[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-google-deepmind-co-scientist-researchers-zh":3,"article-related-google-deepmind-co-scientist-researchers-zh":31,"series-research-7ec803f7-2658-4c9e-baa6-2b8528407d7f":81},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":23,"views":27,"created_at":28,"published_at":29,"topic_cluster_id":30},"7ec803f7-2658-4c9e-baa6-2b8528407d7f","google-deepmind-co-scientist-researchers-zh","Google DeepMind 對外開放 Co-Scientist","\u003Cp data-speakable=\"summary\">\u003Ca href=\"\u002Ftag\u002Fgoogle-deepmind\">Google DeepMind\u003C\u002Fa> 將 Co-Scientist 開放給研究者，這是一套用 \u003Ca href=\"\u002Ftag\u002Fgemini\">Gemini\u003C\u002Fa> 做假說生成與排序的多代理系統。\u003C\u002Fp>\u003Cp>說真的，這東西很像研究版的組隊外掛。\u003Ca href=\"https:\u002F\u002Fdeepmind.google\u002Fblog\u002Fco-scientist-a-multi-agent-ai-partner-to-accelerate-research\u002F\" target=\"_blank\" rel=\"noopener\">Google DeepMind\u003C\u002Fa> 把它從內部研究，拉到實驗工具階段。它要幫科學家先想出假說，再挑出值得做的方向。\u003C\u002Fp>\u003Cp>這次不是空口說白話。團隊把成果發在 \u003Ca href=\"https:\u002F\u002Fwww.nature.com\u002F\" target=\"_blank\" rel=\"noopener\">Nature\u003C\u002Fa>。也開了 \u003Ca href=\"https:\u002F\u002Flabs.google\u002Fscience\" target=\"_blank\" rel=\"noopener\">labs.google\u002Fscience\u003C\u002Fa> 給研究者登記。還提到已經在抗藥性與肝纖維化等題目上試跑。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>項目\u003C\u002Fth>\u003Cth>內容\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>發表期刊\u003C\u002Ftd>\u003Ctd>Nature\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>對外開放時間\u003C\u002Ftd>\u003Ctd>未來幾週\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>研究者模式\u003C\u002Ftd>\u003Ctd>Hypothesis Generation 實驗工具\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>合作單位\u003C\u002Ftd>\u003Ctd>Daiichi Sankyo、Bayer Crop Science、US National Laboratories\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>實驗結果\u003C\u002Ftd>\u003Ctd>91% 阻斷纖維化相關反應\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>它到底在解什麼問題\u003C\u002Fh2>\u003Cp>很多研究卡住，不是因為資料不夠。是因為假說太多。你有論文、資料庫、實驗紀錄，還是很難決定下一步要先測哪個方向。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780636679231-q694.png\" alt=\"Google DeepMind 對外開放 Co-Scientist\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>\u003Ca href=\"\u002Ftag\u002Fgoogle\">Google\u003C\u002Fa> DeepMind 把 Co-Scientist 放在這個痛點上。它不是只做摘要。它要幫研究者縮小搜尋範圍，先把可能的解法排出來。\u003C\u002Fp>\u003Cp>這個定位其實很合理。很多 \u003Ca href=\"\u002Ftag\u002Fai-工具\">AI 工具\u003C\u002Fa>都在做預測。可是在研究現場，真正麻煩的是選題。你先選錯題，後面全白忙。\u003C\u002Fp>\u003Cp>Co-Scientist 建在 \u003Ca href=\"https:\u002F\u002Fdeepmind.google\u002Ftechnologies\u002Fgemini\u002F\" target=\"_blank\" rel=\"noopener\">Gemini\u003C\u002Fa> 上。它不是單一模型硬上。它是多代理架構。每個 \u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa> 分工不同，像一個小型研究委員會。\u003C\u002Fp>\u003Cul>\u003Cli>生成 agent 先提出初始假說。