Gemini for Science: el nuevo conjunto de herramientas de IA de Google para la investigación científica

La investigación científica moderna produce una cantidad de datos y publicaciones tan enorme que incluso los equipos más grandes tienen dificultades para analizarlo todo. Con ese problema en mente, Google presentó en I/O 2026 una nueva iniciativa llamada Gemini for Science, un conjunto de herramientas basadas en inteligencia artificial diseñado para ayudar a los científicos a avanzar más rápido en el proceso de descubrimiento.

La idea central no es sustituir a los investigadores humanos, sino ampliar su capacidad. Los sistemas de IA pueden encargarse de tareas intensivas —como revisar miles de artículos, proponer hipótesis o ejecutar experimentos computacionales— mientras los científicos supervisan y orientan el proceso.

Qué es Gemini for Science

Gemini for Science es una colección de herramientas y experimentos construidos sobre los modelos Gemini y la infraestructura de investigación de Google. Según la compañía, su objetivo es aumentar la escala y la precisión de la exploración científica utilizando capacidades avanzadas de razonamiento como Gemini, Deep Think y Deep Research.

El proyecto combina varios componentes:

• Herramientas experimentales disponibles en Google Labs
• Un conjunto de Science Skills que funcionan en la plataforma de agentes Google Antigravity
• Integraciones que conectan agentes de IA con más de 30 grandes bases de datos y herramientas de ciencias de la vida

En conjunto, estas piezas permiten que los sistemas de IA recuperen conocimiento científico, analicen investigaciones existentes, propongan nuevas hipótesis y ejecuten experimentos computacionales con menos trabajo manual.

Las herramientas principales de la suite

Co‑Scientist

Co‑Scientist funciona como un colaborador de investigación impulsado por IA. Se trata de un sistema multiagente basado en modelos Gemini que intenta replicar partes del razonamiento científico para ayudar a generar hipótesis y planes de investigación.

Un investigador puede describir un objetivo —por ejemplo, comprender el mecanismo de una enfermedad— y el sistema propone hipótesis comprobables, resume literatura relevante y sugiere posibles enfoques experimentales.

AlphaEvolve

Otra pieza clave es AlphaEvolve, un agente basado en algoritmos evolutivos impulsado por Gemini que busca descubrir algoritmos optimizados para resolver problemas científicos y de ingeniería complejos.

El sistema prueba iterativamente distintas soluciones y las mejora con el tiempo. Google afirma que ya se ha aplicado a casos como:

• Mejora de la corrección de errores en secuenciación de ADN
• Incremento en la precisión de predicciones de desastres naturales
• Simulaciones para estabilizar redes eléctricas

Estos ejemplos muestran cómo la búsqueda automatizada de algoritmos puede contribuir a áreas científicas y de infraestructura críticas.

ERA (Empirical Research Assistance)

El tercer componente importante es ERA, siglas de Empirical Research Assistance. Esta herramienta se centra en una de las partes más lentas de la investigación moderna: escribir y ajustar código para experimentos computacionales.

ERA utiliza modelos Gemini para generar y optimizar código científico, permitiendo que los investigadores prueben más hipótesis y configuraciones experimentales en menos tiempo.

El sistema fue descrito en una publicación en la revista Nature y ayudó a desarrollar el prototipo Computational Discovery, actualmente disponible para evaluadores de confianza dentro de Google Labs.

Herramientas basadas en NotebookLM

Gemini for Science también incorpora flujos de trabajo basados en NotebookLM, la herramienta de investigación asistida por IA de Google.

En este contexto, se utiliza para analizar grandes volúmenes de literatura académica, identificar patrones entre miles de artículos científicos y generar análisis estructurados basados directamente en las fuentes.

Cómo se integra con Google Labs y Antigravity

Google posiciona Gemini for Science dentro de su ecosistema experimental de IA.

Los prototipos iniciales se ofrecen a través de Google Labs, donde investigadores y desarrolladores pueden probar las primeras versiones de estas herramientas.

Al mismo tiempo, el sistema se conecta con Google Antigravity, una plataforma de desarrollo centrada en agentes que busca pasar de simples prompts a sistemas de IA capaces de ejecutar tareas complejas por sí mismos.

Mediante las llamadas Science Skills, los agentes pueden conectarse a conjuntos de datos científicos, ejecutar análisis y producir resultados de investigación dentro de flujos de trabajo automatizados.

Conexión con bases de datos científicas

Uno de los aspectos más ambiciosos del proyecto es su acceso directo a datos científicos.

Según Google, la capa de Science Skills permite conectar agentes de Antigravity con más de 30 bases de datos y herramientas importantes del ámbito de las ciencias de la vida.

Aunque la empresa no ha detallado públicamente cuáles son esas bases de datos ni cómo funcionan exactamente las integraciones, el objetivo es que los sistemas de IA puedan consultar fuentes científicas en tiempo real, en lugar de depender solo de información incluida durante el entrenamiento del modelo.

Resultados iniciales de ERA

Entre las herramientas presentadas, ERA es la que ya tiene resultados documentados.

Google Research señala que el sistema:

• Fue descrito en una publicación en Nature
• Contribuyó al desarrollo del prototipo Computational Discovery
• Está siendo probado en un programa de evaluadores de confianza en Google Labs

Estos primeros usos sugieren que la generación automática de código científico y la experimentación asistida por IA podrían convertirse en una parte habitual de los flujos de trabajo de investigación.

Parte de la estrategia de IA “agentic” de Google

El lanzamiento también refleja un cambio más amplio en la estrategia de inteligencia artificial de Google.

En I/O 2026, la compañía destacó su transición desde sistemas de IA que simplemente responden a preguntas hacia sistemas “agentic” capaces de actuar, usar herramientas externas y completar tareas complejas.

Gemini for Science encaja directamente en esa visión. En lugar de un único chatbot, la plataforma funciona como una red de agentes especializados: uno genera hipótesis, otro busca algoritmos optimizados y otro escribe código experimental.

Si este enfoque se consolida, podría transformar la forma en que se realiza la investigación computacional, especialmente en áreas como biología, medicina y ciencia de sistemas complejos, donde la cantidad de datos y simulaciones necesarias crece cada año.