新智元报道
新智元报道
【新智元导读】AI科学家时代正在到来，哈佛MIT最新推出的ToolUniverse，通过一个统一平台，让AI用自然语言操作600+科学工具，推动科研自动化的全面升级，迎接科学发现新范式。
科学史的每一次飞跃，往往伴随着工具的革新。随着近期大模型和智能体的飞速发展，这条路径正在通向一种全新的阶段：「AI科学家」。
在AI赋能科研的前沿，我们正见证一个重要的里程碑：从证明AI智能体「能否」解决特定科学问题，转向思考如何让它「高效、可靠、规模化」地参与整个研究过程。
Nature近期发布的新闻解析， 报道了由哈佛大学Marinka Zitnik和高尚华团队与MIT发布的首款大规模工具开源框架ToolUniverse
新闻链接：https://www.nature.com/articles/d41586-025-03246-7
ToolUniverse开放的在线环境让研究人员能够用自然语言将各类大模型和智能体 连接到不同科学领域常用的工具，为打造AI科学家奠定了基础。
项目主页：https://aiscientist.tools
论文详解：https://arxiv.org/abs/2509.23426
代码开源：https://github.com/mims-harvard/ToolUniverse
传统LLM（大语言模型）的核心能力是 「文本生成」，但科学研究需要的远不止于此：
它需要分解复杂问题（如 「如何优化降胆固醇药物」）、规划实验步骤、调用专业工具（如分子模拟软件）、验证数据合理性，甚至在结果偏离预期时自我修正。这种 「推理 + 行动」 的闭环，正是AI从 「模型」 升级为 「科学家」 的关键。
AI智能体的突破在于将 LLM 与三大机制深度耦合：
规划能力：将 「发现新药物」 拆解为 「靶点识别→化合物筛选→性质优化→专利验证」 等可执行步骤；
记忆系统：追踪中间结果（如 「某化合物对肝组织的渗透率」），避免重复计算或逻辑断裂；
工具调用：连接外部数据库、模拟器、分析软件，弥补 LLM 自身在专业计算（如分子结合能预测）上的短板。
但科学研究的特殊性给 AI智能体 其提出了更高要求：不同学科（生物、化学、物理）的工具格式不统一、数据需可复现、实验流程需严谨验证。
若仅依赖通用的工具调用协议（如MCP，模型上下文协议），无法解决 「如何让AI理解质谱数据格式」「如何协调分子模拟与临床数据库的输出」 等专业问题。而这，正是ToolUniverse解决的核心问题之一。
ToolUniverse并非单一工具，而是一套 「连接 LLM 与科学工具」 的标准化生态（图 1）。
它的核心目标是：让任何LLM都能通过统一接口，调用600 +科学工具，完成从 「提出假设」 到 「验证结论」 的全流程研究。
图1：ToolUniverse 是一个用于打造AI科学家的生态系统。通用型大语言模型（LLM）、推理模型与智能体可连接ToolUniverse提供的600余种科学工具，实现科研工作流自动化。
就像HTTP协议统一了互联网通信，ToolUniverse为AI科学家定义了专属的 「科学工具交互标准」（图 2），既能够无缝集成本地部署的开源工具，也能安全、规范地连接强大的闭源模型与API服务，解决了MCP协议在科研场景中的三大痛点：
图2: ToolUniverse通过统一协议连接机器学习模型、智能体、科学软件工具、数据库与API。它引入了标准化的工具规范框架，使语言模型能够一致地发现、调用并解析各类工具。类似于HTTP在互联网通信中确立标准的方式，ToolUniverse 协议通过两项核心操作：Find Tool（查找工具） 与Call Tool（调用工具）， 定义了AI科学家如何请求工具并接收结果。
