当地时间 10 月 13 日，谷歌正式向全球开发者和企业开放新一代旗舰大模型 Gemini 4 Argon，并同步面向部分付费用户上线。该模型在多项基准测试中表现优异，尤其在 Vals AI 综合指数中超越了 OpenAI 和 Anthropic 的竞争产品。
除性能提升外，谷歌还展示了 Gemini 4 Argon 在科研领域的突破性应用：借助该模型，研究人员在数小时内完成了数据整理、模型调优及筛选规则制定，成功设计出 5 种具有强催化活性的全新人工酶。这一成果标志着通用大模型正从单纯的问答助手，转变为能够参与实际科研流程优化的核心工具。
数小时设计 5 种新酶，Gemini 4 重构科研流程
从头设计具有特定功能的酶一直是蛋白质工程的难点，传统方法需结合多种专业计算工具，经历多轮筛选与实验验证。在此次实验中，研究团队以丝氨酸酯酶为靶点，使用 4MU-acetate 作为测试底物，通过检测水解后释放的荧光信号来验证酶的催化活性。
谷歌公布的工作流程显示，Gemini 4 Argon 承担了关键的非结构化任务：首先整理目标酶相关数据，随后进行模型调优，并依据生物化学原理制定多重筛选条件。整个计算环节仅耗时数小时，最终产出的 5 个新酶设计在后续实验室测试中均显示出较强的催化活性。
与传统流程相比，Gemini 4 的介入显著降低了技术门槛。以往研究人员需手动掌握不同模型的使用、调整参数并结合专业知识筛选候选蛋白，如今通用大模型已能协助处理数据处理、策略制定等耗时环节，使科研人员能更专注于核心科学问题的解决。
对比诺奖技术路线：通用模型与专用模型的分工差异
2024 年诺贝尔化学奖得主 David Baker 团队曾利用 RFdiffusion 等专业模型成功设计丝氨酸水解酶。虽然谷歌此次成果与之相似，但技术路径存在本质区别。
图｜Baker 团队利用 RFdiffusion 生成蛋白质结构，并通过 PLACER 评估催化位点在不同反应阶段的构象（来源： Science）
Baker 团队采用的是“专用模型组合”策略：利用 RFdiffusion 生成骨架，LigandMPNN 设计序列，Rosetta 优化结构，AlphaFold2 验证折叠，并使用 PLACER 评估活性位点构象。这套流程要求研究人员具备极高的专业能力，需手动选择工具、调整参数并决定筛选逻辑。
相比之下，Gemini 4 Argon 展现了通用大模型的跨领域能力。它不直接替代底层计算模型，而是负责统筹数据、调优模型及制定筛选规则。凭借代码生成和多步推理能力，Gemini 4 能够串联起原本分散的科研环节。不过，谷歌未公开完整的工具链细节，目前尚无法确定其是否完全独立完成了结构生成，且公开的实验数据维度少于 Baker 团队，其长期成功率仍有待更多验证。
通用 AI 入局生物学：并非取代，而是协同增效
既然 Google DeepMind 已拥有 AlphaFold 等专业工具，为何仍推动通用大模型进入蛋白质设计领域？核心原因在于科研中存在大量非计算密集但高耗时的环节。
（来源：Isomorphic Labs）
过去，构建完整的研究流程需要研究人员自行检索文献、编写代码、调试软件并分析结果。通用大模型的引入，旨在承担这些辅助性工作：收集资料、调用计算工具、优化代码及初步分析结果。例如，在其他案例中，Argon 通过优化开源量子化学软件 xTB 的代码，将其分子结构预测速度提升了 2.3 倍。
这种“通用模型+专业模型”的协同模式，正在重塑科研分工。专业模型继续深耕结构预测等高精度任务，而通用模型则充当“科研助手”，降低技术使用门槛。这对于缺乏专门计算团队的实验室尤为重要，使其也能高效利用前沿专业工具。
为推动这一进程，谷歌宣布将向最多 1 万名符合条件的科学家免费提供 6 个月 Google Antigravity 最高档位服务，采取滚动审核机制。随着更多真实科研项目的接入，通用大模型在生命科学领域的潜力将进一步得到检验。
参考链接
1.https://blog.google/intl/en-in/products/introducing-gemini-4-argon/
2.https://www.nobelprize.org/prizes/chemistry/2024/press-release/
3.https://pmc.ncbi.nlm.nih.gov/articles/PMC12288761/
4.https://huggingface.co/blog/HuggingFaceBio/carbon-annotator-genbank-genome-annotation
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成