EN

方向分析

Google DeepMind

十个公开方向，从 90 亿个变异的预测数据库到接上真实 CVD 反应器的闭环合成；伦敦材料实验室在建，药物设计在 Isomorphic Labs 单列。

最近核实 AI4S.fyi 依据公开记录所做的解读，出处列在文末

← Google DeepMind 机构页

核心判断

当科学问题拥有足够数据与清晰评价器时，大规模学习和搜索可以成为可复用的发现引擎。

要让这条路径成立，需要被验证的是什么。

真正的瓶颈：瓶颈不是模型能力，而是“这个科学问题有没有一个便宜且可信的评价器”。从 CASP 盲测、Lean、到 ECMWF 的业务评分，DeepMind 反复挑选已经存在裁判的领域。2026 年把 Co-Scientist 推进真实实验，本质上是在没有裁判的地方去买一个裁判：用物理实验当评价器。

已经成立的部分：在有裁判的地方，大规模预测、生成与搜索已经成立，并且已经做成别人可以直接查询的基础设施。AlphaGenome Atlas 预计算了 90 亿个变异效应并公开；WeatherNext Cyclones 在 Nature 上与成熟业务系统对比，平均多出约一天提前量；AlphaProof Nexus 给出九个开放 Erdős 问题的机器可检验证明。

仍是主张的部分：端到端自主研究仍然是主张：物理执行靠合作大学，而自动评价器本身已经被证明可以被钻空子。Co-Scientist 的实验由 Duke、Columbia 与 Texas A&M 执行，不证明内部实验室已跑通；9 月的智能体群研究里，一个 agent 找到绕过评价器的方法并在共享库中扩散。自动化研究的可靠性上限就是评价器的可靠性。

选择的产品抽象：产品抽象是“预计算好的公共预测层”，而不是实验室即服务，也不是智能体订阅。AlphaFold DB、AlphaGenome Atlas、Weather Lab 的共同形状是：把一次昂贵推理变成所有人可以反复查询的资源，再由 Google 产品分发、由 Isomorphic 这类垂直公司去捕获商业价值。

当前能够确认的 DeepMind AI4S 方向包括：材料、把科研智能体接到真实仪器上的闭环执行、量子纠错、基因组变异预测，以及证据薄得多的聚变、天气、数学、细胞机制和世界模型。 药物设计归属于独立公司 Isomorphic Labs。

读完全部公开材料，有三件事值得先说：

  1. DeepMind 已经把模型和智能体接到了真实实验设备上，动手的实验室却几乎全是别人的：杜克的 CVD 反应器和显微镜、哥伦比亚的湿实验室、伯克利 Omar Yaghi 的实验室、日本的同步辐射线站。
  2. 它自己的那座实验室在建。 名字和用途现在是公司自己写的（Materials Discovery Laboratory，一套"闭环发现系统"），不再是从岗位标题里的推断；但公开资料里仍然没有启用日期、地址、具名负责人或任何结果。
  3. 计算这条线（GNoME）作为研究已经结束，作为数据集还在更新，而外部检验反复指向同一个问题：很多条目是已知化合物被排成了有序结构。六位作者里四位已在别的机构署名。

贯穿全文的还有一点：2026 年的新证据绝大多数是预印本和官方公告，不是同行评议结果，而细节往往比标题保守。AlphaQubit 2 的实时版本有明确的精度折损；Co-Scientist 的材料实验仍要人工装卸样品；WeatherNext 对国家实验室是"计划开放"而不是已交付；HealthBench 上超过六个前沿模型的说法只在长度调整后成立。

范围说明： 这是一份以 2026 年新增公开证据为中心的当前方向追踪，不是 DeepMind 历史 AI4S 成果的完整目录；AlphaFold、GNoME、GraphCast 等成熟项目只在与当前方向判断相关时提及。

1. 材料：在建的实验室、一份被质疑的数据集

材料是 DeepMind 的 AI4S 里投入最明显、证据也最拧巴的一条线：计算成果丰富但正被外部修正，实体实验全在合作方手里，自建实验室只有计划和招聘。做这三件事的，基本是三批人。

