目前能够确认的方向是：一个发表在 Nature 上、提出并在体外验证了一个治疗候选的多智能体系统（Robin），一个报告准确率由外部科学家评定的商业 AI 科学家（Kosmos），一组开放的基准与智能体，一份查出某个头部 AI 基准里约三成化学与生物答案有问题的审核，以及一家非营利机构分拆出的营利公司，两家仍由同样两个人掌管。 这里最与众不同的习惯是"测量"：这个团队会把让自己系统显得不可靠的那个数字发出来，而且对别人的基准也做了同样的事。
范围说明： 本页只追踪公开记录：机构自己的发布、经同行评审的文献，以及第三方报道。没有内部信息。它记录的是公开材料能走到哪一步，而不是这些机构做得好不好。
概览
| 方向 | 能确认什么 | 最新证据 |
|---|---|---|
| 1. Robin | 提出用 ripasudil 治疗干性 AMD 并在体外验证有效；实验由人完成 | Nature，2026-05-19 |
| 2. Kosmos | 报告中 79.4% 的陈述被外部科学家评定为准确 | 2025-11-05 发布 |
| 3. 基准 | HLE 化学/生物答案中约 29% 与同行评审文献直接冲突；HLE 已修订 | 审核 2025-07-23，更新 2025-09-16 |
| 4. 组织结构 | Edison Scientific 自 501(c)(3) 分拆；两家由同样两人掌管 | 2025-11-05 公布 |
| 5. 回路停在哪里 | 这套系统里没有任何一环真的动手做实验 | Nature 论文明确写出 |
1. Robin：经过同行评审的那一部分
能确认什么： "A multi-agent system for automating scientific discovery" 于 2026 年 5 月 19 日发表于 Nature。Robin 把文献检索智能体与数据分析智能体整合起来，使其能够"生成假设、提出实验、解释实验结果并给出更新后的假设"。
结果是具体且可证伪的。 应用于干性年龄相关性黄斑变性时，Robin 提出"增强视网膜色素上皮细胞的吞噬作用"作为治疗策略，并"识别并确认了 ripasudil 与 KL001 的体外有效性"。Ripasudil 是一种已在临床使用的 Rho 激酶抑制剂，按作者的说法，"据我们所知，此前从未被提出用于治疗干性 AMD"。随后 Robin 提出了一个 RNA 测序的后续实验，其分析揭示了 ABCA1 的上调："它编码一个脂质外排泵，可能是一个新靶点"。
这篇论文对自己的"作者边界"写得异常精确： "本报告正文中所有的假设、实验方向、数据分析与数据图都由 Robin 产生。"这句话把系统做了什么逐项列出，而逐项列出的同时，它也说明了系统没有做什么。作者用来形容整件事的词是半自主。
边界： 体外。一个在细胞层面得到确认的老药新用假设，离一款疗法还很远；论文也没有声称别的，这里没有动物或人体数据。可信度：高（经同行评审、化合物具名、范围自述清晰）。
待查线索： ripasudil 是否会在这个适应症上推进到动物实验；是否有外部团队复现那个吞噬作用结果；ABCA1 作为靶点能否站住。
2. Kosmos：商业智能体，与它的两个数字
能确认什么： Kosmos 于 2025 年 11 月 5 日发布，技术报告挂在 arXiv 上。给定一个目标与一份数据集，它"最长运行 12 小时，循环执行并行的数据分析、文献检索与假设生成"，并能在"200 次智能体 rollout"中保持连贯，"每次运行平均执行 42,000 行代码、阅读 1,500 篇论文"。报告中的每一句陈述都会被引用到代码或一手文献。
论文展示了七项发现，横跨代谢组学、材料科学、神经科学与统计遗传学。其中三项"独立复现了来自预印本或未发表手稿的结果，而这些材料在运行时并未被 Kosmos 访问"（这是这个领域里迄今公开过的、最接近"留出测试"的做法），另外四项被描述为对文献的新贡献。
有两个数字总是被一起引用，而它们应该分开读。
第一个是外部的："外部科学家评定 Kosmos 报告中 79.4% 的陈述是准确的。"这是一次由公司之外的人做出的真实评估；它同时也意味着 Kosmos 报告里大约每五句就有一句是错的，而这个数字是由造出它的公司自己发布的。
第二个不是外部的。"一次 20 轮的 Kosmos 运行，相当于他们自己 6 个月的研究时间"来自对 beta 用户的问卷："在 7 位科学家中取平均，20 步 Kosmos 运行对应 6.14 个月。"七个人估计某件事本来要花他们多久，是一个关于"感知价值"的有用信号，但它不是对任何东西的测量。"一天干完六个月的活"这个标题，就是这份问卷。
发布本身写明了它的失效模式：Kosmos"常常会钻进兔子洞，或者去追那些统计显著但科学上无关的发现"，而运行越长，这种情况越可能发生。
边界： 对"被交给它的数据"做数据驱动的分析与综合。可信度：系统与那项复现结果确实存在：高；准确率数字：中（外部评定者，但协议由公司设计，未经同行评审）；六个月的等价关系：低（自述，n=7）。
3. 基准：包括对别人基准的一次审核
能确认什么： 这套开放工具链是可检查的：PaperQA2、LAB-Bench、BixBench 与 Aviary 都公开，且都有论文。
