2026年11月3日，Google DeepMind 发布了专为 Google Antigravity 打造的 Cheminformatics Skills 化学信息学技能套件，并同步开源至 GitHub 仓库 google-deepmind/science-skills。在非小细胞肺癌药物演示中，系统把原本单次迭代耗时数天的文献挖掘、效价建模与分子改造流程，直接压缩到了 1 小时。相比 2023 至 2024 年已经跑通自动合成实验的 ChemCrow 和 Coscientist，Google 这套方案更贴近药企早期清洗多源数据的真实痛点，但全程停留在纯计算预测，没有做任何湿实验合成与生物测试。
先用最快的速度过一遍这次发布的核心配置与边界：
- 底层架构.大模型（原文界面展示了 Gemini 1.5 Flash 与 Gemini 3.8 Flash 选项）负责工作流编排与科学推理，已有二十余年历史的开源工具 RDKit 执行确定性分子计算，并直连 ChEMBL 与 PubChem 数据库。
- 获取与福利.开发者可直接运行
npx skills add google-deepmind/science-skills/或安装 Antigravity Science 插件接入；Google 同步向 10,000 名科学家免费开放 6 个月最高等级使用权限。 - 演示战绩.以第一代抑制剂克唑替尼（含 5 个主要可旋转键）到第三代劳拉替尼（成环后有效可旋转键降为 0，靠预先支付熵代价提升效价）为参照，1 小时内检索数千种化合物、剔除溶剂杂质、完成匹配分子对分析（MMPA），并给出预测透脑的新型刚性大环分子及合成路线。
大模型为什么必须向二十年前的老工具低头
化学容不得半点模糊，错一个原子或一根化学键，原本有潜力的抑制剂就会彻底失效。但在药物研发早期，同一个分子在论文里是 IUPAC 命名，在专利里是 Markush 通式，到了供应商目录又变成 SDF 结构文件，化学家大量精力都耗在对齐这些异构数据的脏活上。
Google 这次走对的一步，是彻底放弃让大语言模型硬算化学结构，转而把大模型降格为调度员，脏活和硬计算全交给 RDKit。今年 5 月 19 日 Google 披露的内部评估报告很能说明这种加持的分量：在 67 项科学能力任务中，挂载技能套件后，Gemini 3 Flash 的成功率从 49% 跃升至 93%，Gemini 3.1 Pro 也从 67% 涨到了 91%（该测试主要涵盖遗传变异效应预测等广义任务，并非针对本次大环分子设计）。
不过，给大模型挂外部工具从来都是双刃剑。2024 年 Yu 等人的外部基准研究（arXiv:2411.07228）测出过一个极反常的现象：挂载了 18 个化学工具的 ChemCrow，在正向合成精确匹配任务上确实从 12% 飙升到了 72%，但在通用化学测试 MMLU-Chemistry 上，得分却暴跌至 43.3%，远低于裸跑 GPT-4o 的 80.5%。工具链一旦接管流程，模型原本宽泛的推理视野往往会被僵化的脚本框死。
撕掉 1 小时造药滤镜，三个没交底的硬伤
看科技大厂发科学博客，最忌讳把算力演示当成临床突破。把公关话术剥掉，我不太买账的地方集中在三处。
开源几个提示词脚本，离科学可复现还隔着十万八千里。
第一处是只开源了壳，没开源核。外部研究者现在敲一行 npx 命令就能拿到 Agent 编排脚本，但本次肺癌药物演示最核心的可复现数据包全部缺席——没有清洗后的精确化合物集合，没有匹配分子对明细，没有 ChEMBL 版本冻结与训练测试集划分文件。在计算化学界，不同实验室的测定噪声（Assay Noise）极大，拿不到干净的数据切片，谁也无法独立核实它的效价预测模型到底有没有发生数据泄露。
第二处藏在底层算法的方法学盲区里。演示重度依赖匹配分子对分析来证明分子成环后效价更高，但 RDKit 生态下的标准工具 rdkit/mmpdb，默认机制是通过切割 1 至 3 个非环键（non-ring bonds）来做分子碎片化。用一套默认切非环键的工具，去大规模评估开环变大环的改造收益，中间的边界条件怎么校准、成环前后的拓扑变化怎么对齐，博文只字未提。
- 风险.底层工具
rdkit/mmpdb默认切割 1 至 3 个非环键，直接用于大环化对比存在天然的方法学限制，盲目套用极易得出失真的构效结论。
第三处是验证深度的倒退。早在两三年前，同类化学 Agent 就已经跨过了实验室门槛：ChemCrow 实际合成出了 1 种驱虫剂、3 种有机催化剂和 1 种发色团；Coscientist 直接驱动自动化设备跑通了 Suzuki–Miyaura 和 Sonogashira 偶联反应，拿出了实打实的色谱与质谱证据。反观 Antigravity 这次惊艳的 1 小时大环设计，连烧杯都没碰一下。博文末尾其实悄悄留了免责声明，承认计算设计只是可测试的假设，不是成品药。
卖水人免费发铲子，真正难受的是谁
十九世纪淘金热时，最稳的生意不是下河筛金子，而是给矿工卖铁锹和牛仔裤；今天科技大厂入局 AI 制药，打的也是同一套算盘，只不过这次 Google 把铁锹直接免费发了。
这招最直接的杀伤力，落在了主打文献挖掘与早期分子生成的 AI 制药初创公司，以及传统计算机辅助药物设计（CADD）SaaS 软件商头上。过去这些软件商靠封装 RDKit、美化交互界面、接几个专利库就能按席位收高昂年费；现在 Google 把大模型编排、交互式散点图看板与免费开源的 ChEMBL、RDKit 深度绑在一起，还白送一万名科学家半年最高配额。只做浅层数据搬运和常规构效分析的中间商，护城河一夜之间被填平了大半。
对一线药物化学家来说，省下几天洗文献、筛溶剂的苦力当然是好事。但《孙子兵法》讲“多算胜，少算不胜”，前提是算筹本身得贴合战场现实。大环化合物在真实的有机合成中向来以关环产率低、构象难控著称，画得出电子推动箭头，不代表反应瓶里煮得出来。
接下来判断这套工具到底是工业利器还是高级玩具，只看两个硬指标：独立实验室能不能仅凭开源仓库 google-deepmind/science-skills 复现出同等精度的效价模型；以及半年免费期结束前，Google 或合作药企敢不敢把那批 1 小时算出来的肺癌大环分子真正合成出来，亮出真实的湿实验产率与细胞活性数据。