传统药物研发一直受困于周期漫长、成本高昂和成功率低下的问题。美国药品研究与制造商协会（PhRMA）的数据显示，每款新药平均研发成本达10.1亿美元，周期需10-15年，临床前阶段成功率不足10%。2026年5月20日，谷歌在加州山景城的I/O开发者大会上推出了Gemini for Science，试图用人工智能技术打破这一僵局。该模型面向全球科研人员，核心功能包括实时追踪最新学术论文、将研究目标自动转化为可执行代码、生成基于数据的科学假设，同时探索“模拟人工智能”技术以实现高保真虚拟细胞模拟。
Gemini for Science的核心优势主要体现在三个方面：首先是文献整合能力，它接入了arXiv、PubMed、蛋白质数据库（PDB）等12个主流科研数据库，能实时更新近10年的学术文献；科研人员输入关键词后，模型可在30秒内生成结构化综述，包含核心结论、实验方法和数据支撑。其次是代码生成功能，支持Python、TensorFlow、PyMOL等15种科研工具，据谷歌内部测试，针对分子动力学模拟的代码生成准确率达85%，可减少手动编码时间约70%。第三是假设生成模块，基于基因组、蛋白质组、代谢组等多组学数据，模型能提出3-5个潜在研究方向，例如在类风湿关节炎的自身抗体靶点研究中，已识别出2个未被报道的蛋白相互作用位点。
技术上，Gemini for Science基于万亿级参数的多模态模型搭建，训练数据覆盖全球3000多家科研机构的公开数据集，包括1.2亿条蛋白质结构数据、5000万条单细胞测序数据和200万条药物分子数据。它的“模拟人工智能”技术核心在于提升时空分辨率，目前已能实现纳米级空间分辨率和微秒级时间分辨率的细胞内分子动态模拟，效率比传统工具高出100倍以上。谷歌透露，该技术正应用于非小细胞肺癌转移机制研究，通过模拟肿瘤细胞与免疫细胞的相互作用，识别潜在治疗靶点。
从价值角度而言，Gemini for Science有望重塑药物发现的流程。谷歌目前推进的临床前项目涉及类风湿关节炎和非小细胞肺癌领域，其中针对PD-1抑制剂耐药性的研究已筛选出2个联合治疗靶点，进入了细胞实验阶段。此外，虚拟细胞模拟技术可减少动物实验数量约40%，缩短临床前周期30%以上，降低研发成本15%-20%。不过，这个模型也面临一些挑战：一是数据隐私问题，科研机构对敏感数据的共享意愿不高；二是模型解释性不足，科研人员需要更透明的决策逻辑来验证结果的可靠性。
行业动态上，2026年4月微软联合MIT推出了Azure Drug Discovery平台，整合了GPT-5科研模块，支持药物分子设计和虚拟筛选；OpenAI在同年3月发布了GPT-5 for Research，专注于材料科学与生物医学，但虚拟细胞模拟的进展尚未公开。国内方面，百度在2026年5月发布了文心一言科研版，重点支持中药成分分析和靶点预测，但参数规模（5000亿）和数据覆盖度与Gemini for Science（万亿级）相比还有差距。目前，AI+科研已成为科技巨头竞争的新赛道，后续技术突破将进一步提升科研效率。
快报