\u003C\u002Fli>\u003Cli>反思 agent 會挑毛病。\u003C\u002Fli>\u003Cli>演化 agent 會重寫與合併想法。\u003C\u002Fli>\u003Cli>主管 agent 負責拆解任務與協調流程。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>多代理怎麼運作\u003C\u002Fh2>\u003Cp>講白了，Co-Scientist 比較像辯論賽，不像聊天機器人。它先丟出一堆方向，再互相打架。最後留下比較像樣的假說。\u003C\u002Fp>\u003Cp>這種設計有一個好處。它把「想法生成」和「想法審查」拆開。這很像人類研究團隊的工作方式，只是速度更快，範圍更大。\u003C\u002Fp>\u003Cp>DeepMind 說，系統可以探索上千個研究方向。這數字很有感。因為科學研究常常不是缺答案，是缺搜尋能力。\u003C\u002Fp>\u003Cblockquote>“Co-Scientist feels like a collaborator that’s read everything available about biomedical science, with the reasoning capabilities to find the connections that we’re currently missing.” — Professor Gary Peltz, Stanford University School of Medicine\u003C\u002Fblockquote>\u003Cp>它也不是只會吐文字。DeepMind 說它會用網路搜尋，還會接資料庫，像 \u003Ca href=\"https:\u002F\u002Fwww.ebi.ac.uk\u002Fchembl\u002F\" target=\"_blank\" rel=\"noopener\">ChEMBL\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.uniprot.org\u002F\" target=\"_blank\" rel=\"noopener\">UniProt\u003C\u002Fa>，必要時還能搭配 \u003Ca href=\"https:\u002F\u002Fdeepmind.google\u002Ftechnologies\u002Falphafold\u002F\" target=\"_blank\" rel=\"noopener\">AlphaFold\u003C\u002Fa>。這才像真的在做研究，不是只會寫報告。\u003C\u002Fp>\u003Ch2>先看數字，再看實際差別\u003C\u002Fh2>\u003Cp>這次最有料的地方，是它不是只有概念。DeepMind 丟出了幾個很具體的數字。這些數字不算多，但夠讓人判斷它是不是只是 demo。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780636683610-nrgk.png\" alt=\"Google DeepMind 對外開放 Co-Scientist\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>其中最醒目的，是 91% 這個結果。還有把分析時間從 months 壓到 days。這種差距，對研究團隊來說很現實，因為它直接影響能不能多做幾輪實驗。\u003C\u002Fp>\u003Cp>我整理成表格，會比較好看。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>指標\u003C\u002Fth>\u003Cth>數值\u003C\u002Fth>\u003Cth>意義\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>期刊\u003C\u002Ftd>\u003Ctd>Nature\u003C\u002Ftd>\u003Ctd>代表研究有正式學術背書\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>開放時程\u003C\u002Ftd>\u003Ctd>未來幾週\u003C\u002Ftd>\u003Ctd>不是紙上談兵，已進入試用流程\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>纖維化反應阻斷率\u003C\u002Ftd>\u003Ctd>91%\u003C\u002Ftd>\u003Ctd>代表候選方向有實驗價值\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>分析時間\u003C\u002Ftd>\u003Ctd>months → days\u003C\u002Ftd>\u003Ctd>直接縮短研究前期作業\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>合作單位\u003C\u002Ftd>\u003Ctd>3 類\u003C\u002Ftd>\u003Ctd>包含藥廠、農業與國家級實驗室\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Cp>這裡還有一個很實際的訊號。它不是只在單一學科試水溫。合作名單橫跨藥物、農業、國家實驗室。這代表 DeepMind 想測的不是某個 niche，而是整個研究工作流。\u003C\u002Fp>\u003Cul>\u003Cli>肝纖維化案例出現 91% 阻斷率。\u003C\u002Fli>\u003Cli>一個團隊把分析時間從幾個月壓到幾天。\u003C\u002Fli>\u003Cli>系統被形容成像 50 個人工作一天。\u003C\u002Fli>\u003Cli>合作範圍涵蓋 Daiichi Sankyo、Bayer Crop Science、US National Laboratories。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>這和其他 AI 研究工具差在哪\u003C\u002Fh2>\u003Cp>現在很多 AI 研究工具，還停在摘要與檢索。