簡單來說，Gemini for Science 試圖把 AI 變成「研究助理團隊」，而不是單一聊天機器人。

Gemini for Science 的核心工具

Co‑Scientist：AI 研究夥伴

Co‑Scientist 被設計成一個多代理（multi‑agent）AI 系統，模擬科學研究的推理流程，協助研究者提出新的研究方向。

研究人員只需要輸入研究目標，例如某種疾病的機制，系統就能：

• 分析相關學術文獻
• 提出可測試的科學假說
• 建議可能的實驗方法

這種模式讓 AI 更像是一位「共同研究者」，而不是單純的搜尋工具。

AlphaEvolve：自動尋找最佳演算法

AlphaEvolve 是由 Gemini 驅動的演化式演算法代理（evolutionary algorithm agent），能透過反覆測試與優化，找到解決複雜問題的最佳演算法。

Google 表示，該系統已在多個領域展現潛力，例如：

• 提升 DNA 定序錯誤修正 的效率
• 改善 災害預測模型 的準確度
• 在模擬中探索 穩定電網運作 的方法

這類 AI 系統能快速探索大量可能的演算法方案，遠超人類手動嘗試的速度。

ERA：自動生成與優化科研程式

ERA（Empirical Research Assistance） 主要解決科研中一個非常耗時的問題：撰寫與迭代運算實驗程式。

ERA 使用 Gemini 模型來：

• 生成科學模擬程式
• 優化實驗程式碼
• 快速迭代不同實驗設計

這項技術已被發表於期刊 《Nature》，並協助建立名為 Computational Discovery 的研究平台原型，目前透過 Google Labs 的「trusted tester」計畫提供測試。

NotebookLM 工作流程：處理海量論文

Gemini for Science 也整合了 NotebookLM 的研究工作流程，讓 AI 可以分析大量學術論文並整理出結構化資訊。

這些功能可協助研究者：

• 從數千篇論文中找出研究趨勢
• 將研究資料整理成可查詢的資料表
• 生成有來源依據的研究摘要

對於需要跨領域閱讀大量文獻的研究者來說，這種能力尤其重要。

Google Labs 與 Antigravity 的角色

Gemini for Science 目前主要以 實驗平台 的形式推出。

• Google Labs：提供研究人員測試早期原型工具
• Google Antigravity：Google 的代理式（agent‑first）AI 開發平台

在 Antigravity 中，Google推出了名為 Science Skills 的功能，使 AI 代理能直接存取研究資料並執行任務，例如查詢資料庫、執行分析或生成研究報告。

這意味著 AI 不只是回答問題，而是可以在整個研究流程中「實際動手」。

連接超過 30 個生命科學資料庫

Google 表示，透過 Science Skills，Antigravity 上的 AI 代理可連接 30 多個主要生命科學資料庫與研究工具。

這樣的設計讓 AI 能直接與科學資料來源互動，而不是只依賴模型訓練資料。

不過 Google 目前尚未公開完整的資料庫清單或整合細節。

ERA 的早期實際成果

在 Gemini for Science 的工具中，ERA 是目前最具實證成果的一個。

根據 Google Research：

• ERA 的研究成果已發表於 《Nature》
• 它協助建立 Computational Discovery 研究平台
• 該平台正在 Google Labs 測試計畫 中提供給研究者使用

這些案例顯示，AI 協助設計與執行運算實驗已開始從概念走向實際研究工具。

Google AI 策略：從「回答問題」走向「完成任務」

Gemini for Science 也反映出 Google AI 策略的一個重要轉變。

在 I/O 2026 中，Google 多次強調 AI 正從單純的提示回應（prompt‑based systems）轉向 代理式 AI（agentic AI）——也就是能自主執行任務、調用工具並完成工作流程的系統。

