Mozi：面向药物发现LLM智能体的受控自主架构
在药物发现等高风险领域，大型语言模型（LLM）智能体虽能结合科学推理与计算，却面临两大瓶颈：工具使用的无约束治理与长期任务可靠性不足。依赖关系复杂的制药流程中，自主智能体常陷入不可复现的轨迹，早期幻觉会乘数级放大为下游失败。为此，研究团队提出 Mozi——一种双层架构，旨在桥接生成式AI的灵活性与计算生物学的确定性严谨。
核心架构：双层设计
Mozi 的核心创新在于其 双层架构，分别对应控制与执行层面：
Layer A（控制平面）：建立了一个受监管的“监督者-工作者”层级结构。它通过角色隔离限制工具访问，将执行约束在有限动作空间内，并驱动基于反思的重新规划。这层确保了智能体不会因过度自由而偏离轨道。
Layer B（工作流平面）：将标准药物发现阶段（从靶点识别到先导化合物优化）操作化为有状态、可组合的技能图。该层集成了严格的数据契约和策略性的人机协同检查点，以在高不确定性决策边界保障科学有效性。
设计原则与优势
Mozi 遵循 “自由推理用于安全任务，结构化执行用于长期流程” 的设计原则。其内置的鲁棒性机制和轨迹级可审计性，能完全缓解错误累积问题。这意味着智能体在简单任务上可灵活思考，而在复杂、多步骤的制药流程中则受控运行，避免早期小错误引发连锁反应。
评估与验证
研究团队在 PharmaBench（一个为生物医学智能体定制的基准测试）上评估了 Mozi，结果显示其在编排准确性上显著优于现有基线。更重要的是，通过端到端治疗案例研究，Mozi 展示了其能力：
- 导航庞大的化学空间
- 执行严格的毒性过滤
- 生成极具竞争力的计算机模拟候选化合物
这些成果表明，Mozi 能将 LLM 从一个脆弱的对话者，转变为可靠、受监管的“共同科学家”。
行业意义与展望
在 AI 加速科学发现的浪潮中，Mozi 代表了向 可信、可审计自主系统 迈出的关键一步。它不仅解决了药物发现领域的特定痛点，其治理框架也可能为其他高风险 AI 应用（如材料设计、临床决策支持）提供参考。随着 AI 在科研中的角色日益深化，类似 Mozi 的受控架构将成为确保产出科学性、可重复性的重要基石。
