Google DeepMind 上新：药物发现压进一小时
一小时干完传统要几天的活
据钛媒体 Edge AI Daily 11 月 5 日援引 Google DeepMind 11 月 3 日博文，DeepMind 给 Google Antigravity 推出了一项「化学信息学技能」（Cheminformatics Skills）。演示以肺癌药物克唑替尼与劳拉替尼为对象，智能体大约一小时就完成了数千化合物的检索、匹配分子对分析、药效预测模型训练，还顺手提出了带合成路线的新型刚性大环分子。传统上，这类流程得花好几天，单轮迭代的效率被大幅压缩。咱搞过科研数据系统的都明白，检索和初筛这种重复活儿最耗研究生的时间，AI 接过去，人就能去想更难的题。
模型加工具分工，RDKit 兜底确定性
技术架构是「模型加工具」的分工套路：底层大模型负责工作流编排、数据库导航和科学推理，而分子计算这类硬核活儿，交给以开源 RDKit 为根基的确定性工具去算，并接入 ChEMBL、PubChem 这些权威策展资源，把 IUPAC 命名、马库什结构、SDF 文件这些异构表示统一处理。这思路跟工程界「让 LLM 当调度、让专业库当算盘」的玩法一个样——模型不硬算它不擅长的，专业工具干确定的，分工明确才不容易翻车。科学计算最怕模型「一本正经编数字」，把确定性交给成熟库，稳当。
产出是可检验假设，不是成品药
DeepMind 自己把话说得很死：它的产出是「可检验的科研假设」，不是成品药。受数据稀疏、实验室间检测噪声和动态范围限制，候选分子仍必须合成并经湿实验验证。这话咱给满分——AI 在药研里最该扮演的就是「出题快、假设多」的助理，而不是「拍板能上市」的裁判。把边界划清楚，反而比吹「AI 造新药」靠谱得多。咱见过太多把辅助工具吹成终结者的稿子，DeepMind 这份克制，反倒显出老牌研究机构的底气。
AI 进科研，不止药研这一块
Antigravity 这手，是 AI 进科研的一个切片。材料科学、生物、天文，这几年全在把大模型接进自己的工作流——咱前面提过的，中科大团队刚发了开源 RNA 结构预测模型 structRFM，登上《自然》。共性很清楚：AI 最擅长的是把检索、初筛、假设生成这些「前戏」提速，让人去啃验证和创造的硬骨头。但所有赛道都逃不开一条铁律——模型出的东西，最终得靠真实实验或观测来拍板。AI 是 accelerant（助燃剂），不是裁判，这边界划清楚了，科研才不会被带沟里。
老炮点评：AI 进药研，湿实验才是终审
咱当年给科研机构搭数据平台，最怕的就是「模型说行，实验说不行」。DeepMind 这步把「一小时出假设」和「必须湿实验验证」同时摆在台面上，姿态是对的。大模型把科研的「试错前戏」提速，让人类研究员把精力腾到真正难的验证环节，这比喊「AI 颠覆制药」实在。但咱也得泼点冷水：从假设到临床，中间隔着化合物合成、毒性、代谢、试验一长串，一小时出的分子能不能活过这一串，才是真章。AI 是加速器，不是免死金牌。科学这摊子，最终还得实验室里那双手拍板。
再多说一句：AI 进科研最怕的就是「模型说行，实验说不行」。DeepMind 把假设和验证的边界划得清清楚楚，这姿态咱给满分。但从假设到临床，中间隔着合成、毒性、代谢一长串，一小时出的分子能不能活过这一串，才是真章。AI 是加速器，不是免死金牌，科学这摊子最终还得实验室那双手拍板。
