Gemini for Science：Google 用 AI 重塑科学研究流程

在 2026 年 Google I/O 开发者大会上，Google 发布了 Gemini for Science——一套专为科研设计的 AI 工具组合，目标是帮助研究人员更快地完成科学方法中的关键步骤，例如文献综述、假设生成以及计算实验。

Google 强调，这些工具并不是为了取代科学家，而是通过自动化大量繁重的分析和实验任务，让研究者能够把精力集中在科学判断和研究方向上，从而扩大科学探索的规模与速度。

什么是 Gemini for Science

Gemini for Science 是基于 Gemini 模型和 Google 研究基础设施打造的一系列实验工具。Google 将其描述为一个能够提升科学探索“规模与精度”的平台，结合了 Gemini、Deep Think 和 Deep Research 等模型的推理能力。

整个体系主要包括三部分：

• 通过 Google Labs 提供的实验性科研工具
• 在 Google Antigravity 代理平台上运行的 Science Skills
• 与 30 多个主要生命科学数据库和工具的连接能力

这些组件结合后，AI 可以自动检索科学知识、分析研究成果、提出新的研究假设，并执行计算实验，减少研究人员的手动配置工作。

核心工具：Gemini for Science 的三大模块

Co‑Scientist：AI 科研合作伙伴

Co‑Scientist 被设计为一个 AI 科研协作者，使用 Gemini 模型构建的多代理系统，模拟科学推理过程，帮助研究人员生成新的研究假设和研究计划。

研究人员只需描述研究目标，例如理解某种疾病机制，系统就可以：

• 分析相关文献
• 提出可验证的假设
• 给出可能的实验方法

这种模式类似一个“虚拟科研伙伴”，能够帮助科学家更快探索新的研究方向。

AlphaEvolve：寻找更优算法的 AI

AlphaEvolve 是一个基于 Gemini 的进化算法代理，专门用于发现和优化复杂问题的算法。

系统通过不断生成、测试和改进算法方案，自动搜索更优解。Google 表示，它已经被应用在多个研究领域，例如：

• 改进 DNA 测序的错误纠正
• 提升 灾害预测模型的准确率
• 在模拟中探索 稳定电网系统 的方法

这些应用展示了 AI 在算法探索和工程优化中的潜力。

ERA：自动化科研代码与实验

ERA（Empirical Research Assistance） 主要解决科研中最耗时的一部分工作——编写和反复修改计算实验代码。

ERA 使用 Gemini 模型来生成和优化科学计算代码，用于模拟和实验设计。相关研究成果已经发表在 Nature 上，并帮助构建了名为 Computational Discovery 的实验平台。

目前，该平台通过 Google Labs 的 trusted tester（可信测试者）计划向部分研究人员开放。

通过自动生成实验代码和运行模拟，ERA 可以让研究人员更快测试多个实验思路。

NotebookLM 在科研中的作用

Gemini for Science 还整合了 NotebookLM 的研究流程能力。

这些工具可以：

• 汇总和分析大量学术论文
• 从论文中提取结构化数据
• 基于原始文献生成研究报告

对于需要阅读大量论文的领域，例如生命科学或医学，这类工具可以显著提升信息处理效率。

Google Labs 与 Antigravity 的角色

Google 将 Gemini for Science 定位为其 实验性 AI 生态的一部分。

• Google Labs：提供三个核心原型工具，让研究人员提前体验 AI 科研能力。
• Google Antigravity：Google 的代理式 AI 开发平台，使 AI 能够执行任务而不仅是回答问题。

通过 Antigravity 的 Science Skills，AI 代理可以：

• 访问科研数据库
• 运行分析任务
• 自动生成研究结果

这种模式意味着 AI 可以成为科研流程中的主动执行者，而不仅是辅助工具。

与生命科学数据库的整合

Gemini for Science 的一个关键特点是 数据连接能力。

Google 表示，Science Skills 可以让 Antigravity 上的 AI 代理连接 30 多个主要生命科学数据库和工具。

尽管 Google 尚未公开具体数据库名单，但其目标是让 AI 能直接访问最新科研数据，而不是只依赖训练数据中的历史信息。

ERA 的早期实际成果

在 Gemini for Science 的组件中，ERA 是目前最接近真实科研应用的工具之一。

根据 Google Research：

• ERA 的研究成果已发表在 《Nature》 上
• 它参与构建了 Computational Discovery 原型平台
• 该平台目前在 Google Labs 的测试计划中运行

这些成果说明，AI 辅助实验设计和代码生成已经开始进入真实科研工作流程。

Google 的“Agentic AI”战略

Gemini for Science 也体现了 Google 在 AI 战略上的一个重要转向。

在 I/O 2026 上，Google 多次强调要从 “提示式 AI（prompt-based AI）” 转向 “代理式 AI（agentic AI）”——即能够自主执行任务并调用工具的 AI 系统。

Gemini for Science 正是这种理念的体现：

• Co‑Scientist 负责 假设生成
• AlphaEvolve 负责 算法搜索
• ERA 负责 实验代码与模拟

这些 AI 代理协同工作，形成一个完整的科研辅助环境。

如果这一方向持续发展，未来的计算型科研（尤其是生物学、医学和复杂系统研究）可能会发生明显变化——研究人员将更多地与 AI 协作，而不是单独完成所有分析与实验工作。