工具发现难：通过「Tool Finder」组件，AI可结合关键词搜索、向量嵌入检索、LLM推理，从600 +工具中精准匹配需求（如 「需要预测化合物肝毒性」 时，自动定位ADMET-AI工具）；
调用不规范：「Tool Caller」组件会先验证输入（如分子结构格式是否符合 SMILES 标准），再执行工具，最后将输出转化为结构化数据（如 「结合能 - 8.2 kcal/mol」 而非杂乱文本）；
推理难闭环：新增 「推理控制层」，让AI能理解工具输出的科学意义（如 「该化合物脑渗透率高→可能引发中枢副作用」），而非仅机械调用。
这种标准化设计，让AI从 「会用工具」 升级为 「会用科学工具解决问题」。
ToolUniverse 通过四大组件（图 3），覆盖了AI科学家从 「工具获取」 到 「 workflow 优化」 的全流程需求，真正实现 「可编程的科学协作」。
图3: ToolUniverse 提供了六项关键能力，支持AI科学家完整的生命周期：查找工具、调用工具、添加新工具、将工具串联为工作流、从自然语言生成新工具，以及优化工具规范以提升可用性。
它解决了 「如何将新工具接入生态」 的问题：
本地工具（如实验室自研的数据分析脚本）只需提交 「功能描述 + 参数格式 + 输出示例」，即可被自动纳入统一 schema；
远程工具（如云端分子模拟平台）通过 MCP 协议接入，无需暴露内部代码，兼顾安全性与兼容性；
自动验证工具有效性（如 「输入错误分子结构时是否返回提示」），确保AI调用时的可靠性。
科学研究很少依赖单一工具，比如 「药物筛选」 需要串联 「靶点数据库→化合物库→分子对接工具→毒性预测工具」。Tool Composer 的作用就是：
定义工具间的数据流（如 「分子对接工具的输出结构，直接作为毒性预测工具的输入」）；
支持条件逻辑（如 「若毒性预测超标，则返回上一步重新筛选化合物」）；
生成可复现的 workflow 脚本，方便人类科学家追溯或修改。
通过智能体系统，实现工具间调用关系的自动构建与优化。
当现有工具无法满足需求（如 「需要一种新的基因表达数据可视化工具」），AI 可通过自然语言描述需求，Tool Discover 会：
将文本描述转化为结构化工具规格（如 「输入：CSV 格式表达矩阵；输出：热图 + 火山图」）；
自动生成代码、测试用例，通过 「预期行为 vs 实际输出」 的反馈循环迭代优化；
无需人工编码，让工具库随科研需求动态扩展。
科学研究强调可复现性，Tool Optimizer 通过三大动作保障工具稳定性：
定期生成测试用例（如 「用已知活性的化合物验证分子对接工具的准确性」）；
分析工具输出与规格的偏差（如 「某工具预测的结合能与实验值误差突然增大」）；
自动更新工具文档或参数设置，确保AI调用时的一致性。
不同科研场景对LLM的需求差异极大：实验室本地分析可能需要轻量开源模型（如 Llama 3），而复杂 hypothesis 推理可能依赖云端大模型（如 Claude 3），生物医药研究还需专业模型（如 TxAgent）。
ToolUniverse的兼容性设计打破了 「模型绑定」 局限（图 4）：将工具调用转化为 「标准化函数调用」，无需修改 LLM 的权重或Tokenizer——只需通过轻量级包装器，向模型传递 「工具列表 + 参数格式」，模型输出即可被解析为工具调用指令。
这种设计的价值在于：
科研团队可根据成本、隐私需求选择模型，无需担心 「换模型就要重写工具调用逻辑」；
能在相同实验条件下对比不同模型的性能（如 「用Gemini-CLI vs Claude 3做药物筛选，哪个准确率更高」）；
支持专业模型与通用工具的结合（如 「让TxAgent调用 ChEMBL 数据库，分析药物 - 靶点相互作用」）。
