5月19日, 处于Google I/O的窗口期之时, Nature在同一天上线了两篇论文。
有一篇介绍ERA的内容, ERA即Empirical Research Assistance, 也就是经验性研究助手, 它是一套系统, 这套系统由大模型加树搜索驱动, 其目标是使AI能够自动写出用于计算实验的专家级科学软件。
换成另一篇来介绍Co - Scientist（AI合作科学家）, 它属于一套多智能体架构开云真人app,开云真人app地址，能使AI不断地持续生成科研假设, 接着进行批判, 而后加以细化, 伴随着测试时计算量的扩展, 假设质量会持续不断地提升。
两篇论文的发布者都是Google, 发布的那个时间点, 选在了Google正式宣告「Gemini for Science」工具集上线的同一天。
https://blog.google/innovation-and-ai/technology/research/gemini-for-science-io-2026/
同一日, 两篇论文登上了Nature, 就在这同一时刻, Gemini for Science工具集发布落地了, 由此释放出了这样一个信号: Google是利用同行评审为整套工具链做信用背书。
继AlphaFold之后, Google在科学领域推出了一项成果, 这项成果是重磅的。
一日两篇NatureGemini接管两段科研流水线
紧跟在两篇论文后面的，是一份100多家机构的名单。
Google官方宣称开运真人app下载苹果版,开运真人app下载开云真人app官方版入口,开云真人app官网入口，其已经同100多家机构展开合作, 以此来验证新系统以及工具, 这些机构涵盖了斯坦福大学, 帝国理工学院, Crick Institute（克里克研究所）, ICML, STOC, NeurIPS, 美国国家实验室等等。
与此同时, 还构建了一个社区, 这个社区是由博士生、产业研究员以及诺奖得主等人员共同组成的「可信测试者」社区, 并且与ICML、STOC、NeurIPS等会议进行了试点同行评审辅助工具的相关操作。
谷歌在推出人工智能工作台之际, 另外发布了两篇《自然》期刊论文, 用来给一整套工具链提供信誉担保。
先看ERA论文。
https://www.nature.com/articles/s41586-026-10658-6
ERA的定位乃是经验性研究这一范畴之中的助手, 其主要承担的任务是为科学家撰写具备专家水准的实验软件, 它的底层架构包含大语言模型以及树搜索, 其目标在于将某一个质量指标提升至最高程度。
这套系统在Nature论文里交出了一份亮眼的成绩单：
在生物信息学方向, ERA独立发现了40种新的单细胞数据分析方法, 这些方法在公开榜单上, 比所有人类提交的方法跑得更快, 取得更好成绩。
在流行病学这个方向, ERA有关传染病住院数预测这项任务, 产出了14个彼此独立的模型, 并且这些模型全部都超过了CDC的集成模型。
除此之外, 还涵盖了地理空间方面的分析, 以及斑马鱼神经活动的预测, 还有数值积分, 而这些皆是在Nature论文当中能够进行复现的实验。
论文里标记为ERA的部分写道 , 这套系统并非仅仅具备运行代码的能力 , 它能够吸纳来自外部的研究思路 , 并将其组合起来 , 从而形成具备专家水准的解法。
再看Co-Scientist。
https://www.nature.com/articles/s41586-026-10644-y
基于Gemini的多智能体系统是Co - Scientist, 其核心机制是「点子锦标赛」（idea tournament）。
多个智能体之间, 不断地进行假设的生成, 而后展开辩论, 接着进行批判, 随后再予以细化, 之后运用测试时计算扩展, 持续去提升假设的质量。
论文着重对三个生物医学场景做了验证, 这三个场景分别是, 药物再利用, 新靶点发现, 抗微生物耐药机制解释。
当中, 针对于急性髓系白血病, 也就是AML这儿用于药物再利用的候选, 以及协同组合疗法, 于体外实验里获得了验证, 进行验证的一方涵盖了斯坦福医学院的研究者。
两篇论文, 均将目标对准了科研里耗时最长的两个部分流程, 其一是在创作计算实验软件的这个环节, 其二是在产生能够被验证的科研假设的这个环节。
三个Labs原型把科学方法拆成三段
这次Google开放了三个Labs,实验原型, 这三个实验原型对应科学方法的三个核心环节, 并且这次Google开放这三个Labs实验原型是在除了Nature论文之外进行的。
首要的那个是Hypothesis Generation（假设生成）, 其底层的存在是Co-Scientist, 并有Nature论文来予以佐证。
由多个智能体借助点子锦标赛生成的不少假设, 当中每一条主张都附带了可供点击的citation（引用溯源）。
联合科学家多智能体系统工作循环, 有三个阶段, 分别是生成阶段, 辩论阶段, 进化假设阶段, 由多个专门智能体协作完成此项工作循环, 这些专门智能体包括Generation、Reflection、Ranking、Evolution、Meta-review、Proximity、Supervisor。
其二是, Computational Discovery, 即计算发现。
底层存在着AlphaEvolve加上ERA, ERA的论文刚刚登上了Nature, 而AlphaEvolve有着Google DeepMind自身独立的背书。
这套引擎, 并行生成数千个代码变体, 这些变体, 每个都自动评分, 如此一来, 原本要靠人工, 耗时数月去摸索的复杂建模路径, 被压缩到了机器搜索的范围里。太阳能预测, 以及流行病学, 是Google官方点名的两个场景。
位于第三位的那个是Literature Insights（文献洞察）。
最低层是NotebookLM, 当下不存在Nature的认可保荐, 其设定的位置是处于早期拿来预览的阶段。在功能方面将文献整理成能够进行搜索的带有属性的表格, 可以直接生成报告, 制作幻灯片, 绘制信息图, 打造音频视频概览。
