Gemini for Science: Bên trong bộ công cụ AI nghiên cứu khoa học Google công bố tại I/O 2026

Google đã giới thiệu Gemini for Science tại hội nghị Google I/O 2026 như một bộ công cụ AI mới nhằm giúp các nhà nghiên cứu tăng tốc quá trình khám phá khoa học. Nền tảng này kết hợp nhiều agent AI và công cụ phân tích để hỗ trợ các bước cốt lõi của phương pháp khoa học — từ đọc tài liệu học thuật, hình thành giả thuyết đến chạy các thí nghiệm tính toán.

Thay vì thay thế các nhà khoa học, Google cho biết mục tiêu là mở rộng quy mô và tốc độ nghiên cứu bằng cách để AI xử lý các tác vụ tốn nhiều thời gian như phân tích dữ liệu, tổng hợp tài liệu và thử nghiệm thuật toán, trong khi con người vẫn định hướng nghiên cứu.

Gemini for Science là gì?

Gemini for Science là tập hợp các công cụ và thử nghiệm được xây dựng trên các mô hình Gemini cùng hạ tầng nghiên cứu của Google. Theo Google, hệ thống này được thiết kế để mở rộng độ chính xác và quy mô của khám phá khoa học nhờ khả năng suy luận nâng cao từ Gemini, Deep Think và Deep Research.

Sáng kiến này kết hợp ba lớp công nghệ chính:

• Các công cụ thử nghiệm khoa học được triển khai qua Google Labs
• Bộ Science Skills chạy trên nền tảng agent Google Antigravity
• Khả năng kết nối với hơn 30 cơ sở dữ liệu và công cụ khoa học sự sống lớn

Sự kết hợp này cho phép các agent AI truy cập tri thức khoa học, phân tích nghiên cứu, đề xuất giả thuyết và chạy các thí nghiệm tính toán với ít thao tác thủ công hơn.

Các công cụ chính trong Gemini for Science

Co‑Scientist

Co‑Scientist hoạt động như một “đồng nghiệp nghiên cứu” AI. Đây là hệ thống đa‑agent xây dựng trên mô hình Gemini, được thiết kế để mô phỏng một phần quy trình suy luận khoa học.

Nhà nghiên cứu chỉ cần nhập mục tiêu — ví dụ muốn hiểu cơ chế của một căn bệnh — và hệ thống có thể:

• Đề xuất các giả thuyết có thể kiểm chứng
• Tóm tắt các công trình nghiên cứu liên quan
• Gợi ý hướng thiết kế thí nghiệm hoặc kế hoạch nghiên cứu

Công cụ này đặc biệt hữu ích khi khối lượng bài báo khoa học xuất bản mỗi năm đã lên tới hàng triệu, vượt quá khả năng đọc thủ công của con người.

AlphaEvolve

AlphaEvolve là một agent thuật toán tiến hóa (evolutionary algorithm) sử dụng Gemini để tìm ra các thuật toán tối ưu cho những bài toán khoa học và kỹ thuật phức tạp.

Hệ thống hoạt động bằng cách lặp lại quá trình thử nghiệm và cải tiến thuật toán nhiều lần cho đến khi tìm ra phương án hiệu quả hơn.

Google cho biết AlphaEvolve đã được áp dụng trong một số lĩnh vực như:

• Cải thiện sửa lỗi trong giải trình tự DNA
• Tăng độ chính xác của dự báo thiên tai
• Mô phỏng các phương pháp giúp ổn định lưới điện trong hệ thống năng lượng

Những ví dụ này cho thấy các agent tìm kiếm thuật toán có thể hỗ trợ các lĩnh vực nghiên cứu hạ tầng và khoa học phức tạp.

ERA (Empirical Research Assistance)

Empirical Research Assistance – ERA tập trung giải quyết một trong những phần tốn thời gian nhất của nghiên cứu hiện đại: viết và điều chỉnh mã cho các thí nghiệm tính toán.

ERA sử dụng Gemini để tự động viết, kiểm thử và tối ưu mã khoa học cho các mô phỏng và thí nghiệm. Công cụ này đã được mô tả trong một bài báo trên tạp chí Nature và giúp xây dựng nguyên mẫu nền tảng Computational Discovery.

