保守的某个现象），剩下自己查文献、自己推。

三道题全过了，第三道就是开头那个感恩节故事。Nathan提到网上一直有种质疑：模型装了全人类的知识，为什么没见它们做出更多跨领域连接？这个案例算是有力回应。人类在实验室里独立发现，AI在数据中心里用几天时间平行推出同一个结论，两条路径没有任何交集，连当事人第一反应都是怀疑作弊。

这类事其实有前科。Med-PaLM发布后，斯坦福的Gary Peltz教授主动找上门，说你们的模型也许能帮到数百万罕见病患者。他当时在研究一种小鼠听力损失，模型提出了一个他从没想过的致病成因假设，他照着做了CRISPR实验，逆转了疾病成因，论文现在还压在一个顶刊手里审。

但当年有个尴尬的前提：可靠性极差。Med-PaLM要产出一条有用假设，得陪跑几千条垃圾。Gary恰好有专业眼光能快速扔掉废话，又有耐心翻完全部。换个人看五条就弃了，这条线就断了。Coscientist将近18个月的迭代，目标就是把「几千分之几」变成「次次可用」。

撑起这套系统的五个工程决策

两人反复强调一个转向。Med-PaLM和Med-Gemini时代，成功靠医疗数据微调；这一代AMIE和Coscientist，微调完全去掉了，全是通用模型加专用提示词，再编排成agent。

模型的知识和指令遵循能力已经够用，给它一套精确的指令，它就能照做，不需要再专门训练。

具体有几条经验，值得单独记下来。

长上下文是隐形功臣，但别贪多。Coscientist没有显式记忆库，靠的是把生成的想法、评审、辩论全文塞回上下文，让模型在下一轮隐式消化。Gemini能吃200万token，这个容量让整套流程免去了搭RAG的复杂度。有意思的是，AMIE团队原本打算把临床指南塞到100万token，实测发现降到25.6万，效果反而更好。容量和效果之间要靠实测找甜点，不能想当然。

结构化推理优于自由发挥。与其让模型自由链式思考，不如定义推理路径：先做分析，再定管理目标，最后出方案。Nathan把它类比成飞行检查单，要求模型每次按固定步骤走完再回来汇报，比让它随便逛一圈回来说「都正常」可靠得多。但Vivek提醒别切太碎，把「先总结主诉、再总结病史」这种粒度定得过细，效果反而掉。保留高层结构，列表长度不限，是他们的甜点位。

一次生成4个方案再合并，是收益最大的单点改动。管理推理agent从只出1个方案改成并行出4个，再让模型取各家之长合并，内部自动评估的分数立刻跳了一截。至于为什么是4不是8，没优化过，方向对了就行。

锦标赛筛假设。所有候选假设两两配对比较，像世界杯一样层层淘汰，灵感来自AlphaStar。Anil承认这套做法效率不高，n平方的对比量得靠聚类省算力，他预期未来这种比较会沉到模型的潜空间里完成。但眼下，这就是筛最优假设的行业最佳实践，可以直接抄。

自我迭代的命门是持续加新信息。纯自我批评跑几轮就会模式坍缩，翻来覆去车轱辘话。Coscientist能连跑几天，靠的是每一轮都从网页搜索、AlphaFold这类工具里捞回新知识，给系统加熵。Vivek补了一点，系统还允许人类随时投喂想法，这也是熵的来源。

成本方面，Anil算过账：耐药机制那个项目全程推理token不到1000万，按GCP现价，绝大多数查询几美元，不到10美元。他还补了一句，这是最笨最浪费的版本，效率优化空间大把。哪些问题值得砸推理算力？他的判断是：答案明摆着的问题跑一轮就够，关键信息根本不在语料里的问题烧再多也推不出来，中间有一条甜点带，人类关心的大部分问题恰好落在这条带上。

Anil还提到科学的暗物质：阴性结果没人发表，论文附录里的大数据集也少有人挖。ARC研究所刚发布的虚拟细胞图谱，有3亿个细胞的基因扰动数据，人类团队要看好几年。把Coscientist和数据科学agent配对去啃这种数据集，是他眼里最值得期待的方向。

