谷歌Gemini两登Nature科学突破 AlphaFold仅是开端

5月19日，就在谷歌I/O开发者大会的窗口期，《自然》杂志同日上线了两篇重磅论文。这个时间点，绝非巧合。

一篇论文的主角是ERA（经验性研究助手），它本质上是一套由大语言模型驱动、结合树搜索的系统。它的野心不小：目标是自动编写出专家级别的科学计算软件，把研究人员从繁琐的代码工作中解放出来。

另一篇则介绍了Co-Scientist（AI合作科学家）。这套多智能体架构的设计相当精妙，它让多个AI智能体持续地生成、批判、细化科研假设。更关键的是，其假设的质量能随着测试时计算资源的增加而持续提升，仿佛一个永不停歇的“点子锦标赛”。

两篇论文的发布方都是谷歌，而发布日期，恰好与谷歌宣布其“Gemini for Science”科学工具集正式上线的日子是同一天。这显然是一次精心策划的协同动作。

两篇顶刊论文为新产品站台，释放的信号再明确不过：谷歌正在用科学界最严格的同行评审流程，为这套全新的AI科研工具链进行信用背书。这让人不禁想起当年AlphaFold横空出世时的场景，可以说，这是谷歌在“AI for Science”领域投下的又一枚深水冲击波。

一日两篇Nature，Gemini接管两段科研流水线

除了论文本身，紧随其后的一份合作名单同样分量十足。谷歌宣称，已有超过100家顶尖机构参与验证其新系统，名单上包括斯坦福大学、帝国理工学院、弗朗西斯·克里克研究所等知名学府与研究机构，甚至ICML、STOC、NeurIPS等顶级学术会议也位列其中。

同时，一个由博士生、产业研究员乃至诺贝尔奖得主组成的“可信测试者”社区也已建立。谷歌的意图很清晰：在推出工具的同时，构建一个从验证到应用的全生态闭环。而两篇《自然》论文，正是这个闭环中最具说服力的“质量认证”。

那么，这两套系统究竟有何过人之处？

先看ERA。它的核心任务，是替代科学家编写专业实验软件。其底层结合了大语言模型和树搜索算法，目标非常直接——将输出代码的质量指标优化到最高。

在论文展示的测试中，ERA的表现堪称惊艳：在生物信息学领域，它独立发现了40种全新的单细胞数据分析方法，并且在公开基准测试中，性能超越了所有人类专家提交的方法。在流行病学领域，针对传染病住院人数预测任务，ERA生成的14个独立模型，每一个都超过了美国疾控中心（CDC）使用的集成模型。此外，它在地理空间分析、斑马鱼神经活动预测等任务上也表现出色。这些结果都在论文中提供了可复现的实验证据。

关键在于，ERA并非简单地执行代码，它能够吸收外部的科研思路，并将其组合、演化成专家级的解决方案。

再看Co-Scientist。

这套基于Gemini的多智能体系统，其核心运行机制被形象地称为“点子锦标赛”。多个智能体扮演不同角色，不断生成假设、相互辩论、批判并细化观点。通过“测试时计算扩展”，系统能够投入更多算力来持续提升最终假设的质量。

论文重点验证了三个生物医学场景：药物再利用、新靶点发现以及抗微生物耐药性机制解释。其中，针对急性髓系白血病（AML）提出的药物再利用候选方案及协同疗法，已经通过了斯坦福医学院研究人员的体外实验验证。

不难看出，这两套系统精准地瞄准了科研过程中最耗时、最依赖专家经验的两个核心环节：一是将想法转化为可执行计算实验的软件编写，二是生成高质量、可验证的科学假设。谷歌的意图，正是用AI接管这两段“流水线”。

三个Labs原型，把科学方法拆成三段

除了登上《自然》的论文，谷歌此次还同步开放了三个Labs实验原型，它们恰好对应了科学方法论中的三个核心阶段。

第一个是“假设生成”（Hypothesis Generation），其底层正是Co-Scientist系统。在这个原型中，用户可以看到多智能体通过“锦标赛”生成假设的过程，每一条主张都附带了可点击溯源的科学文献引用，极大地增强了结论的可信度。