Nguyên mẫu này hiện đang được cung cấp cho nhóm thử nghiệm hạn chế thông qua chương trình trusted tester của Google Labs.

Việc tự động hóa phần lập trình khoa học giúp các nhà nghiên cứu lặp lại nhiều thí nghiệm nhanh hơn so với quy trình thủ công.

Công cụ nghiên cứu dựa trên NotebookLM

Gemini for Science cũng tích hợp các quy trình làm việc dựa trên NotebookLM, cho phép tổng hợp khối lượng lớn tài liệu học thuật và trích xuất thông tin có cấu trúc từ các bài báo khoa học.

Nhờ vậy, nhà khoa học có thể:

• Phân tích hàng nghìn bài nghiên cứu cùng lúc
• Phát hiện xu hướng nghiên cứu mới
• Tạo tài liệu nghiên cứu dựa trực tiếp trên nguồn học thuật

Vai trò của Google Labs và Antigravity

Google triển khai Gemini for Science như một phần trong hệ sinh thái AI thử nghiệm của mình.

Các nguyên mẫu chính hiện được cung cấp qua Google Labs, nơi các nhà nghiên cứu có thể đăng ký thử nghiệm những công cụ này ở giai đoạn đầu.

Song song đó, hệ thống kết nối với Google Antigravity — nền tảng phát triển agent của Google, được thiết kế để chuyển AI từ việc chỉ trả lời câu hỏi sang thực hiện hành động và tương tác với các công cụ bên ngoài.

Thông qua lớp Science Skills, các agent có thể truy cập dữ liệu khoa học, chạy phân tích và tạo ra kết quả nghiên cứu trong một quy trình tự động hóa lớn hơn.

Kết nối với các cơ sở dữ liệu khoa học sự sống

Một trong những điểm đáng chú ý của Gemini for Science là khả năng kết nối dữ liệu.

Theo Google, Science Skills cho phép các agent trên nền tảng Antigravity liên kết với hơn 30 cơ sở dữ liệu và công cụ lớn trong lĩnh vực khoa học sự sống.

Dù Google chưa công bố cụ thể danh sách các cơ sở dữ liệu này hoặc cách thức tích hợp chi tiết, ý tưởng là để AI có thể truy cập trực tiếp nguồn dữ liệu khoa học thay vì chỉ dựa vào dữ liệu huấn luyện tĩnh.

Những kết quả thực tế ban đầu của ERA

Trong số các công cụ của bộ suite, ERA đã có bằng chứng triển khai thực tế.

Theo Google Research:

• ERA đã được mô tả trong một bài báo trên Nature
• Công cụ này hỗ trợ xây dựng nguyên mẫu Computational Discovery
• Nguyên mẫu hiện đang được thử nghiệm trong chương trình trusted tester của Google Labs

Điều này cho thấy việc sử dụng AI để viết mã thí nghiệm và chạy mô phỏng khoa học có thể sớm trở thành một phần thực tế của quy trình nghiên cứu.

Một bước trong chiến lược “agentic AI” của Google

Gemini for Science cũng phản ánh sự thay đổi lớn hơn trong chiến lược AI của Google.

Tại I/O 2026, công ty nhấn mạnh việc chuyển từ AI chỉ phản hồi lời nhắc sang AI dạng agent có thể hành động và sử dụng công cụ bên ngoài.

Gemini for Science thể hiện rõ hướng đi này bằng cách kết hợp nhiều agent chuyên biệt — từ tạo giả thuyết, tìm thuật toán đến viết mã thí nghiệm — vào cùng một môi trường nghiên cứu.

Thay vì một chatbot đơn lẻ, nền tảng này giống như mạng lưới trợ lý AI hợp tác với nhà khoa học để tăng tốc tốc độ khám phá.

Nếu mô hình này hoạt động hiệu quả, nó có thể thay đổi đáng kể cách nghiên cứu tính toán được thực hiện, đặc biệt trong các lĩnh vực như sinh học, y học và khoa học hệ thống phức tạp.