Gemini for Science: как Google хочет превратить Gemini в рабочий стол исследователя

Google собирает научный ИИ в одну систему

Gemini for Science - попытка Google упаковать разрозненные научные ИИ-разработки в понятный набор инструментов для исследователей. Речь идёт о трёх экспериментах в Google Labs и отдельном пакете Science Skills для Google Antigravity. Все они нацелены на одну проблему: объём научных данных, статей и вычислительных вариантов уже превышает то, что один человек или небольшая лаборатория способны просмотреть вручную.

В этом запуске Google делает ставку на агентный подход. Система должна не просто отвечать на вопрос в стиле чат-бота, а разбивать исследовательскую задачу на этапы, искать источники, предлагать гипотезы, сравнивать варианты и возвращать результат, который можно проверять дальше. Это более сложный сценарий, чем «суммаризируй статью»: здесь важны воспроизводимость, ссылки на источники, проверка фактов и понятная логика выбора.

Слабое место такой подачи очевидно. Научное открытие нельзя ускорить только красивым интерфейсом и длинным контекстом. Ценность Gemini for Science будет зависеть от того, насколько хорошо инструменты выдержат проверку в лабораториях: будут ли они находить рабочие направления, экономить недели ручной работы и не подсовывать уверенно оформленные, но неверные выводы.

Hypothesis Generation ищет исследовательские гипотезы

Hypothesis Generation построен на Co-Scientist - многоагентной системе, которую Google описывает как партнёра для генерации и развития научных гипотез. Исследователь задаёт проблему, после чего система ищет литературу, формирует возможные направления, устраивает между ними внутренний «турнир идей» и ранжирует наиболее перспективные варианты.

Логика Co-Scientist ближе к имитации научного процесса, чем к обычному поиску. Внутри есть агенты для генерации идей, критики, ранжирования, уточнения и итогового обзора. Один агент предлагает гипотезы, другой проверяет их на качество и новизну, третий сравнивает варианты между собой, четвёртый объединяет лучшие направления в исследовательский план. Для читателя без технического бэкграунда это можно представить как группу ассистентов, каждый из которых играет свою роль в научном обсуждении.

Главный сценарий - области, где много фрагментированных знаний: биомедицина, поиск новых мишеней для лекарств, объяснение механизмов заболеваний, повторное применение уже известных препаратов. Google приводит примеры из исследований по фиброзу печени, устойчивости к антибиотикам, клеточному старению и нейродегенеративным заболеваниям. Такие кейсы хорошо показывают сильную сторону подхода: система может быстрее собрать связи между статьями, базами данных и биологическими механизмами, которые человеку пришлось бы искать неделями.

Но Hypothesis Generation остаётся экспериментом. Google прямо указывает, что Co-Scientist предназначен как исследовательский партнёр, а не замена научной или клинической экспертизе. Для медицинских и биологических задач это важная граница: гипотеза от модели начинается как подсказка, а не как доказанный результат.

Computational Discovery проверяет тысячи вариантов кода

Второй блок Gemini for Science - Computational Discovery. Он построен на AlphaEvolve и ERA, то есть на системах для поиска алгоритмов, оптимизации кода и вычислительных экспериментов. Задача здесь другая: дать исследователю возможность быстро проверять множество вариантов модели или алгоритма по заданной метрике.

Google описывает Computational Discovery как исследовательский движок, который генерирует и оценивает тысячи вариантов кода параллельно. Такой подход подходит задачам, где прогресс можно измерить: скорость вычислений, точность прогноза, качество оптимизации, производительность алгоритма. В примерах Google упоминает солнечное прогнозирование, эпидемиологию, оптимизацию цепочек поставок, машинное обучение, инфраструктурные задачи и математические алгоритмы.

Для научной работы это важный сдвиг в сторону автоматизированного перебора. Исследователь задаёт критерий успеха, а система предлагает программные варианты и отбрасывает слабые. Здесь ИИ ближе к усилителю вычислительной лаборатории: он не обязан «понимать» всю предметную область как человек, но может резко расширить число проверяемых вариантов.