图4: ToolUniverse 为构建不同类型的AI科学家提供了简洁而高效的协议：既可用于基于通用大语言模型（如左图的 Claude），也可用于具备更强推理与控制能力的智能体系统（如右图的 Gemini-CLI），以及专注于生物医学研究的AI智能体（如 TxAgent）。
理论架构需要实践验证。我们以 「寻找更安全的降胆固醇药物」 为例，看看 ToolUniverse 构建的AI科学家（基于 Gemini-CLI agent）如何完成全流程研究（图 5）。
图5：展示了一个基于 ToolUniverse 构建并应用于药物发现的AI科学家实例。该系统与 Gemini-CLI 智能体相连，能够识别生物学靶点、筛选并优化候选药物、评估分子性质，并利用计算工具验证结果。整个工作流程展示了AI科学家如何在药物研发的各个阶段进行推理、整合多源证据，并在必要时融入人类反馈。
步骤1：靶点识别 —— 锁定 「关键蛋白」
AI首先调用 「文献挖掘工具」 和 「药物 - 靶点数据库」，通过分析 thousands of 研究论文与临床数据，得出结论：HMG-CoA 还原酶是胆固醇合成的关键酶，且该酶在肝脏外的过度抑制会引发肌肉疼痛等副作用。这一步完全复刻了人类科学家的 「靶点发现」 逻辑，但效率提升 10 倍以上。
步骤2：起始化合物筛选 —— 从现有药物入手
AI通过ToolUniverse查询 「已上市降胆固醇药物库」，筛选出以 HMG-CoA 还原酶为靶点的药物，最终选择 「洛伐他汀（lovastatin）」 作为起始化合物 —— 理由是 「临床验证充分，但肝外组织渗透率高，存在副作用风险」。
步骤3：化合物优化 —— 提升安全性与有效性
AI调用三大工具协作：
ChEMBL 数据库：获取洛伐他汀的100 +结构类似物；
Boltz-2 工具：预测每个类似物与 HMG-CoA 还原酶的结合能（数值越低，结合越强）；
ADMET-AI工具：预测类似物的肝渗透率、脑渗透率、代谢稳定性。
通过综合排序，AI筛选出两个候选：
普伐他汀（pravastatin）：已知药物，肝外渗透率低，副作用更少（验证了AI的可靠性）；
CHEMBL2347006/CHEMBL3970138：新化合物，结合能比洛伐他汀高 30%，脑渗透率降低 50%，生物利用度提升 25%。
步骤4：专利与验证 —— 规避法律风险
最后，AI调用 「专利检索工具」，发现新化合物已被注册用于心血管疾病治疗，虽无法直接开发，但为后续结构修饰提供了方向。
整个过程中，AI不仅完成了 「调用工具」 的动作，更体现了科学推理能力：它能解释 「为何选择该靶点」「为何淘汰某化合物」，甚至能根据副作用风险调整优化方向 —— 这正是 「AI科学家」 与普通工具调用的本质区别。
一个健康的生态系统，其生命力不仅来源于使用，更来源于创造与贡献。
ToolUniverse内置了Tool Discover和Tool Optimizer等核心组件。前者允许用户通过自然语言描述，自动化生成新工具的规范与代码框架；后者能通过多轮测试与反馈，持续优化现有工具的说明与易用性。
这一机制巧妙地将用户从纯粹的「消费者」转变为潜在的「共建者」，激励社区智慧反哺生态，形成一个自我完善、持续生长的良性循环。
ToolUniverse的终极愿景，是赋能各个科学领域的专家，而不仅仅是AI专家。当生物学家、化学家、药物研发人员能够基于一个稳定、丰富的工具生态，轻松定制符合其独特研究需求的「AI科研伙伴」时，或许将迎来一个真正AI辅助科研的全新时代。
AI科学家不仅能调用数据库、模拟器，还能通过标准化协议控制实验室自动化设备（如液体处理机器人、质谱仪），实现 「提出假设→设计实验→自动执行→分析结果」 的全流程闭环。
当AI能真正理解科学问题、自主协调工具、与人类共同推进认知边界时，我们或许正站在 「科学发现新范式」 的起点。
