《Molecular Plant》：HAIant (智然体): A human-centered AI framework for secure, personalized intelligence augmentation in biological research
编辑推荐：
人工智能（AI）已在多个领域达到人类水平能力；然而，数据安全性、隐私性与领域特定能力增强方面仍存在担忧。研究人员提出 human + AI + ant（HAIant），一种基于本地部署 AI 的以人为中心、安全且个性化智能增强框架。HAIant 将本地部署大语
人工智能（AI）已在多个领域达到人类水平能力；然而，数据安全性、隐私性与领域特定能力增强方面仍存在担忧。研究人员提出 human + AI + ant（HAIant），一种基于本地部署 AI 的以人为中心、安全且个性化智能增强框架。HAIant 将本地部署大语言模型（LLM）与个人数据、个体推理过程及领域特定工具集成，在实现用户可控 AI 系统的同时保护数据隐私。在该框架下，HAIant 通过个人生物知识库构建、多用户通信与生物信息学工具调用，建立统一的 AI 辅助生物研究工作流。为支撑领域应用，研究人员将名为 BioSkills 的生物信息学技能执行模块集成进 HAIant，该模块由 84 个分析工具与两个领域知识库组成。作为概念验证，研究人员展示 Biological HAIant 可支持实验记录管理、生物信息学分析，以及从实验数据自动生成稿件。综上，HAIant 与 BioSkills 为安全、面向人类的 AI 系统提供了可扩展架构，推动智能化科学工作流。
研究背景方面，过去十年人工智能（AI）借助神经网络架构创新与大规模数据，深刻改变计算研究与科学发现；AI for Science 正把机器学习、深度学习与高性能计算结合，加速从数据获取到知识发现。生命科学中，AI 已广泛用于基因组学、蛋白质结构预测与药物发现，如 AlphaFold3、RFdiffusion、AlphaGenome、ANNEVO 等。大语言模型（LLM）也让文献解读、实验设计、结果综合更易自动化。但现有系统多偏向任务自动化、云部署与通用优化，带来数据安全、知识产权、人类自主性等担忧；有研究称 AI 辅助写作时人脑神经连接降低。现有平台忽视个性化、长期知识连续性与本地数据隐私，模型规模本身不足以支撑高质量人机协作。因此研究人员开展 HAIant（human + AI + ant）研究，目标是用本地部署 LLM 把个人数据、个体推理与领域工具统合起来，做“增强人”而非“替代人”的科研系统。论文发表在《Molecular Plant》。
主要关键技术方法上，研究人员用 PyQt6 构建图形界面，用 llama.cpp 做本地 LLM 推理，用 LangChain 实现检索增强生成（RAG）、提示编排与工作流管理；默认基模为 Qwen3-0.6B-Q4_K_M，嵌入模型为 bge-small-zh-v1.5，重排模型为 bge-reranker-v2-m3-Q4_K_M。本地存储用 SQLite3 与 ChromaDB；局域网通信基于 socket，私有云用 FastAPI 与 WebSocket Secure（WSS）。BioSkills 插件以 ZIP 分发，含可执行文件、配置文件与示例数据，通过子进程调 R 环境执行分析；意图识别把用户指令分为 8 类。评估硬件为 Intel Core Ultra 9-275HX、NVIDIA GeForce RTX 5060 Ti、32 GB RAM，无外部生物样本队列，仅用文献条目、实验记录与基准模型任务。
安全、本地与以人为中心的 AI 交互：HAIant 架构。研究人员把本地 LLM 作为智能层，结合关系库与向量库，支持多模态交互、局域网点对点通信与私有云模式；本地知识库经向量化与 RAG 增强回答。结论是该架构在隐私保护下统一了本地智能、分布式协作与知识增强。
个人记录作为 AI 辅助科研工作流基础。研究人员设普通事件与实验记录模块，记录确认后不可改；多智能体稿件生成按记录检索、章节写作、摘要与标题生成、文献检索与引文筛选推进，且每节需人审。结论是结构化记录可驱动人环（human-in-the-loop）稿件起草。
通过 AI 智能体可扩展增强生物能力。BioSkills 用配置元数据自动装依赖、生成界面；本地 LLM 做意图分类，800 样本整体准确率 92.3%，Qwen3-8B 在中英任务上优于 Qwen3-0.6B。结论是自然语言可闭环映射到生物信息学工作流执行。
HAIant 在基因组选择与智能表型中的概念验证。研究人员集成 AutoGP 做基因型到表型预测与亲本组合评估，并用多视角玉米植株视频做分割、三维重建与株高/叶形提取。结论是 HAIant 能支撑育种端到端流程。
跨模型规模与任务类型的性能评估。研究人员用 Qwen3-0.6B、Qwen3-8B、Qwen3-30B-A3B、GPT-OSS-20B 测稿件生成、意图识别与 RAG；稿件任务里 Qwen3-8B 均分 69.1，Qwen3-0.6B 为 36.5，规模大不一定更好；意图识别随规模显著提升；RAG 中 8B 中英相似度更高，检索失败才低分。结论是任务特性决定规模收益。
HAIant 中统一知识与模型基础设施。研究人员把本地 LLM、个人知识库、多用户通信、实验记录与稿件写作并入统一数据流；8 GB GPU 下约 8B 模型平衡最好，Qwen3-0.6B 延迟最低、吞吐最高。结论是 HAIant 是可扩展、保隐私的科研基础。
讨论部分总结：研究人员指出 HAIant 的远景是用用户生命史数据微调私有个人模型，产生具用户意识的智能体；当前原型用小规模 LLM，借分层父子文档索引、结构化提示、表单化参数降低幻觉与解析错误。相比 BioMaster、PlotGDP、PlantScience.ai，HAIant 强调本地优先、结构化知识与端到端科研。数据安全风险上，本地推理降低未发表基因组与育种记录外泄；WSS、子进程超时、审计日志提升可追溯性，但隔离沙箱与抗提示注入尚未做。默认 Qwen3-0.6B 是为低延迟、易部署、广兼容的权衡。
结论部分翻译：作为一种人与 AI 融合的基础平台，HAIant 的总体愿景是聚合用户的生命史数据，并借此微调一个私有且个人的模型，从而产生具有用户特定意识的、以多人为中心的 AI 智能体。该能力为具身智能提供高度个性化的认知支持。在科学研究情境中，HAIant 保证数据记录的时效性与真实性；此外，借助大量真实湿实验/干实验检测结果，它为 AI 幻觉提供可靠防御。添加智能体插件可扩展 HAIant 功能，随着更多集成引入，平台将在更广领域适用。个人数据、经验与智能是 AI 时代的宝贵资源；HAIant 的目标是以安全方式，利用私有数据与个人智能，培育人与 AI 的共生融合。HAIant 用实验与事件记录理解用户行为与思维链，用户则通过 HAIant 的本地 LLM 与技能插件提升自身能力，致力于人与机器智能的共同进化。