幻觉、创造力，还有卡在激励上的融合

Nathan抛了个半哲学问题：压幻觉的后训练，会不会顺手压掉了创造力？大想法往往来自离谱的联想。

Vivek的直觉是，幻觉确实滋养创造力，假设生成本来就需要偏离剧本一点。Anil说得更直白：以前没做后训练的模型更容易出疯狂想法，做假设生成反而更好用。现在靠系统设计把可靠性做上去了，可能牺牲了某些天马行空的东西，他们也不确定。Nathan的收束是「可能两者都要」：文献丰富的领域需要严谨的推理者，没什么现成资料的领域，反而需要爱胡思乱想的模型。谷歌的解法是系统允许接入多样性的模型，疯点和稳点的都进来，再靠锦标赛排序，让高质量假设自己冒头。

Nathan又提了个高概念问题：语言、视觉、语音已经合流进同一个架构，AlphaFold这类专科模型会不会也走这条路，让AI直接在蛋白质和基因组的空间里推理，绕开API调用这种有损的翻译层。

Anil的回答有点意外：架构和算力都不缺，缺的是激励。他们实测过，往模型里加医疗影像或基因组数据，新模态的基准分涨了，通用的语言和视觉基准分却往下掉。前沿实验室不愿意为了少数用户牺牲主流榜单的成绩。他的态度很明确，基准分数没那么重要，实用价值才重要，可缺乏清晰的效用度量时，这笔账很难说服决策层。Nathan补了一段背景：视觉和语言模型早期分开是研究历史的产物，先各有各的团队，再晚期融合拼起来，最后发现从预训练就把数据混在一起效果更好。专科模态大概率会重演这条路。

所以现阶段是个局部最优：谷歌选择自己搭agent，用系统组合绕开模型层面的融合。Anil判断，未来几年这更多是工程问题，而非有待攻克的基础未知。

下一步：真病人和百万科学家

Coscientist的推进更快。谷歌已经启动可信测试者计划，全球近100位顶尖科学家在用，分批邀请，每批收集反馈、修补弱点、再放下一批。Anil的预期是，顺利的话今年年底，全球数百万科学家能用上这套工具。

AMIE这边的动作更重：和哈佛医学院教学医院贝斯以色列女执事医疗中心合作临床试验，让LLM系统在真实诊所里面对真实病人，这属于同类研究的头一批。试验点常驻足够的临床专家，出问题随时接管，安全网先铺满。跑顺了再减监督、扩中心、加新功能。

还有个容易被略过的细节：所有这些成果都是在Gemini 2.5发布之前做出来的。Anil确认，2.5版本的测试结果很快会来，等于一次近乎免费的性能跃升。

Nathan问，能不能给系统前面加个「自己找问题」的agent，让它上网闲逛，自己提好问题再自己答。Anil说，提出正确的问题比解决问题更上游，是真正的根节点问题，哪天AI能自己问出好问题，才配叫数据中心里的天才。他同时认为现有模型已经有点这个底子，值得试。

明天就能用上的东西

拆完这一集，做AI应用的人和关注AI的人可以带走这些：

• 搭agent系统时，用结构化输出定义推理路径，但只框高层步骤，别把粒度切到「先总结主诉」那么细。
• 关键任务别只生成一次答案，并行出几版再让模型合并取优，成本翻几倍，质量跳一档。
• 想让自我批评循环跑过三五轮不崩，必须每轮接入外部信息，网页搜索是最低配，专用工具和数据库更好。
• 筛多个候选方案，用两两配对的锦标赛制，比让模型直接打分靠谱，这是目前可以直接抄的行业实践。

更大的图景也有信号可读。一位顶级实验室的研究者判断，未来两年的主要工作是工程而非科学突破；一次完整专家级科学推理的成本，已经压到10美元以内。这两个事实放在一起，值得每个人重新校准自己的计划。Nathan的开场白可以原样送给所有人：如果人们真的了解今天的AI已经能做到什么，很多人会从根本上修改自己的规划。