Gemini for Science: как Google перестраивает научные исследования под ИИ‑агентов — VogueTech

Что открыли

Google DeepMind запустила Gemini for Science — набор ИИ‑инструментов и экспериментов, которые берут на себя рутинные и тяжёлые части научной работы.

Ключевые компоненты:

Hypothesis Generation (на базе Co-Scientist) — агент, который вместе с исследователем формулирует научную задачу, генерирует множество гипотез, устраивает между ними «турнир идей» и выдаёт обоснованные варианты с кликабельными ссылками на статьи.
Computational Discovery (на базе AlphaEvolve и ERA) — агент, который генерирует и оценивает тысячи версий кода и моделей параллельно. Это позволяет за разумное время перебрать такие варианты, на которые вручную ушли бы месяцы.
Literature Insights (на базе Google NotebookLM) — ИИ‑надстройка над научной литературой. Она ищет статьи, раскладывает результаты по таблицам с настраиваемыми полями и помогает делать отчёты, презентации, инфографику и даже аудио‑ и видеообзоры.
Science Skills — отдельный набор «научных навыков» для Gemini, который интегрирован с более чем 30 крупными базами и инструментами по наук о жизни. Среди них UniProt, AlphaFold Database, AlphaGenome API и InterPro.

Внутренние команды Google уже показали, что Science Skills ускоряют сложные биоинформатические анализы с часов до минут. В одном из тестов это привело к новым идеям о механизмах редкого генетического заболевания, связанного с мутациями в гене AK2.

Часть исследований по этим инструментам — ERA и Co-Scientist — вышла в журнале Nature, что для академического мира серьёзный знак доверия.

Как исследовали

Google DeepMind строит Gemini for Science как набор специализированных агентов поверх своих ИИ‑моделей и инфраструктуры Google Cloud.

Hypothesis Generation / Co-Scientist

Исследователь описывает научную задачу.
Система разворачивает multi-agent «турнир идей»: несколько агентов генерируют гипотезы, спорят друг с другом, оценивают аргументы и отбрасывают слабые варианты.
Каждый вывод агент привязывает к публикациям и данным. Ссылки кликабельные, так что можно сразу перейти к первоисточнику.
Co-Scientist уже используют крупные организации, включая Daiichi Sankyo, Bayer Crop Science и национальные лаборатории США в рамках Genesis Mission Министерства энергетики США.

Computational Discovery / AlphaEvolve и ERA

AlphaEvolve и ERA (Empirical Research Assistance) выступают как «исследовательский движок».
Агент генерирует тысячи вариантов кода и моделей, запускает вычислительные эксперименты параллельно и автоматически выставляет им оценки.
Такой подход подходит для задач, где нужно тестировать много моделей: прогноз солнечной генерации, эпидемиологические модели и другие сложные системы.
В приватном предпросмотре AlphaEvolve уже применяют, например, BASF для оптимизации цепочек поставок и Klarna для улучшения своих моделей машинного обучения.

Literature Insights / NotebookLM

Literature Insights использует Google NotebookLM как движок.
Сервис ищет релевантные научные статьи, строит по ним таблицы с настраиваемыми полями: метод, выборка, метрики, дата, тип эксперимента и так далее.
Исследователь общается с системой в чате, уточняет детали, просит сравнить работы, найти расхождения и пробелы.
На основе собранного корпуса Literature Insights генерирует артефакты: отчёты, слайды, инфографику, аудио‑ и видеообзоры.

Science Skills

Science Skills — это набор специализированных возможностей Gemini, заточенных под структурную биоинформатику и геномный анализ.
Они используют данные и API более чем 30 крупных биологических ресурсов, включая:
- UniProt — белковые последовательности и аннотации;
- AlphaFold Database — предсказанные структуры белков;
- AlphaGenome API;
- InterPro — домены и семейства белков.
Science Skills уже тестируют на платформе Google Antigravity, где можно собирать сложные агентные пайплайны. Внутренние команды Google провели пилоты и показали ускорение типовых задач с часов до минут.

Google открывает доступ к экспериментам постепенно. Исследователи могут оставить заявку на labs.google/science.

