Google 推出 Gemini for Science：用智能体加速科研假设与计算发现

过去科学家想搞点新突破，最痛苦的不是算力不够，而是看不过来论文，也写不完试错的代码。每年几百万篇新文献砸下来，谁都没法把所有线索连在一起。

Google 在 I/O 大会上拿出了 Gemini for Science。这是一整套放在 Google Labs 里的科研 AI 工具，目标不是做一个专科模型，而是用通用 Agent 接管提出假设、写代码做实验、啃文献这一整套科研动作。

同一天，背后的两篇核心论文直接登上了《Nature》。

让多个 AI 开辩论赛，挑出最好的科学假设

这次最惹眼的实验工具叫「假设生成」，底层是 DeepMind 和 Google Research 搞出来的 Co-Scientist。

它不是让大模型随便编一个点子，而是搞了一套「观点锦标赛」。系统里分工很细：有负责提想法的生成 Agent，有防止思路撞车的聚类 Agent，还有专门挑刺的「虚拟同行评审」Agent。

这些 Agent 会两两辩论、打分，不断淘汰平庸方案，再把胜出的想法杂交进化。为了防止 AI 满嘴胡话，绝大部分算力都花在跟文献交叉核验上，给出的结论全部带可点击的真实引用。

第二个工具叫「计算发现」，由 ERA 和 AlphaEvolve 驱动。它专门解决科研里耗时极长的写代码和跑模拟环节。

面对一个目标，它会用树搜索并行生成并跑上千种代码变体。在流行病学预测、太阳能建模和碳排放监控等测试里，它的代码质量已经达到了专家水准。

第三个工具则是基于 NotebookLM 的「文献洞察」。它能把搜出来的几十篇论文排成可对比的自定义表格，不仅能直接对话深挖细节，还能一键生成结构化报告、信息图乃至音视频概述。

此外，Google 还推出了 Science Skills，把 UniProt、AlphaFold 数据库、AlphaGenome API 等 30 多个生命科学数据库打包。在 Google Antigravity 平台上，以前要折腾几个小时的结构生物学分析，现在几分钟就能跑完。Google 团队甚至借此摸到了与 AK2 基因突变相关的罕见病潜在机制。

目前 BASF、Klarna、第一三共、拜耳作物科学以及美国国家实验室，已经开始通过 Google Cloud 提前内测这些工具。

为什么重要

我们认为，Google 这次最聪明的地方，是没有再停留在「单点神药」或者单体大模型的叙事里，而是开始给科学家造真正的全流程流水线。

以前类似 AlphaFold 的工具再厉害，也只是在算蛋白质结构这一个点上发力。科学家依然要自己读几百篇文献、自己憋假说、自己手写模拟脚本。Gemini for Science 把 NotebookLM、通用 Agent 辩论机制和代码演化引擎串成闭环，等于把科研中最枯燥也最耗脑力的中间环节接管了过去。

对普通科研人员或者中小团队来说，这套工具非常值得第一时间去 Google Labs 申请排队。以前只有顶级大组才能靠一群博士生并行验证的想法，现在哪怕独立学者也能借助多智能体快速跑完立项调研和初步代码实验。门槛从「拼人力堆时间」变成了「谁能提出更好的初始目标」。

但这套体系的隐患也很明显。即便 Co-Scientist 在论文核验上花了大把算力，科学研究的真正突破往往来自对既有共识的颠覆。多智能体基于现有文献库互相辩论，会不会把那些过于反常规却正确的异想天开当成低分假设直接淘汰？这在学术界需要很长时间的检验。

对行业来说，这也给 OpenAI 等对手出了道难题：通用基础模型如果不能深入垂直领域的实验台和数据管道，就很难打动真正掏大钱做研发的企业客户。