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:
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。
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:
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 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:
这些应用展示了 AI 在算法探索和工程优化中的潜力。
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。
Gemini for Science 还整合了 NotebookLM 的研究流程能力。
这些工具可以:
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 将 Gemini for Science 定位为其 实验性 AI 生态的一部分。
通过 Antigravity 的 Science Skills,AI 代理可以:
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。
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。
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:
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。
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:
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。