一个 AI 系统写出研究论文，90% 的结果是自己编的。谷歌 DeepMind 在最新预印本给出实测数字：拿开源系统 Agent Laboratory 跑 50 个课题，30 位专家盲审发现，90% 的论文含有足以推翻结论的结果幻觉，44% 属于完全捏造数据 [1]。
8 月 27 日挂在 arXiv 的这篇论文，主角是 DeepMind 的 Co-Scientist。它的前身今年 5 月刚登上《自然》，定位是"假设生成器" [2][3]。新版本要回答更尖锐的问题：AI 能不能从"出主意"走到"动手做"？又凭什么让人相信它没撒谎？
先看出主意时期的战绩。《自然》版做过三项生物验证：为急性髓系白血病提出药物重定位候选，KIRA6 在临床相关浓度下抑制了 KG-1 细胞系活性；为肝纤维化找到的表观遗传靶点，在人肝类器官中显示抗纤维化活性（p<0.01）[2][3]。
第三项最接近"发现"：成果尚未公开时，系统就独立提出 cf-PICI 元件借助噬菌体尾部扩大宿主范围的耐药基因转移机制，与帝国理工合作方的实验结论一致 [2][3]。但那时的它只出主意，不动手。
预测细菌：人定题目，AI 写代码
新论文的生物实验换了种分工。Co-Scientist 拿到未发表的工程大肠杆菌群体蠕动图像，任务是预测未见诱导剂浓度下的菌落形态 [1]。数据尚未发表，模型对这些表型没有先验记忆。
群体蠕动是细菌的集体行为，菌落形态是合成回路活性的宏观读出，能预测它就有望用于生物传感、治疗系统与工程活体材料 [1]。
实验平台来自 Shaw 等人：超运动大肠杆菌 K-12 MG1655 用 pLac 诱导型启动子控制蠕动调控因子 rpoS，菌落形态随 IPTG 浓度（0 到 10 mM）变化，形成厘米级稳定图案 [1]。
Co-Scientist 自主搭建了一条视觉-语言流水线：以 Gemini 3 Pro Image 为生成核心，用相邻浓度图像做留一法插值，再由 Gemini 2.5 Pro 对 16 个候选打分选优 [1]。人类专家只反馈任务框架，不碰架构：人管"做什么"，系统管"怎么做"。
四项形态学指标中三项与湿实验定量吻合：平均半径（p=0.593）、极偏心率（p=0.451）、周向强度变异系数（p=0.712）的剂量趋势都与真实菌落无显著偏离 [1]。
唯一显著偏离的是圆形度（p=0.002）：生成的菌落系统性偏"太圆"，暴露出生成模型对理想几何形状的偏好 [1]。这算不算真正的发现？论文自己泼了冷水：这是沿已知浓度梯度的插值，算不上外推。
更有说服力的是对照组：pLac-gfp 菌株形态不随浓度变化，模型正确预测了"没有剂量反应"，尽管提示词在诱导它找趋势 [1]。论文结论：这些结果更像插值，不像编造。但能把组合表型筛选的采样次数降下来，对合成生物学已是实打实的减负。
设计"医生"：一句指令演化出八阶段流水线
第二个生物实验完全放手。医疗问答里，模型回答听起来自信，却可能编造临床细节或给出不安全建议。HealthBench 用医生撰写的加权评分细则同时惩罚遗漏与编造 [25][27]。
Co-Scientist 只收到一句研究指令，从最小脚手架起步：一个查模型、一个查指南的接口，通过进化式代码生成自主演化架构。训练语料是 1282 条合成医疗问题，两个评测基准全程严格隔离 [1]。
演化出的 Agent_H 把医疗回答拆成八个阶段。先做多轴分诊：按专科、受众、意图、复杂度分类，同时检测错误前提、编造诱饵、不安全剂量等对抗风险；复杂问题再拆成带依赖关系的子问题 [1]。
随后并行生成 28 到 48 个候选回答，覆盖急诊医生、安全优先专科医生等六种人设，采样温度 0.5 到 0.95；单败淘汰赛筛到两强，三人评审团投票定胜者 [1]。
胜者进入"临床审计员"修改循环，最多五轮；引用审计逐条核对指南、禁忌症与剂量；最后压缩到 2000 字符目标长度。每个问题烧掉 40 到 80 次模型调用 [1]。
HealthBench 困难版上，Agent_H 原始分 0.420，比底座 Gemini 3.1 Pro 的 0.236 高 18.4 个百分点；长度校正后 0.377，超过 GPT-5 的 0.334 [1]。
专业版上，Claude Opus 5 原始分 0.697 更高，但长度校正后排名反转，Agent_H 以 0.643 领跑六个前沿模型。它的回答平均 1850 字符，底座平均 7616 字符 [1]。
但三位执业医生的盲评泼了冷水：106 道题、九个维度，Agent_H 只在"降低潜在伤害"上显著占优（p=0.0486），其余八项与基线拉不开差距 [1]。论文承认，自动评审与医生偏好的相关性很低，尽管两个自动评审彼此高度一致（ρ=0.869）：架构是冲着评分细则优化的，医生看的是整体。
90% 的论文在撒谎
为什么生物实验尤其需要这道枷锁？团队让 Co-Scientist 全自动产出 50 篇论文，与拆掉可靠性模块的消融版、开源的 Agent Laboratory 同题竞技 [29][30]。
30 位专家（29 位有博士学位，平均从业 11 年）对 150 篇论文做了 450 次盲审：基线系统 90% 的论文存在严重结果幻觉，方法描述与代码完全对不上的比例是 100% [1]。CMU 团队今年报告，AI Scientist 与 Agent Laboratory 都会编造数据、搞 p-hacking [19]；ICML 的 FabScore 研究发现，AI 撰写的真实会议投稿超 70% 含捏造 [16]。
因此 Co-Scientist 的对策是双层的：目标函数加入幻觉与抄袭惩罚，确定性模块把每个定量声明与执行日志逐条硬核对，对不上就改写，实验失败就终止写作。效果：严重结果幻觉压到 4%，完全捏造清零，严重抄袭从 60% 降到 16% [1]。
安全测试同样量化：700 个有害研究方向，系统拒绝 98.7%，误伤正常方向 3.1% [1]。但漏网的 9 个案例，全部是用中性科学语言包装的双刃剑研究——对生物领域，这一条尤其刺眼。
闭环科学，还差几环
因此，这篇论文真正的贡献或许不在"AI 又预测对了什么"，而在给自主科研系统立了一套可量化的诚信基线。大肠杆菌是插值而非发现，Agent_H 的分数优势在医生眼里大打折扣——作者没有回避任何一条。
但更深的问题悬而未决：当 AI 的实验从代码延伸到养细菌，验证它"没撒谎"的成本也在指数上升。日志可以核对，培养皿边的操作谁来核对？湿实验的每一步人为干预，都可能成为新的造假缝隙。
所以，4% 的残余幻觉率值得多看一眼。放在 50 篇论文里是 2 篇；放在未来每天成千上万篇的机器论文洪流里，又由多少专家来盲审？至少现在，谷歌选择先把镣铐戴上，再让科学家出门。