Gemini for Science: เมื่อ Google นำ AI มาช่วยนักวิทยาศาสตร์คิด ทดลอง และค้นพบเร็วขึ้น

เมื่อรวมกันแล้ว ระบบ AI สามารถค้นหาข้อมูลวิทยาศาสตร์ วิเคราะห์งานวิจัย สร้างแนวคิดใหม่ และรันการทดลองเชิงคอมพิวเตอร์ได้โดยอัตโนมัติมากขึ้น

เครื่องมือหลักในชุด Gemini for Science

Co‑Scientist

Co‑Scientist ทำหน้าที่เป็นผู้ช่วยนักวิจัยแบบ AI ที่ช่วยสร้างสมมติฐานและแนวคิดการทดลองใหม่ ๆ

ระบบนี้เป็น multi‑agent AI ที่สร้างบนโมเดล Gemini และออกแบบให้สะท้อนกระบวนการคิดตามวิธีวิทยาทางวิทยาศาสตร์ เช่น การทบทวนงานวิจัย การสังเคราะห์ข้อมูล และการออกแบบการทดลอง

นักวิจัยสามารถระบุเป้าหมายของงาน เช่น ต้องการเข้าใจกลไกของโรคหนึ่ง ระบบจะเสนอสมมติฐานที่สามารถทดสอบได้ พร้อมสรุปงานวิจัยที่เกี่ยวข้องและแนวทางทดลองที่เป็นไปได้

AlphaEvolve

AlphaEvolve เป็นเอเจนต์ที่ใช้แนวคิด evolutionary algorithm เพื่อค้นหาและปรับปรุงอัลกอริทึมสำหรับปัญหาทางวิทยาศาสตร์หรือวิศวกรรมที่ซับซ้อน

ระบบจะทดลอง ปรับปรุง และทดสอบอัลกอริทึมซ้ำ ๆ เพื่อหาวิธีที่มีประสิทธิภาพที่สุด

Google ระบุว่ามีการนำ AlphaEvolve ไปใช้กับงานวิจัยหลายด้านแล้ว เช่น

• ปรับปรุงการแก้ข้อผิดพลาดในการ ถอดรหัสดีเอ็นเอ
• เพิ่มความแม่นยำในการ พยากรณ์ภัยพิบัติ
• จำลองเทคนิคเพื่อช่วย เสถียรภาพของระบบไฟฟ้า

ตัวอย่างเหล่านี้แสดงให้เห็นว่า AI ที่ค้นหาอัลกอริทึมได้เองสามารถช่วยแก้ปัญหาทางวิทยาศาสตร์และโครงสร้างพื้นฐานได้

ERA (Empirical Research Assistance)

ERA หรือ Empirical Research Assistance เน้นแก้ปัญหาหนึ่งที่ใช้เวลามากที่สุดในงานวิจัยยุคใหม่ คือการเขียนและปรับปรุงโค้ดสำหรับการทดลองเชิงคอมพิวเตอร์

ERA ใช้โมเดล Gemini เพื่อช่วย เขียน ปรับปรุง และเพิ่มประสิทธิภาพโค้ดวิทยาศาสตร์ สำหรับการจำลองหรือการทดลองต่าง ๆ

ระบบนี้ถูกอธิบายในงานวิจัยที่ตีพิมพ์ในวารสาร Nature และยังถูกใช้สร้างแพลตฟอร์มต้นแบบชื่อ Computational Discovery ซึ่งกำลังเปิดให้ทดลองผ่านโปรแกรม trusted tester ของ Google Labs

แนวคิดคือให้ AI ช่วยสร้างและปรับปรุงการทดลองจำนวนมากได้เร็วกว่า workflow แบบเดิม

เครื่องมือวิเคราะห์งานวิจัยจาก NotebookLM

Gemini for Science ยังผสาน workflow จาก NotebookLM เพื่อช่วยนักวิจัยวิเคราะห์วรรณกรรมทางวิชาการจำนวนมากได้ง่ายขึ้น

เครื่องมือเหล่านี้สามารถ:

• สังเคราะห์ข้อมูลจากงานวิจัยหลายพันฉบับ
• ตรวจจับแนวโน้มของงานวิจัยใหม่
• สร้างข้อมูลเชิงโครงสร้างจากบทความวิทยาศาสตร์