Ограничение тоже понятное. Computational Discovery хорошо работает там, где есть формальная метрика и автоматическая проверка. В задачах без ясного критерия качества система рискует оптимизировать то, что легко измерить, а не то, что действительно важно для науки.

Literature Insights превращает статьи в проверяемые таблицы

Третий инструмент - Literature Insights на базе NotebookLM. Он предназначен для работы с научной литературой: поиск статей, извлечение данных, построение таблиц с атрибутами, сравнение источников и создание исследовательских материалов вроде отчётов, презентаций, инфографики, аудио- и видеообзоров.

Самая полезная часть здесь - структурирование корпуса. Если исследователь собрал десятки или сотни публикаций по теме, Literature Insights должен помочь разложить их по методам, результатам, ограничениям, типам данных и пробелам. Такой формат ближе к подготовке систематического обзора.

Для научной аудитории это может оказаться самым массовым сценарием Gemini for Science. Не каждой лаборатории нужен агент для поиска новых алгоритмов, но почти любой исследователь сталкивается с литературным перегрузом. Если инструмент действительно сохраняет привязку выводов к источникам, он может стать рабочим слоем между Google Scholar, NotebookLM и внутренними базами лаборатории.

Science Skills связывает Gemini с биологическими базами данных

Отдельно Google запустила Science Skills - пакет навыков для Google Antigravity. Он объединяет более 30 крупных баз данных и инструментов по наукам о жизни, включая UniProt, AlphaFold Database, AlphaGenome API и InterPro. В практическом смысле это попытка превратить агентную платформу в рабочую среду для биоинформатики и геномного анализа.

Google заявляет, что такие навыки позволяют выполнять сложные многошаговые процессы за минуты вместо часов. В раннем тестировании команда компании использовала Science Skills для анализа, который обычно занимает часы, и получила новые идеи о возможных механизмах редкого генетического заболевания, связанного с мутациями в гене AK2.

Здесь особенно хорошо видно, куда движутся ИИ-инструменты для науки. Модель становится не отдельным окном для вопросов, а слоем оркестрации поверх баз данных, специализированных моделей и вычислительных инструментов. Для исследователя это похоже на ассистента, который умеет не только читать, но и запускать последовательность действий в правильном порядке.

Почему Google делает ставку на научных агентов

Gemini for Science важен не как один продукт, а как направление. Google уже имеет сильную научную линейку: AlphaFold, AlphaGenome, MedGemma, Earth AI, Colab, Scholar, Deep Research и Deep Think. Новый запуск связывает эти активы в более цельный сценарий: от поиска литературы и генерации гипотез до вычислительной проверки и подготовки материалов.

Компания также подчёркивает работу с научным сообществом. В разработке и тестировании участвуют более 100 институтов, а сообщество проверяющих включает PhD-студентов, индустриальных исследователей и нобелевских лауреатов. Отдельные пилоты связаны с научными конференциями ICML, STOC и NeurIPS, где Google экспериментирует с инструментами для рецензирования и проверки научных работ.

Это правильная зона для осторожности. Научный ИИ будет оцениваться по тому, сколько времени он экономит без потери качества и сколько предложенных идей проходит независимую проверку. Если Gemini for Science сможет стабильно сокращать путь от вопроса к проверяемой гипотезе, продукт станет важным инструментом для лабораторий. Если результат останется на уровне аккуратных сводок и эффектных прототипов, он пополнит длинный список ИИ-сервисов, которые полезны для подготовки, но слабо влияют на саму науку.

Агент, который читает тысячи статей и предлагает десятки гипотез, выглядит впечатляюще. Рабочим он станет только тогда, когда исследователь сможет понять, почему система выбрала именно этот путь, какие источники использовала, где сомневалась и что нужно проверить в лаборатории.