你問它問題，它幫你整理資料。這很方便，但還不夠。\u003C\u002Fp>\u003Cp>Co-Scientist 想做的是假說層。也就是說，它要幫你決定下一步要測\u003Ca href=\"\u002Fnews\u002Fwhy-model-version-lifecycles-are-contracts-zh\">什麼\u003C\u002Fa>。這個層級更接近研究決策，而不是文件處理。\u003C\u002Fp>\u003Cp>如果拿競品來看，差異就更清楚。像傳統文獻搜尋工具，重點是找資料。像一般 LLM，重點是生成文字。Co-Scientist 則是把生成、批判、排序串起來。\u003C\u002Fp>\u003Cp>這也解釋了為\u003Ca href=\"\u002Fnews\u002Fwhy-github-is-right-to-kill-classroom-zh\">什麼\u003C\u002Fa>它敢談多代理。單一模型容易發散。多代理至少能把「想法」和「審查」分開，降低一頭熱亂猜的機率。\u003C\u002Fp>\u003Cul>\u003Cli>傳統搜尋工具：擅長找論文。\u003C\u002Fli>\u003Cli>一般 LLM：擅長寫摘要。\u003C\u002Fli>\u003Cli>Co-Scientist：擅長產生與篩選假說。\u003C\u002Fli>\u003Cli>AlphaFold：擅長蛋白質結構預測，但不是完整研究流程。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>不過也別太神化它。這類工具再強，最後還是要回到實驗。AI 可以幫你縮小範圍，不能替你洗試管。\u003C\u002Fp>\u003Ch2>這波對研究圈的意義\u003C\u002Fh2>\u003Cp>我覺得這次比較\u003Ca href=\"\u002Fnews\u002Fwhy-motorcycle-training-days-matter-more-than-scenic-rides-zh\">重要\u003C\u002Fa>的，不是 Co-Scientist 這個名字，而是工作流正在變。以前研究者靠文獻、會議、經驗。現在多了一層 AI 先篩選。\u003C\u002Fp>\u003Cp>這種改變最先發生的地方，很可能是生醫。因為生醫資料多，成本高，失敗也貴。只要能少走幾個死胡同，就有價值。\u003C\u002Fp>\u003Cp>後面可能會擴到材料科學、化學、甚至農業研發。因為這些領域都有同樣問題：候選太多，測試太慢，研究者時間太少。\u003C\u002Fp>\u003Cp>這也會逼平台廠商往前走。誰能接更多高品質資料，誰能把檢索、推理、驗證串得更順，誰就比較有機會進研究室的日常流程。\u003C\u002Fp>\u003Cp>如果你是做 AI 工具或資料平台的開發者，這裡其實很值得注意。未來競爭點，不只是模型大小。還有資料接得好不好，和人類審查流程接得順不順。\u003C\u002Fp>\u003Ch2>接下來我會看什麼\u003C\u002Fh2>\u003Cp>接下來最該觀察的，是研究者到底會不會真的用。Demo 很容易吸睛，日常使用才知道有沒有料。\u003C\u002Fp>\u003Cp>我會盯三件事。第一，輸出的假說有多常能進實驗。第二，研究者要花多少時間校正結果。第三，它能不能在不同領域複製。\u003C\u002Fp>\u003Cp>如果你問我判斷標準，我會很直接。只要它能讓一個團隊少做 20% 的無效搜尋，就算很有價值。要是能把幾個月縮成幾天，那就不是玩具了。\u003C\u002Fp>\u003Cp>所以問題很簡單。你會把它當成研究助手，還是只當成另一個會講話的 LLM？我覺得答案會決定這類工具接下來的市場位置。\u003C\u002Fp>","Google DeepMind 將 Gemini 多代理系統 Co-Scientist 開放給研究者，主打假說生成、排序與驗證，已在 Nature 發表並進入試用。","deepmind.google","https:\u002F\u002Fdeepmind.google\u002Fblog\u002Fco-scientist-a-multi-agent-ai-partner-to-accelerate-research\u002F",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780636679231-q694.png","research","zh","a5956ec2-73ff-44fe-b0d7-37864f507c92",[17,18,19,20,21,22],"Google DeepMind","Co-Scientist","Gemini","多代理系統","研究假說","人工智慧研究工具",[24,25,26],"Co-Scientist 是 Google DeepMind 對研究者開放的 Gemini 多代理系統。","它的核心不是摘要，而是生成、批判與排序研究假說。","官方已提到 Nature 發表、未來幾週開放，並有 91% 與 months-to-days 這類具體成果。",0,"2026-06-05T05:17:30.68789+00:00","2026-06-05T05:17:30.681+00:00","0c35a120-52fc-41fc-afa3-d404eb934158",{"tags":32,"relatedLang":41,"relatedPosts":45},[33,34,36,37,39],{"name":20,"slug":20},{"name":18,"slug":35},"co-scientist",{"name":21,"slug":21},{"name":17,"slug":38},"google-deepmind",{"name":19,"slug":40},"gemini",{"id":15,"slug":42,"title":43,"language":44},"google-deepmind-co-scientist-researchers-en","Google DeepMind opens Co-Scientist to