Google Gemini暴打Nature：一天两篇论文，AlphaFold只是前菜，科学家要慌了？

温故智新AIGC实验室

TL;DR：

谷歌在I/O大会上搞了个大新闻，不仅推出了“Gemini for Science”全家桶，还同天两篇论文登上Nature，让AI自己写代码、自己提假设。这回，科学家们不仅要担心被AI抢饭碗，还得担心AI的论文发得比他们快。

一日两登Nature，Gemini这是要“卷”死谁？

5月19日，科技圈的目光都被Google I/O吸走了。但谷歌悄悄放了个大招，在同一天，Nature杂志上直接上线了两篇论文，作者栏都写着同一个名字：Google。1

这两篇论文，一篇叫ERA（经验性研究助手），另一篇叫Co-Scientist（AI合作科学家）。名字听起来挺正经，但干的事儿可一点都不“正经”。

简单来说，谷歌这是想让AI自己动手，丰衣足食——替科学家写实验代码，帮科学家想研究假设。

这操作，就像你刚点开外卖APP，发现厨师已经帮你把菜炒好了，还顺便把菜单设计好了。

ERA：写代码？AI比你更懂怎么“抄作业”

先说ERA。它的全称叫“Empirical Research Assistance”，目标是让AI自动写出专家级的科学软件。底层是大语言模型+树搜索，说白了就是让AI在代码的森林里自己找路，直到把代码质量拉到人类专家都达不到的高度。

结果呢？这哥们儿交出的成绩单，有点吓人。

  • 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，在公开榜单上直接碾压所有人类提交的方案。2
  • 在流行病学方向，ERA搞出了14个独立的模型，用来预测传染病住院人数，全部超过了美国CDC（疾控中心）的集成模型。2
  • 更别提它在地理空间分析、斑马鱼神经活动预测等领域的表现，每个都拿得出手。

这哪是“助手”啊，这分明是“卷王”本王。ERA的论文里写道，这系统不只是会跑代码，它能吸收外部的研究思路，然后自己组合出专家水平的解法。这就好比一个学生，不仅能看懂教科书，还能把不同学科的知识点串起来，自己编出一套新解法。

Co-Scientist：提假设？AI比你更会“开脑洞”

如果说ERA是“码农型”AI，那Co-Scientist就是“科研大佬型”AI。它基于Gemini，搞了个多智能体系统，核心机制叫“点子锦标赛”（idea tournament）。3

多个智能体在里面互相生成假设、互相辩论、互相批判，最后优胜劣汰，把最靠谱的假设留给你。而且随着你给它更多时间思考（测试时计算扩展），它提出的假设质量还会持续提升。

论文重点验证了三个场景：药物再利用、新靶点发现、抗微生物耐药机制解释。3其中急性髓系白血病（AML）的药物再利用候选方案，已经在斯坦福医学院的实验室里得到了体外验证。3

这感觉就像，你还在为科研课题发愁，AI已经帮你把实验方案、目标分子、甚至可能的副作用都想好了，就差你下单买试剂了。

三个Labs，把科研流水线拆得明明白白

除了两篇Nature论文，谷歌还同步开放了三个Labs实验原型，对应科学研究最核心的三个步骤：1

  1. Hypothesis Generation（假设生成）: 底层就是刚才说的Co-Scientist，有Nature论文撑腰。你输入一个研究方向，它给你生成一堆假设，每条还附带可点击的文献引用，有理有据，防杠精。
  2. Computational Discovery（计算发现）: 底层是AlphaEvolve加ERA，ERA刚发了Nature，AlphaEvolve则是DeepMind自家的明星产品。这套引擎能并行生成数千个代码变体，自动评分，把原本需要人类专家耗时数月摸索的复杂建模路径，压缩到机器搜索的范围内。谷歌点名了太阳能预测和流行病学两个场景。
  3. Literature Insights（文献洞察）: 底层是NotebookLM，目前没有Nature背书，但功能很实在。它能把文献结构化，变成可搜索的属性表格，还能直接产出报告、幻灯片、信息图、音视频概览。

