【灵思导读】谷歌将科研中的三大关键瓶颈——假说生成、计算发现、文献解析——拆解为三个可借助AI深度辅助的模块，并于同一天在Nature上发表两篇论文，为假说生成与计算发现这两大环节提供支持。
5月19日，正值Google I/O窗口期，Nature在同一天上线了两篇论文。
一篇介绍了ERA（经验性研究助手），这是一套由大模型结合树搜索驱动的系统，目标是让AI自动写出专家级计算实验所用的科学软件。
另一篇介绍了Co-Scientist（AI合作科学家），这是一种多智能体架构，能让AI持续生成、批判并细化科研假说，且随着测试时计算量的增加，假说质量不断提升。
两篇论文均来自Google。发布时间也与Google官方宣布“Gemini for Science”工具集上线选在了同一天。
https://blog.google/innovation-and-ai/technology/research/gemini-for-science-io-2026/
两篇论文同日登上Nature，并与Gemini for Science工具集的发布同时落地，释放出的信号是：Google正借助同行评审为整套工具链提供信用背书。
这是继AlphaFold之后，Google在科学领域推出的又一项重要成果。
一天内两篇Nature
Gemini接管两段科研流程
紧随两篇论文之后的，是一份包含100多家机构的名单。
Google称，已与100多家机构合作验证新系统和工具，其中包括斯坦福大学、帝国理工学院、克里克研究所、ICML、STOC、NeurIPS、美国国家实验室等。同时，还建立了由博士生、产业研究员乃至诺奖得主组成的“可信测试者”社区，并与ICML、STOC、NeurIPS等会议试点同行评审辅助工具。
Google推出AI工作台的同时，还发表两篇Nature论文，为整套工具链提供信用背书。
先看ERA论文。
https://www.nature.com/articles/s41586-026-10658-6
ERA的定位是经验性研究助手，核心任务是为科学家写出专家水准的实验软件。其底层采用大语言模型加树搜索，目标是最大化某个质量指标。
这套系统在Nature论文中交出了亮眼成绩单：
• 生物信息学领域：ERA独立发现了40种新的单细胞数据分析方法，在公开榜单上超越了所有人类提交的方法。
• 流行病学领域：ERA在传染病住院数预测任务中生成了14个独立模型，全部超过CDC的集成模型。
此外，还覆盖了地理空间分析、斑马鱼神经活动预测、数值积分等，均是Nature论文中可复现的实验。
ERA论文指出，这套系统不仅能运行代码，还能吸纳外部研究思路，组合出专家级解决方案。
再看Co-Scientist。
https://www.nature.com/articles/s41586-026-10644-y
Co-Scientist是基于Gemini的多智能体系统，其核心机制是“点子锦标赛”。多个智能体之间不断生成、辩论、批判、细化假说，并借助测试时计算扩展持续提升假说质量。
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、抗微生物耐药机制解释。其中，针对急性髓系白血病的药物再利用候选物及协同组合疗法，已在体外实验中得到验证，验证方包括斯坦福医学院的研究者。
两篇论文均瞄准了科研中最耗时的两个环节：一是编写计算实验软件，二是生成可验证的科研假说。
三个Labs原型
将科学方法拆为三段
除了Nature论文，Google此次还同步开放了三个Labs实验原型，对应科学方法的三个核心环节。
第一个是假说生成。底层为Co-Scientist，有Nature论文支撑。多个智能体通过点子锦标赛生成假说，每条主张都附带可点击的引用溯源。
第二个是计算发现。底层为AlphaEvolve加ERA，ERA论文刚登上Nature，AlphaEvolve则有Google DeepMind自家的独立背书。该引擎并行生成数千个代码变体并自动评分，使原本耗时数月的人工复杂建模路径被压缩到机器搜索范围内。太阳能预测和流行病学是Google点名的两个应用场景。
第三个是文献洞察。底层为NotebookLM，目前无Nature背书，定位为早期预览。其功能是将文献结构化为可搜索的属性表格，并能直接生成报告、幻灯片、信息图、音视频概览。
除工作台外，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。这套Skills运行在类似Google Antigravity的智能体平台上，可将过去需在十几个数据库间来回切换的结构生物信息学和基因组分析流程拼接成一个链路。
Google研究团队早期测试显示，Science Skills在与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。一项原本需数小时的复杂分析被压缩到分钟级。
百年化工巨头多次失败的问题
这样被解决
除了两篇Nature论文背书，Google还亮出了另一张牌：BASF农业解决方案。
BASF面临的问题足够复杂：180个生产基地、5000多条价值链，单一产品的物料清单有时深达30层，横跨不同生产地点和区域。人类规划员每天要做数千个本地决策，但无人能实时看清局部决策对全球供应链网络的整体影响。
BASF高级供应链副总裁Goetz Krabbe表示：“此前我们多次尝试用确定性模型构建数字孪生，均告失败。”
Google的目标并非让AI取代人类决策，而是建立一套决策支持体系。他们向AlphaEvolve输入了一段“种子程序”作为基础规划逻辑，再喂入三年历史数据（包括库存水平、市场需求和实际产出记录）。AlphaEvolve开始生成代码变体，自动发现供应链运作的内在规律。
最终，AlphaEvolve自动提炼出三条传统建模中需领域专家手工编码的规则：生产整合（如何合并小批量生产以优化产线时间）、动态安全库存（如何用参数处理季节性波动）、网络级协调（如何映射不同生产层级间的依赖关系）。相比初始种子模型，最新一轮AlphaEvolve运行结果的准确率实现了超过80%的相对提升。
BASF下一步计划用这套数字孪生覆盖整个全球生产网络，作为情景预测和优化的基础。
据Google称，Daiichi Sankyo、Bayer Crop Science以及美国能源部下属国家实验室（Genesis Mission项目）也已接入Co-Scientist。瑞典金融科技公司Klarna则用AlphaEvolve将一个大型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”入场券
Nature论文只是Google在“AI for Science”整体布局中抢占信用制高点的一个重磅动作，目的是为工具链增添一层科学社区背书，让研究者面对系统时有一个“这经过同行评审”的心理锚点。
Google目前公开的合作机构已超过100家，覆盖斯坦福大学（肝纤维化方向）、帝国理工学院（抗菌素耐药性方向）、克里克研究所（多年合作项目）。可信测试者从博士生覆盖到诺贝尔奖得主，每个人都在真实科研场景中为系统查找漏洞。
更值得关注的是Google正在推进的相关事项：与ICML、STOC、NeurIPS等顶级学术会议合作，开发智能体同行评审工具PAT和ScholarPeer。这意味着，科学可信度基础设施正成为新的竞争场地——谁的AI建议能被引用，谁的假说经得起审计，谁的系统能被顶级期刊工作流接入，谁就能在未来的科研生态中扎根。
OpenAI在4月推出了GPT-Rosalind，主打生物学、药物研发和转化医学的前沿推理。Anthropic将Claude for Life Sciences接入了AWS Marketplace，对接Databricks和Snowflake进行大规模生物信息学分析。Google这次则押上了Nature论文、100多家机构、ERA和Co-Scientist。
三家公司均把“科学”单独拆出作为产品线。接下来竞争的，将是哪个平台的工具链能成为科学家信赖并依赖的首选。
———— END ————
灵思极智旗下“极智系列”三款AI智能应用
关注后，两步置顶服务号，可第一时间收到灵思极智推文！