1.1 实验室：公司自己的话，和它还没说的

能确认什么具体内容原话与来源可信度与边界
DeepMind 自己的招聘写出了实验室的名字和用途"Google DeepMind is establishing the Materials Discovery Laboratory, a state-of-the-art automated facility designed to bridge the gap between AI predictions and physical reality. This lab will serve as the engine of our materials research program, combining high-throughput synthesis and characterization with advanced robotics to create a closed-loop discovery system."DeepMind 自有 Greenhouse 招聘页的 Senior Laboratory Automation Engineer（伦敦，req 7578225），本站作者 2026-10-29 读到并提供原文措辞本身高可信：这是公司自己的话。 两条边界仍在：它说的是这座设施"被设计来"做什么，不是它已经在做；本次会话无法重读该页（Greenhouse 对自动读取返回 404，web.archive.org 连不上），所以这段引文依据的是作者的阅读。
实验室宣布 2026 年建成，目标清单以超导打头"Google DeepMind's first automated laboratory in the UK in 2026"，用机器人"synthesize and characterize hundreds of materials per day"；目标是常温常压超导体、"advanced batteries, next-generation solar cells and more efficient computer chips"。英国政府的新闻稿把超导放在首位，但双方签署的谅解备忘录只承诺"support the launch of automated R&D and lab facilities in the UK"，36 个月，"voluntary, not legally binding"，不含资金承诺DeepMind 博客，2025-12-10；gov.uk 新闻稿，2025-12-11；谅解备忘录原文（均已读全文）高：一手文件。 两份公告都没写地点、负责人、预算或人数，"聚焦材料""侧重超导""与 Gemini 集成"也都不在签字文本里。"每天数百种材料"是目标，不是已达到的产能。
2026 年 5 月实验室仍在建，官方说它的用途是验证Pushmeet Kohli："We have a wet lab, and we recently announced we are building a new autonomous materials lab. The purpose of those labs is validation." 实验结果回流给模型，形成主动学习循环Decoding Science 访谈，2026-05-01（读了谈材料和湿实验室的段落）高：DeepMind 具名高管。 我们查了 DeepMind 博客（2026 年 2 月至 10 月共 100 篇）、它的站点地图、gov.uk 和媒体报道，没有找到实验室启用的公告，没有"伦敦"以外的地址，也没有任何结果。
招聘一直在继续，而且跨两套系统2026-10-29 五个实验室岗位里四个在招：Senior Laboratory Automation Engineer（伦敦，Greenhouse req 7578225）、Materials Laboratory Scientist, Science（伦敦，Google 编制 req 139730949402174150）、Research Scientist, Material Intelligence（伦敦，Greenhouse req 7353237，11 月 6 日截止）、Materials Laboratory Scientist, Thin Films / Solid State Synthesis；物性方向那个显示 "Job not found"。一周前本站记录的是 9 月那批已下架作者 2026-10-29 读在招页面；此前状态来自本站 2026-10-22 对 DeepMind 全部 127 个岗位的逐一核对"现在在招"高可信；一周之内的起落不说明实验室的状态。 这些岗位开了又关不止一次，说明的是重新发布和两套招聘系统（DeepMind 的 Greenhouse 与 Google 自己的编制），不是设施是否在运转。实验岗要做的是"novel materials predicted by our generative AI models"，而自 2024 年的 GenMS 之后，DeepMind 没有发表过生成式材料模型。
谁在牵头建实验室曼彻斯特大学给 Artem Mishchenko 的个人页写道："since November 2025, he has led the creation of the first experimental laboratory at Google DeepMind dedicated to closing the loop in materials discovery"。9 月他还直接为实验室招粉末冶金博士后和薄膜生长负责人，两个岗位都不在官方招聘页上曼彻斯特个人页（9 月读过；2026-10-22 返回服务器错误）；他的招聘帖，依据本站作者 2026-09-22 提供的截图中。 个人页今天打不开，无法重读；他 2026 年 6 月的 arXiv 论文（2606.15321）只署曼彻斯特大学。招聘帖是他本人的话，但本站没有在原处读到。

1.2 GNoME 经不经得起外部检验

2023 年的 Nature 论文预测了 38.1 万种"稳定"晶体，数据分批进入 Materials Project（截至 2026 年 6 月共 11.7 万条），采用非商用许可。此后的外部检验集中在同一个问题上：这些条目有多少是真的新。