这三大件儿一凑，基本上就把科研的前期流程给包圆了。谷歌的意思是：别再用传统方法苦苦挣扎了，来我们这儿，一键生成。

BASF的难题，AI用了80%的准确率提升

光说技术可能有点虚，谷歌还扔出了一个实打实的案例：全球化工巨头BASF。4

BASF面对什么问题？180个生产基地，5000多条价值链，有些产品的物料清单深达30层。人类规划员每天要做几千个本地决策，但没人能看清局部决策如何影响全球供应链。4

BASF高级供应链副总裁自己都说了：“我们此前多次尝试用确定性模型建数字孪生，均告失败。”4

然后，谷歌的AlphaEvolve上场了。它被喂入了一段“种子程序”和三年历史数据（库存、需求、产出等），然后开始自动生成代码变体，发现供应链运作的内在规律。

结果呢？AlphaEvolve自动提炼出了三条传统建模里需要专家手工编码的规则：生产整合、动态安全库存、网络级协调。4

最终，相比最初的种子模型，最新一轮AlphaEvolve的运行结果在准确率上实现了超过80%的相对提升。4

BASF下一步计划用这套数字孪生覆盖整个全球生产网络。这告诉我们一个道理：有时候，人类想破头都解决不了的问题，交给AI，它可能就用代码给“暴力破解”了。

争夺“可信验证”的入场券

谷歌这一套组合拳，目标很明确：抢占“AI for Science”的信用制高点。

Nature论文就是那张入场券。谷歌用同行评审为整套工具链做信用背书，让科学家面对系统时有个心理锚点：“这玩意儿发过Nature，应该靠谱。”

目前，谷歌已经公开了超过100家合作机构，包括斯坦福大学、帝国理工学院、Crick研究所等。1 他们甚至建立了一个从博士生到诺奖得主都包括的“可信测试者”社区，专门给系统找漏洞。

更狠的是，谷歌还在跟ICML、STOC、NeurIPS等顶级学术会议合作，开发智能体同行评审工具PAT（论文助手工具）和ScholarPeer。1

这意味着什么？科学可信度基础设施，正在成为新的竞争场地。 谁的AI建议能被引用，谁的假设经得起审计，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里扎根。

三英战AI：OpenAI、Anthropic、Google，谁主沉浮？

谷歌这次是压上了Nature论文、100多家机构、ERA和Co-Scientist。但竞争对手们也没闲着：

  • OpenAI 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。5
  • Anthropic 把Claude for Life Sciences接入了AWS Marketplace，对接Databricks和Snowflake做大规模生物信息学分析。5

三家科技巨头，都把“科学”单独拆出来做成了产品线。接下来竞争的，将是谁的平台能成为科学家信赖并依赖的首选。

科研圈，真的要变天了。而我们，可能正在见证一个新时代的开端——一个AI跟人类科学家抢着发论文的时代。

  1. Gemini for Science·Google AI·https://ai.google/gemini-for-science·检索日期2026/5/25 ↩︎ ↩︎ ↩︎ ↩︎

  2. ERA论文·Nature·https://www.nature.com/articles/s41586-026-10658-6·检索日期2026/5/25 ↩︎ ↩︎

  3. Co-Scientist论文·Nature·https://www.nature.com/articles/s41586-026-10644-y·检索日期2026/5/25 ↩︎ ↩︎ ↩︎

  4. How BASF manages thousands of supply chain decisions with AlphaEvolve·Google Cloud Blog·https://cloud.google.com/blog/products/ai-machine-learning/how-basf-manages-thousands-of-supply-chain-decisions-with-alphaevolve·检索日期2026/5/25 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎

  5. Gemini for Science - Google AI·Google AI·https://ai.google/gemini-for-science·检索日期2026/5/25 ↩︎ ↩︎