Google 在 2026 年 I/O 期间发布了一套面向科研工作者的 AI 工具集 Gemini for Science，同一天 Nature 上线了两篇论文分别介绍其中两个核心系统。这不是 PPT 发布，是带着同行评审背书的实打实产品。

工具集概况

Gemini for Science 把科学研究的核心瓶颈拆解为三个模块：

ERA：让 AI 写出专家级科研软件

ERA（Empirical Research Assistance，经验性研究助手） 是一套由大语言模型加树搜索驱动的系统，目标是让 AI 自动写出用于计算实验的专家级科学软件。

Nature 论文中的成绩：

• 生物信息学：独立发现 40 种新的单细胞数据分析方法，在公开榜单上跑赢所有人类提交的方法
• 流行病学：在传染病住院数预测任务上产出 14 个独立模型，全部超过 CDC 的集成模型
• 还覆盖地理空间分析、斑马鱼神经活动预测、数值积分等方向

论文地址：https://www.nature.com/articles/s41586-026-10658-6

Co-Scientist：多智能体协作生成科研假设

Co-Scientist 是基于 Gemini 的多智能体系统，核心机制是"点子锦标赛"（idea tournament）——多个智能体之间不断生成、辩论、批判、细化假设，随着测试时计算量扩展，假设质量持续提升。

论文验证了三个生物医学场景：药物再利用、新靶点发现、抗微生物耐药机制解释。其中急性髓系白血病（AML）的药物再利用候选和协同组合疗法已在体外实验中得到验证。

论文地址：https://www.nature.com/articles/s41586-026-10644-y

Science Skills：集成 30+ 生命科学数据库

除了三个核心模块，Google 还发布了一套 Science Skills，集成了 30 多个生命科学数据库和工具，包括 UniProt、AlphaFold Database、AlphaGenome API、InterPro 等。

在早期测试中，Science Skills 在 AK2 基因相关的罕见遗传病分析中产出了关于潜在机制的新洞察，将原本需要数小时的复杂分析压缩到分钟级。

实际落地案例：BASF 供应链

百年化工巨头 BASF 用 AlphaEvolve 解决了一个反复失败的供应链建模问题：180 个生产基地、5000 多条价值链，单一产品物料清单深达 30 层。此前多次用确定性模型建数字孪生均告失败。

AlphaEvolve 输入三年历史数据和一段种子程序后，自动提炼出三条关键规则，相比初始种子模型准确率提升超过 80%。

合作规模

Google 称已与 100 多家机构合作验证，包括斯坦福大学、帝国理工学院、Crick 研究所等，并建立了从博士生到诺奖得主的"可信测试者"社区。同时与 ICML、STOC、NeurIPS 等顶级会议试点同行评审辅助工具。

适合谁用

• 需要大规模计算实验的生命科学、流行病学、生物信息学研究者
• 寻找药物靶点或药物再利用方向的制药企业研发团队
• 需要快速检索和整合多篇文献的科研工作者

价格

目前以 Google Labs 实验性产品形式开放，具体定价策略尚未公布。