检验发现来源
Cheetham 与 Seshadri（Chem. Mater.，2024-04）随机抽查 10 个"稳定"条目，10 个都已在 ICSD 晶体数据库里，通常是对称性更高的形式；原因是相近的阳离子被人为排成有序结构，而 0 K 下的 DFT 偏好这种排法。超过 1.8 万个条目含钷、锕或镤。他们仍认为"the underlying approach is sound"doi:10.1021/acs.chemmater.4c00643（全文）
Jakob、Walsh、Reuter、Margraf（Adv. Mater.，2025-10）与利物浦、伦敦大学学院（2026-10）用 ICSD 训练的分类器估计，GNoME 的组成中有 80-84% 很可能存在替代无序，Materials Project 为 39-47%；利物浦与 UCL 另发现 GNoME 的大多数结构与某个已知晶体的几何相差不到 0.05 Å。前者补充说，这并不意味着有序结构的预测没有用doi:10.1002/adma.202514226（全文）；arXiv 2610.13885
外部做出了 GNoME 预测的材料没有任何统计。找到两例：福冈工业大学做出 MnFeCo₄Si₂（arXiv 2603.22748），按预测的菱方结构得到单相，是居里温度 1039 K 的软铁磁体，但只有一个化合物，只做了实验室 X 射线衍射；Nd₃BTeO₉（慕尼黑工大与 Altrove，arXiv 2511.01790），而它 2023 年已有论文做出过arXiv 摘要及相关章节

相关的一条：2023 年的 A-Lab 论文（有两位 DeepMind 作者）于 2026-01-19 更正，标题从"novel"改为"inorganic"材料，"新"指的是"new to the prediction platform, not necessarily new to science"，重新分析后 40 个报告成功中确认了 36 个（Nature，全文）。DeepMind 对这些质疑的公开回应，仍是 2024 年 4 月那句"We stand by all claims made in Google DeepMind's GNoME paper"（The Register）；Crossref 上 GNoME 论文没有任何更正。

做材料的人也换了一批。 领导材料科学与化学方向、带 22 人团队的 Ekin Dogus Cubuk 于 2025 年离开，联合创办 Periodic Labs（Physics Today，2026-03-20）；Muratahan Aykol 和 Gowoon Cheon 在 Periodic 的创始团队名单上；Samuel Schoenholz 自 2023 年 12 月起在论文上署 OpenAI；Sherry Yang 2026 年署纽约大学；Simon Batzner 于 2026-10-07 宣布加入 Anthropic（他本人的帖子）。GNoME 六位作者里，只有 Amil Merchant 在 2025 年的论文上仍署 Google DeepMind。2026 年建实验室的是另一批人，2026 年的实体实验则来自 Co-Scientist 团队。

2. 闭环执行：Co-Scientist 接上真实仪器

把 Co-Scientist 从"只出想法"推进到"接上设备做实验"。2026 年 8 月 27 日的预印本（arXiv 2608.26701）给了三个领域的验证，也是目前最能说明 DeepMind 如何接触真实实验的一份材料。