researchers","en",[46,51,57,63,69,75],{"id":47,"slug":48,"title":49,"cover_image":11,"image_url":11,"created_at":50,"category":13},"52a37532-880d-4261-8f62-2f254d6c592d","spire-evidence-grounded-ai-humanities-zh","SPIRE 讓人文 AI 更重證據","2026-06-05T08:17:29.603104+00:00",{"id":52,"slug":53,"title":54,"cover_image":55,"image_url":55,"created_at":56,"category":13},"b38c56a6-e7f3-45fb-b100-d37e7b3ed417","reinforcement-aware-distillation-llm-reasoning-zh","強化感知蒸餾，想把推理一起學進去","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780646589500-0me6.png","2026-06-05T08:02:33.908932+00:00",{"id":58,"slug":59,"title":60,"cover_image":61,"image_url":61,"created_at":62,"category":13},"60f7d702-20a7-4cec-9a80-185f072c8dfe","next-token-models-plan-ahead-zh","次詞模型其實會先想一步","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780645684780-roea.png","2026-06-05T07:47:34.35089+00:00",{"id":64,"slug":65,"title":66,"cover_image":67,"image_url":67,"created_at":68,"category":13},"923bb0c4-95f3-49a0-8e01-5cdd6bcd2e32","fixing-llm-forgetting-es-fine-tuning-zh","ES 微調忘記問題有解了","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780604276240-arx4.png","2026-06-04T20:17:25.720929+00:00",{"id":70,"slug":71,"title":72,"cover_image":73,"image_url":73,"created_at":74,"category":13},"42510df4-4692-44c6-a45a-c82a4a86b646","tls-turns-insecure-links-into-encrypted-sessions-zh","TLS 把明文連線變成加密會話","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780596207456-9or4.png","2026-06-04T18:02:50.988357+00:00",{"id":76,"slug":77,"title":78,"cover_image":79,"image_url":79,"created_at":80,"category":13},"4fa896da-9616-425a-92bc-c1d7d5861ff9","streamma-multi-agent-reasoning-latency-zh","StreamMA 讓多代理推理邊想邊傳","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780554786134-1w1d.png","2026-06-04T06:32:32.769423+00:00",[82,87,92,97,102,107,112,117,122,127],{"id":83,"slug":84,"title":85,"created_at":86},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":88,"slug":89,"title":90,"created_at":91},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":93,"slug":94,"title":95,"created_at":96},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":98,"slug":99,"title":100,"created_at":101},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":103,"slug":104,"title":105,"created_at":106},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":108,"slug":109,"title":110,"created_at":111},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":113,"slug":114,"title":115,"created_at":116},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":118,"slug":119,"title":120,"created_at":121},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":123,"slug":124,"title":125,"created_at":126},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":128,"slug":129,"title":130,"created_at":131},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]