现在有一套名叫 MoLRSI 的递归自改进(RSI)智能体,不再只按照人类写死的流程做分子筛选,而是自己修改科研策略、优化整套搜索工作流,并且已经在真实湿实验里面拿到可复现的阳性结果,在抗生素筛选任务里,它自主迭代出来的方案命中率达到 15.9%,高于传统专家预设流程的 8.7%,还从零设计出 8 组经过湿实验确认、具备靶点结合能力的肽分子,这证明 AI 自主改策略不是纸面推演,确实可以穿过湿实验这一关,但它依然会在复杂生物场景翻车,距离完全甩开人类科学家独立完成新药开发还差很远。过去大多数 AI 分子发现工具,本质只是执行人类定好的规则,模型只能改分子结构,不能改动筛选逻辑、优先级和整套实验策略;而 RSI 的核心就是递归自改进,把湿实验返回的活性、毒性、特异性数据当成反馈,让智能体一边跑分子发现,一边复盘哪一类策略好用、哪一条路径持续失败,自动调整后续搜索方案,还保留跨任务记忆,把抗生素筛选学到的经验迁移到肽结合分子设计上,这也是最近 AI4S 赛道里面干湿闭环最受关注的路线之一。
一、MoLRSI 核心信息清单
- 全称:MoLRSI,Recursive Self‑Improving AI agent for Molecular Discovery
- 核心机制:自主迭代工作流、调整搜索策略、持久跨任务记忆,依靠湿实验反馈持续优化自身科研方案
- 两大验证任务:抗生素分子筛选、全新肽‑MHC 结合分子从头设计
- 抗生素任务表现:AI 自主流程 hit rate 15.9%,对照组专家固定流程 hit rate 8.7%
- 肽设计任务表现:产出 8 个湿实验验证阳性分子,对 MART‑1、SARS‑CoV‑1 pMHC 具备选择性结合
- 对比基准:同场景下 Claude Science 无法产出有效命中分子
二、传统固定流程 vs RSI 自主科研对比表
| 项目 | 传统 AI 分子筛选 | RSI 递归自改进智能体 |
|---|---|---|
| 科研策略 | 全部由人类提前写死,模型只做分子生成打分 | AI 根据实验反馈自主修改筛选、搜索策略 |
| 反馈利用 | 只用来优化分子生成模型 | 同时优化分子模型、整套工作流、搜索决策 |
| 经验迁移 | 很难把 A 任务经验给到 B 任务 | 依靠长期记忆,把有效策略跨任务复用 |
| 湿实验定位 | 最终验证环节,不反向改变上层流程 | 闭环核心,实验结果直接驱动策略迭代 |
| 短板 | 遇到分布偏移、新靶点很容易失效 | 策略探索存在随机性,偶尔会走向无效方向 |
三、RSI 闭环完整运转步骤
- AI 先从初始假说出发,生成一套候选分子的筛选策略与候选库。
- 将选定分子送入自动化湿实验室,拿到活性、细胞毒性、结合特异性实测数据。
- 智能体分析失败与成功案例,识别哪些筛选条件、打分逻辑拖低命中率。
- 自动改写后续科研策略,调整权重、新增过滤项、抛弃低效分支。
- 把本次学到的有效策略存入长期记忆,用于下一轮或者别的分子发现任务。
- 重复循环,直到拿到足够多经过湿实验确认的阳性分子。
四、现在这套路线明确的短板
- ✦ 生物噪声很难分辨:湿实验本身存在测量误差,AI 有时会把仪器波动当成策略好坏,做出错误调整。
- ✦ 高难度靶点稳定性不足:在多目标强冲突场景,自主策略容易收敛到局部最优,很难找到全新骨架。
- ✦ 合成可行性考量有限:智能体优先追求活性,部分选出的分子合成路线苛刻,拉高落地成本。
- ✦ 缺少临床链条验证:目前只停留在体外湿实验,还没有推进到动物、药理阶段。
五、后续跟踪方向
- 观察 MoLRSI 在更多靶点、更大分子库下的命中率能不能稳定保持。
- 留意同类 DiscoveryRSI 这类自改进假说框架,看能不能和自动化湿实验室打通。
- 关注产业落地,看百奥几何、珞米等国内团队的 RSI 干湿闭环平台能不能跑出更多自研候选分子。
- 跟踪人机分工模式,判断未来是 AI 自主探索、人类做把关,还是继续由科学家主导策略。
整体来看,RSI 给分子发现带来的变化,是把 AI 从 “工具” 升级成可以自主试错、自主调整研究路线的科研助手。湿实验这一关它已经闯过去了,但想要稳定产出能推进到新药管线的分子,还需要更多标准化自动化实验室、更高质量的反馈数据持续喂养。
常见问题
问题 1:AI 自主调整科研策略,RSI 递归自改进方案落地分子发现,已经通过湿实验验证,这里提到的 RSI 在分子发现里面是什么意思?
回答 1:这里的 RSI 指递归自改进(Recursive Self‑Improvement),在分子发现场景,就是 AI 拿到湿实验实测反馈之后,自己修改科研筛选策略,不依靠人工重写整套工作流,持续优化分子搜索方案。
问题 2:AI 自主调整科研策略,RSI 递归自改进方案落地分子发现,已经通过湿实验验证,这套 MoLRSI 在湿实验里拿到了什么样的结果?
回答 2:在抗生素筛选任务,MoLRSI 自主迭代流程命中率 15.9%,高于专家固定流程;在肽‑MHC 从头设计,产出 8 个湿实验确认阳性、具备选择性结合能力的分子。
问题 3:AI 自主调整科研策略,RSI 递归自改进方案落地分子发现,已经通过湿实验验证,RSI 智能体和普通 AI 分子生成模型最大差别在哪?
回答 3:普通 AI 分子生成模型只能按照人类预先设定好的策略生成、筛选分子;RSI 智能体可以自主分析湿实验结果,改动上层科研策略,并且把成功策略跨任务保存复用。
问题 4:AI 自主调整科研策略,RSI 递归自改进方案落地分子发现,已经通过湿实验验证,现在 RSI 分子发现还有哪些明显瓶颈?
回答 4:它很难区分湿实验噪声和真实策略优劣,高冲突多目标场景容易卡在局部最优,对合成难度考虑不足,目前成果只停留在体外湿实验,距离新药管线还有很长距离。
参考资料
[2026-10-29](MoLRSI:面向分子发现的递归自改进 AI 智能体)arXiv
[2026-10-20](DiscoveryRSI:递归学习产出科学假说)HyperAI
[2026-10-17](自改进科研智能体,RSI 走进生命科学分子发现)智源社区
[2026-11-05](百奥几何推出 RSI 干湿闭环,打通模型与自动化实验室)DeepTech
[2026-11-02](珞米发布 AI4S 平台,采用 RSI 驱动干湿闭环)新京报
免责声明
本文仅为 AI4S、计算生物领域学术资讯科普;MoLRSI 当前验证仅为体外湿实验结果,不代表可以直接产出候选药物;RSI 自主科研智能体的命中率、泛化能力受分子库、靶点、实验平台影响;所有论文结论、指标以原论文和实验室重复验证结果为准;本文不构成新药研发、相关企业投资建议。
