跳到正文
BiopharmaTrend·· 2026-10-11AI 评分61

Schrödinger 首席科学官 Robert Abel 谈 Bunsen 智能体接手计算建模后人类仍在哪些环节决策

When Agents Run Computations: Schrödinger’s Robert Abel On Where The Human Still Decides

AI 导读

Schrödinger 首席科学官 Robert Abel 在访谈中介绍,其智能体 AI 联合科学家 Bunsen 于 7 月底推出,目前面向部分客户早期访问,预计 2026 年底前全面商业化,公司 HPC 上约 80% 的计算建模任务已由 Bunsen 执行。

正文 · AI 翻译

  访谈

生成药物候选分子的想法已变得十分廉价,假设的供给量已超出任何机构的评估能力。Schrödinger 的答案是 于七月底推出 的 Bunsen:一个智能体 AI 联合科学家,可代表科学家运行公司自有的模拟软件。目前它正向部分客户提供早期访问,包括与 Bristol Myers Squibb 达成的战略软件协议,预计在 2026 年底前全面商用,由 NVIDIA 和 Google Cloud 提供算力。

这家公司是这一成果的有趣发源地。Schrödinger 的声誉建立在力场、采样算法和自由能方法之上,而非学习模型;其首席执行官 Ramy Farid 直到不久前仍是该领域对 AI 驱动发现较为直言不讳的怀疑者之一——STAT 在 2024 年对他的采访标题为 “AI 在药物发现中是‘胡说八道’,但如果你想,可以称 Schrödinger 为‘AI’”。Bunsen 推出时他撤回了这一立场,并告诉 Endpoints News:“说实话,我曾非常怀疑,现在能错得这么彻底,我再高兴不过了。这是变革性的。”

为了理解这在实践中意味着什么,我与 Schrödinger 执行副总裁兼首席科学官 Robert Abel 博士进行了交谈,话题包括那些未能成功的原型、该智能体在公司自身计算基础设施中的渗透程度、它现在做出的哪些决策过去需要训练有素的建模人员、人类必须留在哪些环节,以及为什么能够解决证据问题的实验在现实中无法开展。

Andrii:Bunsen 被宣传为一个规划并执行计算研究的系统,而不只是一个高级搜索工具。在实践中,这意味着它会做出方法学上的决策,而这些决策此前属于训练有素的计算化学家/生物信息学家。您能否描述一下这在真实工作流程中是什么样子,从最初的科学问题到解读后的结果,以及人类在哪些环节仍需参与?

Robert:  我们的智能体 AI 联合科学家 Bunsen 帮助研究人员理解科学目标、制定计算策略、执行复杂的分子发现工作流程并解读结果。通过将 AI 与基于物理的模拟相结合,Bunsen 让研究人员能够更大规模地运用他们的专业知识,使他们得以探索更多科学可能性、更有把握地确定最有前景的机会,并加速发现决策。

Rober Abel当科学家要求 Bunsen 执行一项复杂的科学任务时,例如运行虚拟筛选以寻找新的命中化合物或开展从头设计项目,Bunsen 首先会制定一份详细的工作计划。科学家审查该计划、提供反馈并提出修改建议。

一旦科学家对计划感到满意,Bunsen 就可以在无需持续监督的情况下执行建模项目——这类工作过去可能需要建模人员投入数天甚至数周的精力。科学家仍可以检查中间输出、监控进度、抽查结果,并在整个过程中与 Bunsen 互动。

明确自动化的内容至关重要。Bunsen 所依赖的方法——我们的力场、采样算法和自由能方法,以及规范这些方法如何应用的协议——是一个由众多杰出科学家组成的团队数十年工作的成果,并已针对实验数据进行了广泛验证。Bunsen 并非在发明新方法,而是在部署这套成果,在我们已验证的协议中进行选择,并在我们已表征的参数范围内运行。科学家仍然负责定义科学目标,并最终判定 Bunsen 是否正确理解了问题,以及该方法是否适合其目的。

我们最近发现,运行在我们 HPC 上的计算建模任务中,大约 80% 现在由 Bunsen 运行。这些任务包括自由能计算、分子动力学模拟、量子计算以及其他复杂的原子尺度建模。我们早已超越了将这些系统视为高级搜索工具的阶段。Bunsen 正在做严肃的工作。

Andrii:为科学构建推理系统并非新鲜事。MYCIN 和 Internist-1 等专家系统在 20 世纪 70 年代和 80 年代曾引发类似的期望,但最终崩溃,很大程度上是因为当时的计算和数据环境尚不成熟。如今环境已大不相同。在您看来,是什么让智能体式共同科学家(agentic co-scientist)在当下变得可行?您认为那个旧问题中哪些部分仍未解决?

