Gemini for Science: كيف تريد جوجل تسريع الاكتشاف العلمي بالذكاء الاصطناعي

بهذا الشكل يمكن للذكاء الاصطناعي البحث في المصادر العلمية، وتحليل النتائج، واقتراح فرضيات جديدة، وحتى تشغيل تجارب محاكاة بشكل شبه آلي.

أهم الأدوات داخل Gemini for Science

Co‑Scientist: شريك بحثي يعمل بالذكاء الاصطناعي

أداة Co‑Scientist تعمل كمساعد بحثي افتراضي للعلماء. وهي نظام متعدد الوكلاء مبني على نماذج Gemini، ويهدف إلى محاكاة خطوات التفكير العلمي لمساعدة الباحثين على توليد أفكار بحثية جديدة.

يمكن للباحث إدخال هدف علمي—مثل فهم آلية مرض معين—ليقترح النظام فرضيات قابلة للاختبار، إلى جانب ملخصات للأبحاث ذات الصلة واقتراحات للتجارب الممكنة.

AlphaEvolve: البحث عن خوارزميات أفضل

AlphaEvolve هو وكيل يعتمد على خوارزميات تطورية مدعومة بنماذج Gemini. وظيفته اكتشاف خوارزميات محسّنة لحل مشكلات معقدة في العلوم والهندسة عبر اختبار الحلول وتحسينها بشكل متكرر.

ووفقًا لجوجل، استُخدم النظام بالفعل في عدة مجالات، مثل:

• تحسين تصحيح أخطاء تسلسل الحمض النووي (DNA sequencing)
• زيادة دقة التنبؤ بالكوارث الطبيعية
• محاكاة طرق للمساعدة في استقرار شبكات الطاقة

هذه التطبيقات توضح كيف يمكن لوكلاء البحث الخوارزمي أن يساهموا في حل مشكلات علمية وبنية تحتية معقدة.

ERA: مساعد للتجارب الحاسوبية

أداة ERA (Empirical Research Assistance) تركز على واحدة من أكثر مراحل البحث العلمي استهلاكًا للوقت: كتابة الكود الخاص بالتجارب والمحاكاة.

باستخدام نماذج Gemini، يمكن للنظام كتابة وتحسين الكود العلمي المستخدم في التجارب الحاسوبية، مما يسمح للباحثين بتجربة فرضيات متعددة بسرعة أكبر.

وقد تم وصف ERA في دراسة منشورة في مجلة Nature، كما ساعدت الأداة في تطوير منصة تجريبية تسمى Computational Discovery المتاحة حاليًا لعدد محدود من المختبرين عبر Google Labs.

أدوات تحليل الأدبيات العلمية عبر NotebookLM

تتضمن المنصة أيضًا أدوات مبنية على NotebookLM تساعد الباحثين على تحليل كميات ضخمة من الأوراق العلمية. يمكن لهذه الأدوات تلخيص آلاف الدراسات واستخراج البيانات منها وبناء رؤى منظمة مستندة مباشرة إلى المصادر الأصلية.

هذا النوع من التحليل مهم في عصر يُنشر فيه ملايين الأبحاث سنويًا، وهو ما يجعل مراجعة الأدبيات العلمية يدويًا مهمة شبه مستحيلة.

دور Google Labs ومنصة Antigravity

تُقدَّم العديد من أدوات Gemini for Science في البداية عبر Google Labs، وهي بيئة تجريبية تختبر فيها جوجل تقنيات جديدة قبل طرحها على نطاق أوسع.

في الوقت نفسه، ترتبط المنصة بمنصة Google Antigravity، وهي بيئة تطوير تركز على بناء أنظمة ذكاء اصطناعي قادرة على تنفيذ مهام فعلية بدلاً من مجرد الرد على الأوامر النصية.

من خلال ما يسمى Science Skills، يمكن لوكلاء الذكاء الاصطناعي:

• الوصول إلى قواعد بيانات علمية
• إجراء عمليات تحليل للبيانات
• تشغيل أدوات البحث
• إنتاج نتائج وتجارب ضمن سير عمل بحثي شبه آلي.

الاتصال بقواعد بيانات علوم الحياة

من أكثر الجوانب طموحًا في المشروع قدرته على الاتصال بمصادر البيانات العلمية.

تقول جوجل إن طبقة Science Skills يمكنها ربط وكلاء Antigravity بأكثر من 30 قاعدة بيانات وأداة رئيسية في علوم الحياة، ما يسمح للنظام بالتعامل مباشرة مع البيانات العلمية بدلاً من الاعتماد فقط على المعلومات الموجودة في بيانات التدريب.

حتى الآن لم تكشف الشركة علنًا عن جميع قواعد البيانات المتضمنة أو آلية التكامل بالتفصيل.

النتائج المبكرة لأداة ERA

من بين أدوات الحزمة، تُعد ERA الأكثر تقدمًا من حيث النتائج البحثية الموثقة حتى الآن.

وفقًا لجوجل:

• تم نشر قدرات النظام في دراسة علمية في مجلة Nature
• ساهم في بناء منصة Computational Discovery
• يجري اختباره حاليًا ضمن برنامج مختبرين موثوقين في Google Labs.

تشير هذه النتائج المبكرة إلى أن كتابة الكود العلمي بمساعدة الذكاء الاصطناعي قد تصبح جزءًا أساسيًا من سير العمل البحثي في المستقبل.

جزء من استراتيجية جوجل نحو «الذكاء الاصطناعي الوكيل»

يعكس إطلاق Gemini for Science تحولًا أوسع في استراتيجية جوجل للذكاء الاصطناعي.

خلال مؤتمر I/O 2026 شددت الشركة على الانتقال من أنظمة الذكاء الاصطناعي التي تجيب على الأسئلة فقط إلى أنظمة قادرة على تنفيذ المهام والتفاعل مع الأدوات والبيانات—وهو ما يعرف بالذكاء الاصطناعي الوكيل (Agentic AI).

تجسد منصة Gemini for Science هذا الاتجاه عبر دمج عدة وكلاء متخصصين—لتوليد الفرضيات، واكتشاف الخوارزميات، وكتابة التجارب—داخل بيئة بحثية واحدة.

وإذا نجحت هذه المقاربة، فقد تغيّر الطريقة التي تُجرى بها الأبحاث الحاسوبية، خصوصًا في مجالات مثل علم الأحياء والطب والأنظمة المعقدة.