Gemini for Science一日两登Nature：AI科研进入"代工"时代

5月19日，Google在Nature期刊上一口气发表了两篇重磅论文，标志着AI在科研领域迈出了实质性的一步。这个时间点选得很有讲究——正值Google I/O大会开幕，「AI for Science」正式从概念走向落地。

一日两登Nature，Gemini接管两段科研流水线

这次发布的核心是两套系统：ERA（经验性研究助手）和Co-Scientist。ERA的任务是替科学家写出专家水准的实验软件，在生物信息学方向独立发现了40种新的单细胞数据分析方法，在公开榜单上跑赢了所有人类提交的方法。流行病学方向更是产出了14个独立模型，全部超过CDC的集成模型。

Co-Scientist则是基于Gemini的多智能体系统，核心机制是「点子锦标赛」——多个智能体之间不断生成、辩论、批判、细化假设。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的药物再利用候选，已经在斯坦福医学院的体外实验中得到验证。

AI科研：从「工具」到「代工」的跨越

这已经不是「AI辅助科研」的时代了。传统意义上的辅助，是人类做决策、AI跑腿执行。而这次发布的内容显示，AI正在接管科研最核心的两个环节：写实验代码和生成可验证的科研假设。

打个比方：以前的AI像是实验室里的高级器材，需要人来操作；现在的AI更像是实验室里的初级研究员，能独立完成部分工作，只是还需要高级研究员来把关方向。

Google还同步开放了三个Labs实验原型，对应科学方法的三个核心环节：假设生成、文献综述、计算发现。这套工具链已经在100多家机构验证，包括斯坦福、帝国理工学院、ICML、NeurIPS等。

国产AI的科研布局：差距在哪里

客观说，国内在「AI for Science」领域也在快速跟进。通义千问、混元等模型都在医疗、材料等垂直领域有应用探索。但从Nature级别的学术成果来看，差距依然存在。

这个差距不在算法本身，而在科研生态。Google有DeepMind十几年的积累，有AlphaFold打下的学术信誉基础，有Nature这类顶刊的认可渠道。国产大模型要在这个领域建立影响力，需要时间，也需要更多类似DeepSeek的开源社区生态来支撑。

超级应用距离：AI离「自主科研」还有多远

回到开头的问题：这是超级应用的雏形吗？我认为是的，但还需要几个条件。

首先是完全自主性。现在的AI科研助手还需要人类设定研究问题，下一步应该是AI能自己发现值得研究的问题。其次是跨领域能力。当前系统只在生物医学领域验证，是否能迁移到物理、化学、材料等领域还需要验证。最后是可解释性。科研需要可复现、可解释的结论，AI生成的假设能否通过同行评审，是检验其是否真正「能干活」的标准。

Google这次发布，给整个行业立了一个标杆：AI进入科研主战场，不再只是噱头。当然，距离真正的「AI科学家」还很远，但现在至少证明了一条可行的路径。