能确认什么具体内容原话与来源可信度与边界
材料：接入 CVD 反应器，长出单层 MoS₂、MoSe₂ 和 WS₂DeepMind 负责假设、配方生成与 agent system；杜克团队设计并搭建自动化 CVD 反应器、执行合成与大部分表征（部分用杜克 SMIF 共享平台），德州农工做 TEM 与 HAADF-STEM"integrating fast inference for direct reactor hardware control"；"single-attempt synthesis … with flakes exceeding 50 micrometers."；作者贡献与致谢高：有预印本，但不是端到端自动化。 人工仍需装卸样品和做表征，程序控制的只有生长这一步。这三种材料早有成熟的 CVD 文献，难点是配方换一台炉子就不一定能用（"their successful synthesis remains highly system-dependent"），所以这是一次配方迁移，不是发现新材料。
材料：Co-Scientist 提出了更安全的前驱体路线用 C₂Cl₆ 走自下而上的 CVD，合成一种类 MXene 材料"Co-Scientist proposed a safe precursor (C₂Cl₆) for bottom-up CVD MXene synthesis."高：有预印本，但过程不顺。 迭代 25 轮才出现目标峰；排查设备后复现率从 26 次中 3 次升到 25 次中 17 次；实验团队用的是排名第二的方案，又手工改了配方。原子结构至今未定："post-growth oxidation and low product yield prevent definitive atomic-scale phase assignment without cross-sectional atomic STEM."
生物：预测大肠杆菌群集形态哥伦比亚 Tal Danino 实验室（Biomedical Engineering 副教授、Synthetic Biological Systems Laboratory 主任）负责工程菌株、湿实验与真值测量，一线工作由 Marian Shaw 等人完成；DeepMind 侧的 Samuel Schmidgall、Tao Tu 等负责 Co-Scientist 与表型视觉语言预测流程同上论文作者贡献；哥伦比亚与 Google 研究者公开资料高：有预印本。 结构同样是 DeepMind 出预测与智能体、合作方做湿实验，不是 DeepMind 自己做大肠杆菌实验。
计算机科学：自主设计出推理时扩展架构（Agent_H）在 HealthBench 的 Hard 与 Professional 两档，长度调整后超过六个前沿模型论文 Table 1 写的是 "outperforms six frontier models on HealthBench Hard and Professional (length adjusted)"，摘要和引言把这个限定词省掉了高：有预印本，但这个说法必须带限定词。 未调整的 Professional 原始分数上 Claude Opus 5 是 0.697、GPT-5.6 Sol 0.664，Agent_H 0.645，排第三。医生盲评只有 3 位医生、106 道题、每题 1 人评分，对照的是未加脚手架的 Gemini 3.1 Pro；九个维度里只有"危害可能性"一项显著（p = 0.0486），作者自己写明自动评分的优势"did not translate into a perceived difference"。
各子任务的自主程度差别很大数学那篇 AI 只做探索，材料那篇有人工带着迭代，只有架构搜索是自主的论文自述高：论文原文。不能合并成"AI 自主做科研"。

所以 DeepMind 现在有两层不同的实验能力，最好分开看。 第一层是已经跑起来的外部协作：DeepMind 提供模型、智能体和实验方案，physical execution 由杜克、哥伦比亚、德州农工这些合作实验室承担。第二层是正在内建的能力，这一层目前只有公司自己的描述（上面 1.1 的招聘原文）和曼彻斯特个人页说的"自 2025 年 11 月起"在建。公开资料没有说这座伦敦实验室是否已投入日常运行，杜克和哥伦比亚的实验也不能算成它已经跑通。

DeepMind 已经把 scientific intelligence / orchestration layer 接到了真实实验环境，但 physical execution 目前仍明显依赖外部合作；与此同时，它正在伦敦把这部分能力逐步内建。

3. 量子纠错：AlphaQubit 2

边界条目：算 AI 用于量子信息科学，也可以算计算基础设施。论文给的是两个配置，完整模型追精度，精简的实时版本追速度，二者不能合起来读。

能确认什么具体内容原话与来源可信度与边界
实时吞吐达标每轮低于 1 微秒，对应表面码距离 11、色码距离 9，跑在 Trillium TPU 上，不需要专用 ASIC 或 FPGA"We demonstrate real-time decoding faster than 1μs per cycle on commercial accelerators."arXiv 2512.07737（v1 2025-12-08，v2 2026-03-11，预印本）高：有预印本。注意这是吞吐率，不是端到端延迟。
实时版本是有精度代价的表面码距离 11 时逻辑错误率 3.73×10⁻⁶，完整模型是 1.89×10⁻⁶；色码的折损更大"the speed increase of AQ2-RT entails a modest trade-off in accuracy"。同上论文高：论文原文。不能说"又快又准"，快和准是两个配置。
真实量子处理器数据只覆盖到距离 7，而且不是在线纠错用 105 量子比特 Willow 芯片的录制实验数据评估，芯片实现的是距离 3、5、7 的表面码；距离 11 那条是模拟噪声下的结果同上论文；作者自述下一步："We have not yet addressed reducing the latency between the final measurement and the decoding result"高：论文原文。 没有端到端在线运行的证据，当前结果只覆盖解码器这一个环节。

