Google 推出 Gemini for Science：用智慧體加速科研假設與計算發現

過去科學家想搞點新突破，最痛苦的不是算力不夠，而是看不過來論文，也寫不完試錯的程式碼。每年幾百萬篇新文獻砸下來，誰都沒法把所有線索連在一起。

Google 在 I/O 大會上拿出了 Gemini for Science。這是一整套放在 Google Labs 裡的科研 AI 工具，目標不是做一個專科模型，而是用通用 Agent 接管提出假設、寫程式碼做實驗、啃文獻這一整套科研動作。

同一天，背後的兩篇核心論文直接登上了《Nature》。

讓多個 AI 開辯論賽，挑出最好的科學假設

這次最惹眼的實驗工具叫「假設生成」，底層是 DeepMind 和 Google Research 搞出來的 Co-Scientist。

它不是讓大模型隨便編一個點子，而是搞了一套「觀點錦標賽」。系統裡分工很細：有負責提想法的生成 Agent，有防止思路撞車的聚類 Agent，還有專門挑刺的「虛擬同行評審」Agent。

這些 Agent 會兩兩辯論、打分，不斷淘汰平庸方案，再把勝出的想法雜交進化。為了防止 AI 滿嘴胡話，絕大部分算力都花在跟文獻交叉核驗上，給出的結論全部帶可點選的真實引用。

第二個工具叫「計算發現」，由 ERA 和 AlphaEvolve 驅動。它專門解決科研裡耗時極長的寫程式碼和跑模擬環節。

面對一個目標，它會用樹搜尋並行生成並跑上千種程式碼變體。在流行病學預測、太陽能建模和碳排放監控等測試裡，它的程式碼質量已經達到了專家水準。

第三個工具則是基於 NotebookLM 的「文獻洞察」。它能把搜出來的幾十篇論文排成可對比的自定義表格，不僅能直接對話深挖細節，還能一鍵生成結構化報告、資訊圖乃至音影片概述。

此外，Google 還推出了 Science Skills，把 UniProt、AlphaFold 資料庫、AlphaGenome API 等 30 多個生命科學資料庫打包。在 Google Antigravity 平臺上，以前要折騰幾個小時的結構生物學分析，現在幾分鐘就能跑完。Google 團隊甚至藉此摸到了與 AK2 基因突變相關的罕見病潛在機制。

目前 BASF、Klarna、第一三共、拜耳作物科學以及美國國家實驗室，已經開始通過 Google Cloud 提前內測這些工具。

為什麼重要

我們認為，Google 這次最聰明的地方，是沒有再停留在「單點神藥」或者單體大模型的敘事裡，而是開始給科學家造真正的全流程流水線。

以前類似 AlphaFold 的工具再厲害，也只是在算蛋白質結構這一個點上發力。科學家依然要自己讀幾百篇文獻、自己憋假說、自己手寫模擬指令碼。Gemini for Science 把 NotebookLM、通用 Agent 辯論機制和程式碼演化引擎串成閉環，等於把科研中最枯燥也最耗腦力的中間環節接管了過去。

對普通科研人員或者中小團隊來說，這套工具非常值得第一時間去 Google Labs 申請排隊。以前只有頂級大組才能靠一群博士生並行驗證的想法，現在哪怕獨立學者也能借助多智慧體快速跑完立項調研和初步程式碼實驗。門檻從「拼人力堆時間」變成了「誰能提出更好的初始目標」。

但這套體系的隱患也很明顯。即便 Co-Scientist 在論文核驗上花了大把算力，科學研究的真正突破往往來自對既有共識的顛覆。多智慧體基於現有文獻庫互相辯論，會不會把那些過於反常規卻正確的異想天開當成低分假設直接淘汰？這在學術界需要很長時間的檢驗。

對行業來說，這也給 OpenAI 等對手出了道難題：通用基礎模型如果不能深入垂直領域的實驗臺和資料管道，就很難打動真正掏大錢做研發的企業客戶。