Gemini for Science 正是這種理念的例子：

• 一個 AI 生成研究假說
• 另一個 AI 搜尋最佳演算法
• 再由另一個 AI 撰寫與測試實驗程式

多個專門代理協同運作，形成一個完整的科研工作環境。

如果這種模式成熟，未來在 生物學、醫學、氣候研究與複雜系統科學 等高度依賴運算研究的領域，AI 可能會顯著改變科學發現的速度。

簡單來說，Gemini for Science 試圖把 AI 變成「研究助理團隊」，而不是單一聊天機器人。

Gemini for Science 的核心工具

Co‑Scientist：AI 研究夥伴

Co‑Scientist 被設計成一個多代理（multi‑agent）AI 系統，模擬科學研究的推理流程，協助研究者提出新的研究方向。

研究人員只需要輸入研究目標，例如某種疾病的機制，系統就能：

• 分析相關學術文獻
• 提出可測試的科學假說
• 建議可能的實驗方法

這種模式讓 AI 更像是一位「共同研究者」，而不是單純的搜尋工具。

AlphaEvolve：自動尋找最佳演算法

AlphaEvolve 是由 Gemini 驅動的演化式演算法代理（evolutionary algorithm agent），能透過反覆測試與優化，找到解決複雜問題的最佳演算法。

Google 表示，該系統已在多個領域展現潛力，例如：

• 提升 DNA 定序錯誤修正 的效率
• 改善 災害預測模型 的準確度
• 在模擬中探索 穩定電網運作 的方法

這類 AI 系統能快速探索大量可能的演算法方案，遠超人類手動嘗試的速度。

ERA：自動生成與優化科研程式

ERA（Empirical Research Assistance） 主要解決科研中一個非常耗時的問題：撰寫與迭代運算實驗程式。

ERA 使用 Gemini 模型來：

• 生成科學模擬程式
• 優化實驗程式碼
• 快速迭代不同實驗設計

這項技術已被發表於期刊 《Nature》，並協助建立名為 Computational Discovery 的研究平台原型，目前透過 Google Labs 的「trusted tester」計畫提供測試。

NotebookLM 工作流程：處理海量論文

Gemini for Science 也整合了 NotebookLM 的研究工作流程，讓 AI 可以分析大量學術論文並整理出結構化資訊。

這些功能可協助研究者：

• 從數千篇論文中找出研究趨勢
• 將研究資料整理成可查詢的資料表
• 生成有來源依據的研究摘要

對於需要跨領域閱讀大量文獻的研究者來說，這種能力尤其重要。

Google Labs 與 Antigravity 的角色

Gemini for Science 目前主要以 實驗平台 的形式推出。

• Google Labs：提供研究人員測試早期原型工具
• Google Antigravity：Google 的代理式（agent‑first）AI 開發平台

在 Antigravity 中，Google推出了名為 Science Skills 的功能，使 AI 代理能直接存取研究資料並執行任務，例如查詢資料庫、執行分析或生成研究報告。

這意味著 AI 不只是回答問題，而是可以在整個研究流程中「實際動手」。

連接超過 30 個生命科學資料庫

Google 表示，透過 Science Skills，Antigravity 上的 AI 代理可連接 30 多個主要生命科學資料庫與研究工具。

這樣的設計讓 AI 能直接與科學資料來源互動，而不是只依賴模型訓練資料。

不過 Google 目前尚未公開完整的資料庫清單或整合細節。

ERA 的早期實際成果

在 Gemini for Science 的工具中，ERA 是目前最具實證成果的一個。

根據 Google Research：

• ERA 的研究成果已發表於 《Nature》
• 它協助建立 Computational Discovery 研究平台
• 該平台正在 Google Labs 測試計畫 中提供給研究者使用

這些案例顯示，AI 協助設計與執行運算實驗已開始從概念走向實際研究工具。

Google AI 策略：從「回答問題」走向「完成任務」

Gemini for Science 也反映出 Google AI 策略的一個重要轉變。

在 I/O 2026 中，Google 多次強調 AI 正從單純的提示回應（prompt‑based systems）轉向 代理式 AI（agentic AI）——也就是能自主執行任務、調用工具並完成工作流程的系統。

Gemini for Science 正是這種理念的例子：

• 一個 AI 生成研究假說
• 另一個 AI 搜尋最佳演算法
• 再由另一個 AI 撰寫與測試實驗程式

多個專門代理協同運作，形成一個完整的科研工作環境。

如果這種模式成熟，未來在 生物學、醫學、氣候研究與複雜系統科學 等高度依賴運算研究的領域，AI 可能會顯著改變科學發現的速度。