BIO LIFE｜Google推出Gemini for Science！AI正式成为生命科学家的“研究搭 ...

星空物语H4

出品｜搜狐健康
* t) v% k* m; E2 p作者｜洪瑞祺
编辑｜袁月
$ z( @- X# ?: C/ @; P在今年Google I/O开发者大会上，谷歌正式推出Gemini for SCIence，将大模型能力深度落地于前沿科研场景。不同于通用AI的问答、总结、文案辅助功能，这套专属科学工具体系，瞄准科研全流程痛点，可系统性协助科研人员完成文献梳理、研究假设推演、数据分析建模、专业数据库调用、实验方案优化等核心工作。
其中，最受生命科学领域关注的核心突破，是Google DeepMind打造的Co‑Scientist多智能体科研系统，相关成果已刊发于《Nature》。业内普遍认为，这标志着AI从“辅助查资料、整理文献”的工具人角色，正式走进科学发现的源头环节，成为科学家真正的人机协作伙伴。
' j) `" F& I4 g. n+ F* d不止整理资料：AI开始学会“提出科学问题”
长期以来，AI在科研领域的应用始终停留在后端辅助环节：翻译文献、总结摘要、梳理综述、整理数据，本质都是对“已有研究成果”的二次加工，无法参与创新探索。
% s  D; Z. c( z  g而基于Gemini大模型架构的Co‑Scientist，彻底改变了这一范式。它是一套多智能体协同系统，内部通过分工模拟真实科研团队的工作逻辑：部分智能体负责发散生成全新研究假设，部分负责交叉审核、逻辑复盘、缺陷质疑，其余智能体完成方案排序、对比筛选、迭代优化。整套流程高度还原实验室头脑风暴、课题论证、方案打磨的完整过程。
科研人员只需用自然语言输入研究目标，系统即可自主检索海量公开文献、整合已有研究证据、挖掘隐藏关联、批量生成可验证的科学假设，并配套输出完整的初步实验设计方案。研究者可随时补充约束条件、调整研究方向、给出反馈，实现人机双向迭代。
3 n4 I! }3 j5 L2 r5 J5 I/ B简单来说，传统AI帮科学家找答案，Co‑Scientist帮科学家找方向、提问题、立课题，成为贯穿科研前端创新的“AI研究搭子”。
精准落地生物医学：三大核心场景完成实证验证
' q8 c8 n' _- f, O$ w此次《Nature》论文重点聚焦生命科学与生物医药领域，通过三组硬核实验，验证了Co‑Scientist在真实科研场景中的有效性，覆盖药物研发、靶点发现、机制解析三大刚需赛道。
2 {9 |4 ]. s% Y. k6 a8 m1、药物重定位：为老药挖掘新的疾病治疗价值
( t% N) Y+ W* r: B# e" m4 w在急性髓系白血病研究中，研究团队利用Co‑Scientist对全球已上市获批药物进行系统性筛选。系统基于海量文献与药理数据，自主推演药物潜在新适应症，批量生成老药新用方案与联合用药策略。
后续经过专家评审与体外细胞实验验证，AI筛选出的多款候选药物及组合方案，均对白血病肿瘤细胞展现出明确抑制活性，为血液病快速研发新药、低成本挖掘临床方案提供了全新路径。
2、全新靶点挖掘：助力疑难慢病机制突破
  t- I3 Z5 _4 r: T+ R) _在肝纤维化研究中，传统科研模式很难快速锁定全新的关键致病靶点。Co‑Scientist通过整合表观遗传、细胞通路、病理机制等多维数据，自主挖掘出多个全新的表观遗传调控靶点，并匹配对应的候选药物。
依托人源肝脏类器官模型开展功能验证后，部分药物展现出显著的抗纤维化效果，为肝纤维化的机制研究与创新药物开发，提供了此前人类科研团队忽略的全新研究方向。
0 G3 r; S4 B( c- C6 Y3、耐药机制解析：破译细菌基因转移的底层逻辑
针对细菌抗生素耐药这一全球性难题，研究团队仅输入少量基础背景信息，Co‑Scientist便自主推演、构建出一套完整的移动遗传元件宿主范围扩张机制假说。
该AI推导的研究假设，与全球独立实验团队的真实研究结论高度吻合，证明AI具备在信息有限、机制复杂的科研难题中，自主挖掘底层科学规律的能力。
为什么生命科学最需要AI“科研搭档”？
相较于物理、化学等学科，生命科学与生物医药研究具备数据海量、机制复杂、变量极多、关联性隐蔽的特点。
人体疾病的发生发展，牵扯数以万计的基因、蛋白、信号通路、免疫调控网络和临床表型，传统科研高度依赖研究者的经验积累、文献储备和灵感突破，不仅周期漫长、成本高昂，且极易遗漏隐藏的关键关联。
而Co‑Scientist的核心价值，在于突破人类的信息处理上限：它可以在短时间内完成千万级文献与数据的交叉关联分析，捕捉人类难以察觉的微弱科研线索，快速生成、筛选、迭代研究假设，极大压缩新药研发、疾病机制研究的早期探索周期，大幅降低试错成本。
AI是科研加速器，绝非科学家替代者
% a+ U: y) j# _% \破除“AI取代科研人员”的误区。首先，Co‑Scientist高度依赖公开可检索的开源文献，无法读取付费数据库、未发表涉密数据，存在信息盲区；其次，大模型天然的“幻觉问题”无法完全杜绝，生成的假设、机制、数据关联必须经过实验验证、同行评议与科研人员终审把关。
2 ?/ A; B/ ~! _2 O9 NAI可以高效完成“广撒网、多假设、初筛选”的前期工作，但细胞实验、动物模型、临床试验、机制论证、成果转化等硬核科学验证环节，无法被机器替代。
$ p; n5 z) o7 a( M7 m3 }简言之：AI负责提速、拓思路、降成本，科学家负责把关、验证、落地创新。
  M  @$ y, O1 w# r2 M科研迈入人机协作新时代：AI嵌入完整科研工作流
9 i3 u& y, w8 m. i! \  ?从早年AlphaFold预测蛋白质结构，到如今Gemini for Science、Co‑Scientist生成科研假设、设计研究方案，AI在生命科学领域的应用，正在实现从单点工具到全流程工作流的跨越。
未来在抗衰老研究、精准医疗、肿瘤免疫、新药创制、生物信息分析等核心领域，AI将深度嵌入科研全链条：自动梳理研究现状、挖掘创新空白、生成研究课题、设计实验路径、分析实验数据、迭代优化方案。
Gemini for Science的落地，意味着通用人工智能正式完成向专业科研场景的深度下沉；而经过《Nature》实证的Co‑Scientist，更是为人机协同科研新模式提供了成熟范本。
未来的生命科学实验室，不再是科学家单打独斗，人人都将拥有一名全天候、高算力、海量知识库的AI研究搭子，人机协作，将成为生命科学创新的主流范式。
参考资料
4 W3 b" g8 h5 n% y' [- ]6 q0 Z* kGoogle：Gemini for Science: AI experiments and tools for a new era of discovery
) F8 ^7 D- w0 D8 xGoogle DeepMind：Co-Scientist: A multi-agent AI partner to accelerate research
- I! O' s- Q" s: ^- Z; R2 ]: ]Nature：Accelerating scientific discovery with Co-Scientist https://www.nature.com/articles/s41586-026-10644-y

虎峰山兰人

研究搭子用NPU（神经网络处理器）来解决问题，用元素一百四十六的材料处理问题。