第二个是“计算发现”（Computational Discovery）。它的引擎由AlphaEvolve和ERA共同驱动。这套系统的强大之处在于能够并行生成数千个代码变体，并自动对每个变体进行评分。这使得原本需要人工耗时数月摸索的复杂建模路径，被压缩到机器搜索的范畴内。谷歌点名了其在太阳能预测和流行病学建模中的应用潜力。

第三个是“文献洞察”（Literature Insights），底层是NotebookLM。目前它尚处于早期预览阶段，功能定位是将海量文献结构化，提取成可搜索的属性表格，并能直接生成研究报告、幻灯片、信息图乃至音视频摘要，旨在解决研究人员淹没在文献海洋中的痛点。

此外，谷歌还发布了一套“Science Skills”，集成了超过30个生命科学核心数据库和工具，如UniProt、AlphaFold Database等。这套技能包可以运行在类似Google Antigra vity的智能体平台上，将过去需要在十几个数据库间手动跳转、拼接的分析流程（如结构生物信息学或基因组分析），整合成一个连贯的自动化链路。

在早期测试中，利用Science Skills分析AK2基因相关的罕见遗传病，研究人员在几分钟内就获得了关于潜在机制的新洞察，而这项分析以往需要耗费数小时。

百年化工巨头多次失败的问题，这样解决了

除了学术界的背书，谷歌还亮出了一张来自工业界的王牌：与全球化工巨头巴斯夫（BASF）在农业解决方案领域的合作案例。

巴斯夫面临的问题极其复杂：180个生产基地、5000多条价值链，单一产品的物料清单可能深达30层，横跨全球不同区域。人类规划员每天要做数千个本地决策，但无人能实时看清这些局部决策如何影响整个全球供应链网络。

巴斯夫高级供应链副总裁Goetz Krabbe坦言：“此前我们多次尝试用确定性模型构建数字孪生，均告失败。” 谷歌的解决方案并非取代人类，而是建立一套决策支持系统。

他们向AlphaEvolve输入了一段作为基础逻辑的“种子程序”，并喂入了三年的历史运营数据。AlphaEvolve开始自动生成代码变体，从数据中挖掘供应链运作的内在规律。最终，它自动提炼出了三条传统建模中需要领域专家手工编码的核心规则：生产整合优化、动态安全库存设置以及网络级协调机制。

结果是显著的：相比最初的种子模型，优化后的模型在预测准确率上实现了超过80%的相对提升。巴斯夫下一步计划将这套数字孪生覆盖其整个全球生产网络，用于情景模拟与优化。

据谷歌透露，第一三共、拜耳作物科学以及美国能源部国家实验室（Genesis任务）也已接入Co-Scientist。瑞典金融科技公司Klarna则利用AlphaEvolve，成功将其一个大型Transformer模型的训练速度提升了一倍，同时改善了模型质量。

争夺“可信验证”的入场券

《自然》论文的发布，只是谷歌在“AI for Science”这场宏大布局中抢占信用制高点的一步。其根本目的，是为工具链披上一层经得起推敲的“科学外衣”，让科研人员在面对AI系统时，有一个“这经过同行评审”的心理锚点。

目前，谷歌公开的合作机构已超百家，可信测试者从博士生覆盖到诺奖得主，形成了一个严密的真实场景测试网络。但更值得关注的，是谷歌正在推进的另一件事：与ICML、STOC、NeurIPS等顶级学术会议合作，开发名为PAT（论文助手工具）和ScholarPeer的智能体同行评审工具。

这意味着，科学可信度的基础设施本身，正在成为新的竞争战场。未来，谁的AI建议能被严肃引用，谁的假设生成过程经得起审计，谁的系统能无缝接入顶级学术期刊的工作流，谁就能在未来的科研生态中扎根更深。

竞争态势已经明朗：OpenAI在4月推出了专注于生物学推理的GPT-Rosalind；Anthropic将Claude for Life Sciences接入AWS市场，对接大数据平台进行生物信息学分析；而谷歌此次则压上了《自然》论文、百余家机构以及ERA和Co-Scientist两套系统。

三大巨头不约而同地将“科学”作为独立产品线拆分出来。接下来的竞争，将聚焦于哪一个平台的工具链，能真正成为全球科学家信赖且依赖的首选工作伙伴。