Что это меняет на практике

Для академической науки

Меньше времени на «копание» в литературе. Literature Insights берёт на себя первичный обзор статей, структурирование результатов и поиск несостыковок между работами.
Больше времени на постановку задач. Hypothesis Generation помогает сформулировать нетривиальные гипотезы и сразу проверить, насколько они опираются на существующие данные.
Ускорение вычислительных экспериментов. Computational Discovery позволяет за один запуск перебрать тысячи вариантов моделей или симуляций. Это особенно полезно в задачах, где каждый прогон дорогой.
Снижение порога входа в сложные области. Science Skills превращают трудоёмкие пайплайны в структурной биоинформатике и геномике в набор запросов к ИИ‑агенту.

Для индустрии и R&D

Химия и материалы. BASF уже использует AlphaEvolve для оптимизации цепочек поставок. Тот же подход можно применять к разработке материалов, где важно быстро тестировать разные модели и сценарии.
Финтех и e‑commerce. Klarna применяет AlphaEvolve для улучшения своих ML‑моделей. Для крупных продуктовых команд это способ системно перебирать архитектуры и гиперпараметры.
Фарма и агротех. Daiichi Sankyo и Bayer Crop Science используют Co-Scientist, чтобы ускорять поиск гипотез и анализ литературы для новых препаратов и агротехнологий.
Госисследования. Национальные лаборатории США в рамках Genesis Mission подключили Co-Scientist к фундаментальным задачам Министерства энергетики.

Все эти сценарии пока идут в формате приватного предпросмотра и пилотов. Google обещает расширять доступ к корпоративным решениям в ближайшие месяцы.

Плюсы

Сильная интеграция с реальными научными базами и инструментами (UniProt, AlphaFold Database и другие).
Поддержка полного цикла: от идеи и обзора литературы до вычислительных экспериментов.
Пилоты уже идут с крупными R&D‑игроками, а не только в демо‑режиме.
Публикации в Nature по ERA и Co-Scientist добавляют доверия научному сообществу.

Минусы и ограничения

Доступ к экспериментам и корпоративным инструментам пока ограничен: регистрация и приватный предпросмотр.
Нужна экспертиза пользователя: ИИ не заменяет учёного, а усиливает его. Без понимания предметной области легко принять красивый, но неверный вывод.
Сильная завязка на экосистему Google Cloud. Для команд на других стэках это дополнительный барьер.

Что это значит для вас

Если вы исследователь или работаете в R&D

Можно подать заявку на labs.google/science и попробовать экспериментальные инструменты: Hypothesis Generation, Computational Discovery и Literature Insights.
Если ваша организация уже использует Google Cloud, есть шанс подключиться к предпросмотру корпоративных решений раньше остальных.
Science Skills особенно интересны тем, кто занимается биоинформатикой, геномикой, структурой белков и смежными задачами. Многие рутинные шаги можно переложить на агента.

Если вы инженер или продакт в технологической компании

Gemini for Science показывает, куда двигается класс enterprise‑ИИ: от «общих чат‑ботов» к специализированным агентам, которые знают конкретные базы данных и умеют запускать код.
Если вы строите свои инструменты вокруг ML и научных данных, имеет смысл смотреть не только на модели, но и на агентные платформы вроде Google Antigravity и связку с доменными базами.

Если вы уже пользуетесь продуктами Google

NotebookLM становится ядром для работы с научной литературой в Literature Insights. Если вы уже пробовали NotebookLM на текстах и конспектах, логика работы будет знакома.
Gemini‑модели, которыми вы пользуетесь в других продуктах Google, постепенно получают специализированные Science Skills. Это значит, что со временем «обычный» чат с Gemini сможет отвечать и на более сложные научные запросы, опираясь на те же базы данных.

Google не называет точные сроки полноценного релиза всех инструментов. Но часть из них уже работает в пилотах с крупными компаниями и национальными лабораториями, а первые научные статьи по ERA и Co-Scientist вышли в Nature. Для технологических команд это сигнал: эпоха ИИ‑агентов в науке перестаёт быть теорией и переезжает на рабочий стол исследователя.