ทั้งหมดนี้ช่วยลดภาระการอ่านและสรุปงานวิจัยจำนวนมหาศาลที่ตีพิมพ์ในแต่ละปี

บทบาทของ Google Labs และ Antigravity

Google วาง Gemini for Science ไว้ในระบบนิเวศ AI แบบทดลองของบริษัท

เครื่องมือหลักสามตัวเปิดให้ทดลองผ่าน Google Labs เพื่อให้นักวิจัยเข้ามาทดสอบและให้ข้อเสนอแนะต่อระบบ

ในขณะเดียวกันแพลตฟอร์มยังเชื่อมต่อกับ Google Antigravity ซึ่งเป็นแพลตฟอร์มสำหรับสร้างระบบ AI แบบเอเจนต์ที่สามารถทำงานจริงได้ ไม่ใช่แค่ตอบคำถามจาก prompt เท่านั้น

ผ่านระบบ Science Skills เอเจนต์ AI สามารถเชื่อมต่อกับเครื่องมือวิทยาศาสตร์ ดึงข้อมูลจาก dataset ต่าง ๆ และสร้างผลลัพธ์การวิจัยเป็นส่วนหนึ่งของ workflow อัตโนมัติ

การเชื่อมต่อฐานข้อมูลด้านชีววิทยา

หนึ่งในเป้าหมายสำคัญของ Gemini for Science คือการเข้าถึงข้อมูลจริงจากโลกวิทยาศาสตร์

Google ระบุว่า Science Skills สามารถเชื่อมต่อเอเจนต์ของ Antigravity กับ ฐานข้อมูลและเครื่องมือด้าน life sciences มากกว่า 30 แห่ง

แนวคิดคือให้ AI สามารถโต้ตอบกับแหล่งความรู้ทางวิทยาศาสตร์โดยตรง แทนที่จะพึ่งพาเฉพาะข้อมูลที่ใช้ฝึกโมเดลในอดีต

อย่างไรก็ตาม Google ยังไม่ได้เปิดเผยรายชื่อฐานข้อมูลทั้งหมดหรือรายละเอียดทางเทคนิคของการเชื่อมต่อเหล่านี้

ผลลัพธ์จริงที่ ERA แสดงให้เห็นแล้ว

ในเครื่องมือทั้งหมดของชุดนี้ ERA ถือเป็นตัวที่มีผลลัพธ์จริงในงานวิจัยแล้ว

Google Research ระบุว่า ERA:

• ถูกอธิบายในงานวิจัยที่ตีพิมพ์ใน Nature
• ถูกใช้สร้างต้นแบบ Computational Discovery
• กำลังถูกทดสอบโดยนักวิจัยผ่าน Google Labs trusted tester program

สิ่งนี้แสดงให้เห็นว่าการใช้ AI ช่วยสร้างโค้ดทดลองและปรับปรุง simulation อาจกลายเป็นส่วนหนึ่งของ workflow งานวิจัยในอนาคต

ส่วนหนึ่งของยุค “Agentic AI” ของ Google

การเปิดตัว Gemini for Science ยังสะท้อนทิศทางใหญ่ของกลยุทธ์ AI ของ Google

ในงาน I/O 2026 บริษัทเน้นว่ากำลังเปลี่ยนจากระบบ AI ที่เพียงตอบคำถาม ไปสู่ AI แบบเอเจนต์ (agentic AI) ที่สามารถทำงานจริงและเชื่อมต่อกับเครื่องมือภายนอกได้

Gemini for Science จึงไม่ใช่แค่ chatbot เดี่ยว แต่เป็นระบบที่รวมเอเจนต์หลายแบบ เช่น

• เอเจนต์สร้างสมมติฐาน
• เอเจนต์ค้นหาอัลกอริทึม
• เอเจนต์เขียนโค้ดทดลอง

ทั้งหมดทำงานร่วมกันเพื่อช่วยนักวิทยาศาสตร์เร่งการค้นพบใหม่

หากแนวทางนี้ประสบความสำเร็จ ก็อาจเปลี่ยนรูปแบบการทำวิจัยเชิงคอมพิวเตอร์ โดยเฉพาะในสาขาอย่างชีววิทยา การแพทย์ และระบบซับซ้อนในอนาคต