Robert:  我们实际上在 2023 年底,即 GPT-4 发布后不久,就开始在 Schrödinger 开发类似 Bunsen 的智能体系统。在接下来的一年半里,我们不断发现这些系统会在相对简单的任务上犯错,导致它们无法在真实的科学环境中发挥作用,尽管这些系统比 70 年代和 80 年代开发的专家系统强大和灵活得多。

到 2025 年底,我们的内部测试表明,智能体系统的能力已实现阶跃式提升,使智能体式共同科学家的想法变得更加可行。底层模型在模型架构、训练策略和计算资源可用性改进的推动下,已变得显著更强大。  

但与早期专家系统还有另一个重要区别:Bunsen 并不被期望简单地提供“答案”。它理解何时以及如何使用一系列原子尺度建模技术,然后使用这些方法来研究科学问题。这为它提供了一个外部检验:分子模拟本身。Bunsen 可以推进一种方法,评估结果,并根据模拟显示的内容调整方向。MYCIN 除了等待病人结果外,没有任何类似的机制。  

对于更广泛的智能体 AI 来说,仍然困难的是认识到自身知识和能力的局限。这也是人类专家仍然重要的原因之一——在工作进行过程中审查工作计划并抽查进展。

Andrii: 过去几年里,AI 驱动药物发现领域的主流叙事已转向学习型模型(即共折叠网络、生成化学、神经网络势等),而基于物理的模拟则偶尔被描述为较老的方法。Schrödinger 一直主张两者是互补的。在不以物理为基础的情况下,学习型模型的预测能力有哪些局限?在那种情况下,物理具体能带来什么单靠数据无法提供的东西?

Robert:  基于物理的方法一直是分子发现中亲和力预测的黄金标准,至今依然如此。然而,这些模拟计算量巨大,这促使人们考虑许多替代方案,包括 AI 方法。这些方法更快,但存在明显缺陷。事实上,基于机器学习的亲和力预测方法常被拿来与基于物理的自由能计算进行基准比较。而在大多数此类比较中,基于物理的方法相比纯机器学习方法似乎保持着明显优势,尤其是当作者很好地控制了数据泄漏时。

任何用于性质预测的机器学习模型,其局限在于:随着你离训练数据越来越远,它的准确性通常会下降。这一点很重要,因为真实的药物发现常常发生在相关数据有限的地方——团队可能在研究全新骨架、新近表征的耐药突变,或配体报道很少的靶点。即使项目专属数据很少,基于物理的方法也能在这些场景中应用。

这也正是两种方法结合时变得格外强大的地方。基于物理的方法可以大规模生成计算机模拟(in silico)训练数据,进而用于训练项目专属的机器学习模型。一个典型的先导优化项目一年内通过实验合成的有意设计分子可能不到 1,000 个,而原子级模拟一个晚上就能生成数千个数据点。

由此得到的机器学习模型随后可以评估数百万甚至数十亿个分子,最有前景的化合物会在合成之前进入确认性的原子级模拟。物理与机器学习相结合,使团队能够比任何单一技术更快地探索化学空间。

Andrii: 在计算化学中,危险很少是明显的错误,我认为。AI 可以返回一个看似合理的数字,研究表面上看起来很成功……直到很久之后被实验证伪。当智能体自行选择方法和协议时,这种风险会随吞吐量放大。Bunsen 的设计是如何应对这一点的?是什么让科学家能够看到结果背后的假设,而不只是看到结果本身?

