设计一款新药最耗时的环节，往往不是思考，而是搬运。化学家要在图表、分子结构图和成堆文献里手工摘录数据，训练预测模型，再提出一批候选分子送去合成。这样一轮迭代，动辄数天。
2026 年 11 月 3 日，Google DeepMind 在官方博客宣布，给 Google Antigravity 装上一套新的“化学信息学技能”（Cheminformatics Skills）。DeepMind 给出的演示是，一个智能体以真实世界的肺癌药物为对象，从文献里挖出数千个化合物，做匹配分子对分析，最后提出带合成路线的新型刚性大环分子，全程大约一小时。
从数天到一小时，差的不只是速度。它意味着药物发现里最枯燥的“数据搬运”环节，第一次被一个能调用确定性化学工具的智能体整体接管。
药物发现最累的活，是数据搬运
化学是科学里公共记录最丰富的领域之一。期刊论文和供应商目录里躺着数百万个分子结构，提供了一套能把物理、数学与生命科学、环境科学连起来的共同表示。分子及其转化无处不在，也塑造着日常世界。
但几十年过去，化学家仍然把大量时间花在“摆弄数据”上。原因很具体，同一个分子可以有无数种表示方式，论文里的 IUPAC 命名、专利里的 Markush 结构、目录里的结构数据文件（SDF）。高级化学信息学系统必须能把这些来源统一起来，还要处理各种错误。这件事没有容错空间，改一个原子或一根键，描述的就完全是另一种化合物，一个本来有希望的抑制剂或催化剂会瞬间变成惰性物质。
DeepMind 这篇博文的四位作者 Zoi Tsangalidou、Ruijie (Kelly) Zhang、Sukhdeep Singh 和 Michael V. LeVine，把这套技能定位成“让科学家专注于假设，而不是数据搬运”。装上化学信息学技能的 Antigravity，不再只是一个对话界面，而变成了一个协作式科学工作台，同时服务于计算化学家和实验台前的化学家。
智能体管调度，确定性工具管计算
这套技能的核心设计，是一种明确的分工，底层语言模型负责工作流编排、数据库导航和科学推理；而分子计算本身，交给确定性的化学工具执行。
这不是让大模型直接“猜”分子。技能以 RDKit 为底座，这是一个由全球贡献者社区开发了二十多年的开源化学信息学工具包；同时通过连接器接入 ChEMBL 和 PubChem 等经过策展的资源。领域最佳实践被直接编码进智能体的工作流里，而不是指望模型凭记忆回答。
这种“模型 + 工具”的架构，击中的是科学智能体最容易翻车的地方，大模型擅长理解和推理，却不擅长做精确的数值与结构计算。把计算交给 RDKit 这样的确定性引擎，等于给智能体装了一把不会算错的尺子。
一个经典药物化学技巧，被智能体完整跑通
DeepMind 选了一个教科书级的案例来演示，刚性化（rigidification）。
药物分子往往很复杂，多个子结构通过可旋转键连在一起。这些键让分子在溶液中能扭成许多三维形状，也就是“松垮”（floppy）。但分子要结合靶点，必须锁进唯一的活性构象。失去这种运动自由会带来熵惩罚，削弱结合亲和力、降低效力。
解决思路是加一根新键，把两个能相对旋转的子结构“绑”在一起。键加在对的位置，就能把分子锁进结合靶点所需的精确形状。这套策略常被称作“提前支付熵成本”，能显著提高效力。
案例的主角是两款肺癌药。克唑替尼（crizotinib）是第一代小分子酪氨酸激酶抑制剂（TKI），用于治疗某些类型的非小细胞肺癌，分子里有五个主要可旋转键。劳拉替尼（lorlatinib）是第三代 TKI，结构与克唑替尼相似，但末端被环化，把有效可旋转键数量降到零，因此效力更高。
智能体被要求检索这两款药及其类似物的文献。几分钟内，它取回数千个化合物，过滤掉缓冲液、溶剂等无关分子，并把来源整理成报告。报告还给出初步分析，这些大环化合物大多被预测具有脑渗透性。考虑到这类肺癌常转移到脑部，这是一个关键性质。
随后，智能体进行匹配分子对分析，训练效力预测模型，提出新的刚性化大环候选分子，并给出合成路线。它甚至能像化学家一样，为提出的环化反应提供电子推动图来说明反应机理。分析完成后，结果可以导出为多种格式，直接载入行业标准的化学软件。
边界在哪里，输出是假设，不是成品药
DeepMind 在博文里特意划了一条线，这些工具不能做什么。数据稀疏、实验室间检测噪声、动态范围狭窄，限制了即使最强大模型的预测精度。计算设计出来的是“可检验的假设”，不是成品药。
这句话不是免责声明，而是对当前科学智能体能力边界的诚实描述。有了 Antigravity 的化学信息学技能，药物发现科学家能更快地生成证据更充分的设计假设；但每一个被提出的设计，仍然必须被合成、在实验中验证。
这也解释了为什么 DeepMind 要把确定性化学工具嵌进工作流，而不是让模型直接生成 SMILES 字符串了事。智能体可以加速“提出好假设”的过程，但无法替代湿实验的裁决。
谁会被加速，谁会被倒逼
从产业角度看，这次发布的信号比单次演示更值得注意。
Google 正在把 Antigravity 从开发者工具推向科学工作台。科学插件可以从应用内的 Customizations 市场一键安装；企业用户用 Google Cloud 账号登录即可使用。开源的自定义技能也放在 GitHub 上（github.com/google-deepmind/science-skills），走的是“平台 + 生态”的路子。
Google 也在用免费额度换科学家和时间。DeepMind 宣布向 1 万名科学家免费提供 Antigravity 最高使用层级，为期六个月，滚动入驻。同一页面上，Gemini 4 Argon 已被列为可在 Google AI Pro 和 Ultra 中使用的模型。免费算力、前沿模型、科学数据库三位一体，目标很明确，让尽可能多的科研团队把日常流程迁移到 Antigravity 上。
药物发现的竞争维度也在变化。过去拼的是谁的计算化学团队更强、谁的筛选平台更贵；现在拼的是谁能把“文献—数据—模型—候选分子—合成路线”这条链路的单次迭代压到最短。数天到一小时的压缩，意味着同样时间里能多跑几轮设计循环。在药物发现里，迭代次数本身就是竞争力。
对计算化学家而言，这意味着重复性数据工作被剥离，精力可以转向假设本身；对实验化学家而言，这意味着拿到的是带机理图和合成路线的候选方案，而不是一个需要二次翻译的分子列表。对那些仍靠手工摘录图表、人工整理 SDF 文件的团队来说，倒逼已经开始。
药物发现的下一轮竞争，不再是谁算得更快，而是谁能在一天里多跑完几轮“假设—验证”的闭环。当智能体把数天压缩成一小时，真正稀缺的资源就从计算时间，变成了提出好问题的能力。
快报