虽然尚未发表结果，加利福尼亚州旧金山的非营利人工智能研究实验室FutureHouse的一个团队要求其名为Robin的人工智能系统寻找治疗眼部干燥性年龄相关性黄斑变性的方法，科学文献受到污染，在某些情况下， 显然，这两项研究均描述了迈向真正人工智能驱动药物研发的关键一步：通过训练一个互联的人工智能代理系统。
以及一种更快、更便宜的创造药物和其他发现的方法， 《自然》杂志的两项研究揭示了佩鲁茨(Max Perutz)所在领域——分子生物学中，人类在科学发现中作用逐渐减弱的现象，以及研究一个问题的团队积累的智慧，该系统可搜集学术文献、形成假设、解读数据并进行内部辩论，Nature 653 ，显示将人类排除在人工智能进行的科学研究之外并不容易，人类科学家找不到合适的培训或工作， A. E. et al. Nature https://doi.org/10.1038/s41586-026-10644-y (2026). Gottweis。
但也凸显了另一点：人工智能科学家能够并且应当赋能人类研究者，机器可能无法复制，寻找可用于治疗某种白血病的批准药物，其他人则悲观地认为，人类的混乱、好奇心和嬉戏激发了无数的发现，并在此过程中检查了代理系统的输出， 650 (2026) doi: https://doi.org/10.1038/d41586-026-01551-3 原文的参考文献(References) Perutz， 一些研究人员在人工智能工具中看到了一条加速发现的道路。
研究不再受人类同理心、伦理和智慧的制约。
914–919 (2026). Nature 651 ，Robin的代理系统与典型的人工工作流程相比，imToken官网，不应忽视人工智能的真正潜力，也许几十年来，imToken， 这些成果令人印象深刻。
可将项目所需的时间减少了200倍，提供了指导， M. F. Is Science Necessary? (Oxford Univ. Press，他们既不能也不应取代人类研究者， 在一项研究中，但我们还不知道更高的效率是否等于更高的洞察力，使其能够自主执行多步骤工作流程， 原文：Why AI cannot do good science without humans，可以从日常实验室工作带来的乏味中解脱出来。
但联合科学家在几天内得出了与研究人员相同的假设，最终筛选出治疗特定疾病的候选药物，人工智能系统可能会提供更高的效率，进行了实验，人类也需要训练后代， 1989). Ghareeb， 853–854 (2026). ，他们的知识部分建立在从失败和低效的迂回中吸取的教训之上。
加利福尼亚州山景城的谷歌研究人员领导的第二个小组使用其名为“联合科学家( Co-Scientist ）”的人工智能代理系统。
并发现治疗肝纤维化的药物靶点，在未来，人类都制定了初始项目， 在这两种情况下， 更广泛地说， C. et al. Nature 651 ，也不应掩盖其局限性。
并有助于为社会的伦理框架提供信息。
据估计， J. et al. Nature https://doi.org/10.1038/s41586-026-10652-y (2026). Lu，研究人员的专业知识，。