在工作台以外, Google发布了一套Science Skills, 它集成了30多个生命科学数据库以及工具, 其中有UniProt, 还有AlphaFold Database, 包括AlphaGenome API, 另外还有InterPro等。
这套Skills运行于类似Google Antigravity这般的智能体平台之上, 具备这样的能力, 即能够将结构生物信息学以及基因组分析流程, 也就是过去那种得在十几个数据库之间来回跳转的流程, 拼接成一条链路。
在Google研究团队开展的早年测试中, 针对关于AK2基因关联的罕见遗传病剖析, Science Skills得出了有关潜在机制的全新洞察。原本一项需耗费数小时的繁杂分析, 被缩短至分钟级别。
Google Antigravity对AK2基因变体进行分析, 有Science Skills提供支持, 呈现实际操作画面, 整个工作流借助自然语言指令, 在分钟级得以完成。
百年化工巨头多次失败的问题这样解决了
除掉两篇《自然》论文给予支持来讲呢, 谷歌另外又拿出了一张大牌, 是巴斯夫农业解决方案。
BASF所面临的问题极其复杂, 其拥有180个生产基地, 5000多条价值链, 对于单一产品来说, 物料清单有时能深入到30层, 且横跨不同的生产地点以及区域。
每一日, 人类规划员都要进行数千个本地的决策行动, 然而, 却没有任何一个人能够在实时的状态下, 清晰地看清局部的这些决策究竟是怎样对整张全球供应链网络产生影响的。
由BASF任职高级供应链副总裁的Goetz Krabbe讲道, 「在这之前我们曾进行过多次运用确定性模型构建数字孪生的尝试, 然而这些尝试全部都遭遇了失败的结果。」。
Google的目标不是要用AI去替代人类进行决策, 而是要构建起一整套决策支持体系, 是这样的, 对的, 没错。
他们给AlphaEvolve输入一段「种子程序」, 将其作为基础规划逻辑, 接着喂入三年历史数据，其中涵盖库存水平、市场需求以及实际产出记录, 随后AlphaEvolve开始生成代码变体, 进而自动发现供应链运作的内在规律。
最后, 那叫做AlphaEvolve的东西, 自行提炼出了三条规则, 这三条规则呀, 在传统建模的时候呢, 是需要领域专家亲手去进行编码的。
把小批量生产进行合并从而对产线时间进行优化的生产整合；运用参数来处理季节性波动的动态安全库存；将不同生产层级相互之间的依赖关系予以映射的网络级协调。
跟最初的种子模型比起来, 最新一轮的AlphaEvolve运行结果, 在准确率方面, 达成了超过80%的相对提升。
巴斯夫接下来会运用这套数字孪生, 将其覆盖至整个全球生产网络, 使其作为情景预测的基础, 作为优化的基础。
谷歌官方声明所讲, 第一三共株式会社、拜耳作物科学以及美国能源部下属的国家实验室（基 Genesis Mission 项目）同样接入 Co - Scientist。瑞典金融科技企业 Klarna 利用 AlphaEvolve 将大型 Transformer 模型的训练速度提高了一倍, 与此同时提升了模型质量。
争夺「可信验证」的入场券
由《自然》杂志发表的那论文的情况, 仅仅属于谷歌对“人工智能服务于科学”这一整套布局当中, 去抢占信用方面的制高点的一个具有重磅意义的动作, 而这么做的目的在于, 给工具链增添一层来自科学社区的背书内容, 从而能够使得研究者在面对相关系统时从而存有一个心理锚点, 即“这是经过同行评审的”。
目前, Google公开的、已超过100家的合作机构, 覆盖了斯坦福大学, 肝纤维化方向, Imperial College London, 抗菌素耐药性方向, 以及Crick Institute，多年存在的合作项目。
可信的测试者, 从身为博士生的人员开始, 一路涵盖到荣获诺贝尔奖的得主, 每一个人, 都会在真实呈现的科研场景里面, 为系统寻找存在的漏洞。
更值得予以关注的是, Google正在推进的一则与之相关的事件。该事件为, 与ICML、STOC、NeurIPS等顶级学术会议展开合作。合作的内容是, 开发智能体同行评审工具PAT, 也就是Paper Assistant Tool, 即论文助手工具, 以及ScholarPeer。
这表明, 科学可信度基础设施, 正演变成新的竞争场所, 即: 能够在AI建议被引用后, 假设经得起审计之时, 接着系统被顶级期刊工作流接入的一方, 方可于未来科研生态中扎根。
4月, OpenAI推出了GPT-Rosalind, 它主要针对生物学, 以及药物研发和转化医学方面的前沿推理。
Anthropic使Claude for Life Sciences接入AWS市场, 与之衔接Databricks以及Snowflake来开展大规模的生物信息学分析。
这一次, Google把Nature论文压上, 有100多家机构, 还有ERA以及Co - Scientist。
有三家公司作出这般举动, 那便是把“科学”单独拆分出来, 进而做成了产品线。接下来会产生竞争行为的, 将会是这样一种情况, 即哪个平台所具备的工具链能够成为被科学家信赖, 并且依赖的首选对象。
参考资料：
https://blog.google/innovation-and-ai/technology/research/gemini-for-science-io-2026/%20
https://www.nature.com/articles/s41586-026-10658-6%20
https://www.nature.com/articles/s41586-026-10644-y%20
https://cloud.google.com/blog/products/ai-machine-learning/how-basf-manages-thousands-of-supply-chain-decisions-with-alphaevolve
标签： AIforScience Google Nature ERA Co-Scientist
还木有评论哦，快来抢沙发吧~