真正值得完整读一遍的是那次审核。 2025 年 7 月 23 日，FutureHouse 报告称，Humanity's Last Exam 中"纯文本的化学与生物题目里，有 29 ± 3.7%（95% 置信区间）的答案与同行评审文献中的证据直接冲突"。他们的诊断针对的是激励机制而非粗心：HLE 要求题目必须是当前前沿模型答不出来的，作者认为这"导致了大量'刁难式'的对抗性题目，最终把出题人和评审都绕晕，以至于题目失去了全部意义"。文中给了一个具体例子。
接下来发生的事，才是几乎从不发生的那部分。 2025 年 9 月 16 日，FutureHouse 更新了那篇文章：HLE 团队"看到我们的帖子后主动联系了我们"，做了一次独立的三专家复核，发现其中一个子集里约 18% 有问题，并且"有 25% 的题目至少有一位评审持异议，更接近我们的 29%"，随后修订了 HLE 预印本的相关章节，并计划"建立一个滚动修订流程来持续改进这个评测"。FutureHouse 自己的评价是："我们很感谢他们认真对待这件事。"
这是一个完整的回路：一个公开主张、被批评方自己做的独立复核、对记录的更正，以及一次流程变更。在本站追踪的所有对象里，这是唯一一个真正闭合的。
边界： 基准质量，而非科学发现。可信度：高（双方都公开发表、数字互相收敛、更正已写进预印本）。
4. 组织结构：一家非营利分拆出的公司
能确认什么： 2025 年 11 月 5 日由 Sam Rodriques 与 Andrew White 公布。FutureHouse 仍是 501(c)(3)，"将继续开发 AI Scientist 以加速生物学的基础研究"；Edison Scientific 是"一家新的商业分拆公司，专注于把我们的 AI Scientist 进一步开发并部署到商业应用中"。部分团队迁了过去。Edison"承诺维持一个慷慨的免费层"。
分拆的理由值得原样引用，因为它是一个治理层面的论证，而不是增长层面的："做产品、搭支付系统、做市场、支持客户，不是我们慈善资金的正确用途。"两家机构"暂时"由同样两个人掌管，"并设有严格的控制措施，以避免自我交易或私人受益，并管理利益冲突"。
需求方面的证据措辞很谨慎，应当照字面读。 公告称收到了"来自十大药企中六家的 VP 级或 C 级高管对我们智能体的主动询问"。用的词是询问，不是试点，不是合同。它还提到被"提高速率限制的请求淹没"，这是文中最具体的一条使用量信号。
边界： 组织结构与被表达出来的需求。可信度：结构与其自述的控制措施确实存在：高；商业进展：低（没有点名任何客户、合同或收入数字）。
待查线索： 那些控制措施在实践中是什么；药企的兴趣是否会转化为已披露的协议；免费层能否在商业压力下存活。
5. 回路停在哪里
能确认什么： 这套系统里没有任何一环真的动手做实验。Robin 生成假设并分析结果；Nature 论文里的实验是由人做的。Kosmos 分析的是被交给它的数据。两者的公开边界一致，而且两篇文章都写明了。
为什么这是关于这个团队最有用的一条。 他们选择攻击的瓶颈，是"对文献与数据的推理"，在那里，每个答案都能追溯到一条引用或一行代码，这也正是他们能够发布一个准确率百分比的原因。他们没有攻击的瓶颈，是"实验必须真的跑起来"的那个。他们的系统走到湿实验的边缘，然后交棒。
边界： 这是设计使然，并且被明确披露，而不是疏漏。可信度：高（写在经同行评审的论文里）。
找不到什么
- Kosmos 没有经同行评审的论文。 技术报告挂在 arXiv 上。
- 没有具名的 Edison 客户、合同或收入数字，尽管公告称收到了十大药企中六家的主动询问。
- ripasudil 在干性 AMD 上没有体内后续，那项吞噬作用结果也没有独立复现。
- 两人同时掌管一家非营利与其营利分拆公司，其利益冲突控制措施没有公开细节。
- 那 79.4% 没有任何拆分：准确率只给了总数，没有按领域或按陈述类型分列。
方法与范围
材料来自 Nature 上的 Robin 论文、Kosmos 发布与其 arXiv 技术报告、Humanity's Last Exam 审核及其 2025 年 9 月的更新、Edison Scientific 的公告，以及 FutureHouse 的研究索引。上文引用的每一个数字都在其来源处读取过。
可信度按条目标注，而不是按方向标注。 标签含义：
- 高：有公开产物、由外部机构执行或评定，或有具名专家评议；
- 中：官方发布或公司自报的数字：细节可查，但外部未验证；
- 低：单一来源的说法、自述的估计，或背后没有任何已公开测量的主张。
两条操作规则： 版本修订按版本标注日期，不作为新项目；"项目存在"不等于"技术成功"。
关于这个团队还有一句话。本站追踪的机构里，大多数只发布对自己有利的那个数字。FutureHouse 公开了"它商业产品的报告里大约每五句有一句是错的"，又单独公开了"这个领域被引用最多的那个硬基准里，大约每十道有三道的答案与文献相矛盾"。这两个数字都不会让技术显得更好。但它们都让记录更有用，而且第二个真的在别处催生了一次更正，那是本站上最稀有的结果。
一手来源
经同行评审
技术报告与发布
资料来源
- FutureHouse Platform · Product
- Robin, Nature · Paper
- PaperQA2 · Paper
- Edison Scientific · Company