Robert:  一个重要区别是,驱动 Bunsen 的大语言模型并不直接预测分子性质。Bunsen 决定何时以及如何使用计算化学方法,包括分子动力学、量子力学、自由能计算、蛋白质结构精修、对接和 pKa 预测。数值结果由这些经过广泛验证的计算方法生成,而不是由大语言模型本身生成。

在 Bunsen 开始工作之前,它会透明地说明计划如何使用这些方法,科学家可以审查并完善该方案。一旦工作启动,科学家可以查看中间结果,并在整个过程中抽查数据和进度。

科学家看到的不仅仅是一个最终数字。他们可以看到产生该结果的方法、假设和中间工作。

Andrii: 其中一个既定目标是让非计算化学家的资深药物发现人员也能使用先进的计算方法。这改变了发现团队的构成。根据你迄今为止的观察,当执行实现自动化后,计算化学家的角色将如何演变?在当今时代,哪些技能变得更加宝贵?

Robert:  我最期待的功能之一是协作共享 Bunsen 会话的能力。药物化学家和计算化学家可以在不同地点进入同一个会话,由药物化学家主导工作,而计算化学家可以完整地查看建模过程,并在需要时介入。

我们已经看到药物化学家直接使用 Bunsen 来执行复杂的化合物枚举和数据分析,而这些工作以前需要计算化学的直接支持。对于计算量更大的工作,专家对工作计划的审查和对进度的抽查仍然很重要。

从某种意义上说,所有从事计算化学工作的人都被提升到了管理岗位。计算化学家的时间历史上有很大一部分花在准备结构、设置和监控任务以及重新格式化输出上。Bunsen 可以承担更多这类执行工作,让计算化学家有更多时间投入到该角色中具有智力挑战性的部分:定义问题、确定最佳方法、解读数据以及决定何时需要改变方法。

计算化学家仍然是工作的积极参与者。他们现在拥有一位可以帮助执行工作的虚拟同事。

Andrii: 这里存在一种很少被讨论的经济不对称性。近年来,AI 推理成本大幅下降,而基于物理的模拟成本取决于物理过程所需的采样量,并未以相当的速度下降。Schrödinger 已表示,Bunsen 的价值将通过提高平台吞吐量来实现,而非通过单独定价。当决定计算多少的系统本身就是一个智能体时,研究机构应如何规划其计算预算?

Robert:  首先,一个重要的澄清:Bunsen 目前处于早期访问阶段,我们尚未正式宣布其许可方式。 

更广泛地说,使用原子尺度建模的机构必须考虑三项成本:计算成本、专有方法的软件许可成本,以及高水平科学家有效应用这些方法的人力成本。

第三项成本相当可观。工业界的计算化学家通常同时支持三到四个发现项目,这意味着一些有价值的建模活动他们根本没有时间去开展。像 Bunsen 这样的系统可以让这些科学家更高效地工作,并更广泛地应用计算方法。

Andrii: 该行业已积累了相当多的加速宣称,而经独立验证的结果却相对较少,这也是怀疑态度持续存在的原因之一。什么样的证据才足以证明一个智能体系统提升的是科学决策的质量,而不仅仅是决策速度?行业应该期待在多长的时间范围内看到这种证据?

Robert:  这不仅对智能体系统是个难题,对药物发现领域更广泛的预测建模来说也是如此。并行运行相同的发现项目——一个使用预测建模,一个不使用——以建立受控对照,将极其昂贵且不切实际。而且,人们需要针对许多不同的药物发现项目开展这项成本高昂的实验,才能得出统计上稳健的结论。

相反,有两个重要的标准需要考虑。第一,预测建模需要足够准确,以支持更好的项目决策。第二,它需要以必要的规模运行,从而成功识别出原本不会被优先考虑的化合物。我们的预测建模方法在同行评审期刊发表的前瞻性测试中,以及通过我们的内部和合作发现项目,已明确满足了这两个标准。

对于像 Bunsen 这样的智能体系统,其机会在于让科学家能够更高效、更全面、更大规模地应用这些预测方法。如果人们接受前述证据,即预测建模显然有助于更好的项目成果,那么自然可以推论:任何能让预测建模更高效、更大规模应用的技术,都将有助于项目团队取得成功。 最终,我们希望看到的证据是,扩大 Agentic AI 的使用是否转化为更好的项目决策,并最终带来更好的项目成果。 


通过 BiopharmaTrend Pro 会员深入了解技术生物领域的战略信号。

主题: AI in Bio

Schrodinger

来源:BiopharmaTrend · biopharmatrend.com