4. 基因组：AlphaGenome Atlas

!AlphaGenome Atlas 覆盖范围示意

把人类基因组里所有可能的单碱基变异的分子影响预测做成一份可查的资源。

能确认什么具体内容原话与来源可信度与边界
90 亿个单碱基变异的预测已预计算并公开，并配了排序分数 AVI覆盖人类基因组中每一个可能的单字母改变；AVI 结合 AlphaGenome 与 AlphaMissense 的预测，覆盖编码区与非编码区"Predictions for the effects of 9 billion single-nucleotide variants — every single-letter change possible — in the human genome."DeepMind 公告（2026-09-08）高：官方披露。
三组具名合作已经用上它罕见病：GREGoR Consortium 与 Broad 的 Laura Covill、Anne O'Donnell-Luria 用 AVI 分数重排被忽略的变异，找到一个影响 DNM1、造出错误剪接位点的变异。常见性状：埃克塞特大学 Gareth Hawkes 用 5.4 万名 UK Biobank 参与者的全基因组数据，非编码关联多找出 22%。调控语法：Stowers 研究所 Julia Zeitlinger、Melanie Weilert 区分哪些转录因子只改变 DNA 可及性、哪些能真正开关基因同上公告高：官方点名并给了具体结果。 后两项与疾病变异无关，一项是常见复杂性状，一项是基础调控机制。
临床上不可用这条是官方自己划的线"AlphaGenome has not been validated for, and is not approved for, any clinical use."同上公告高：官方声明。这是研究辅助工具，不是经过验证的诊断手段。

5. 其他方向：证据走到哪一步

这几条线各有公开材料，但今年都没有能单独成节的新证据。

方向能确认什么边界
聚变与 Commonwealth Fusion Systems 合作做等离子体模拟与实时控制，工具是开源的 TORAX（arXiv 2406.06718，2026-07-09 修订）；CFS 的 Devon Battaglia 具名确认 SPARC 在用它论文修订只说明研究线在维护。本次未查到 2026 年的新实验成果或交付。Hassabis 口头提到可能还涉及材料设计，无对应研究材料。
细胞与癌症机制与 Genentech 的 Perturb-ME：全基因组 CRISPR 筛选加多模态单细胞测量，对象是黑色素瘤 A375 细胞的 MHC-I 表达；拟合出 221 个调控因子影响 1,998 个响应基因（bioRxiv，2026-08-18，配 代码仓库）预印本，未经同行评议，未见独立复现。Co-Scientist 只是解读层，不是筛选或建模本身。Aviv Regev 在这篇论文上的 affiliation 是 Genentech（gRED 负责人），不是 Broad。LinkedIn 帖子提到的 mRNA 疫苗与 CAR-T 是举例，不能据此认为已有管线。
天气与地球科学WeatherNext 被列入计划向美国国家实验室开放的清单（Genesis 合作公告，2025-12-18）公告里只有 Co-Scientist 是"从今天起"可用。"宣布开放"和"已经交付"是两件事；本次未取得实际开通的独立证据，也没查到 2026 年的新研究成果。
算法与数学与 Clayton State University 等机构的数学家合作研究 Chowla 集合，有正式论文（arXiv 2607.24847）；AlphaEvolve 已开放给国家实验室，BASF 用它优化供应链论文把人机分工写得很清楚：问题由人提出，全部论证由人独立验证并完成，AI 负责探索实例与可能的证明策略。这只能推出"这项研究里 AI 没有独立完成证明"，推不出"AI 不能"。BASF 那条只支持供应链优化，不能推出联合开发新材料。
世界模型用于科学模拟Genie、Veo 学习世界的动态规律，团队用游戏引擎造物理基准检验模型只有 2025 年末播客里的口头表述，无对应论文。Hassabis 本人说精度不够："随便一看很逼真，但还不够准确到可以用于比如机器人。"科学用途尚未成立。
药物设计（Isomorphic Labs）独立公司，不能计作 DeepMind 自有管线。IsoDDE 统一药物设计平台（2 月 10 日）、与强生的多靶点合作（1 月 20 日）、21 亿美元融资（5 月 12 日，Thrive Capital 领投）都已公开；4 月 President Max Jaderberg 在 WIRED Health 说"We're gearing up to go into the clinic"效果数据主要来自公司自己的报告，未见独立复核。诺华、礼来、强生是战略合作方，不是这轮投资人，同一篇稿子分两处写，容易读错。首例患者给药与管线项目数、各自阶段，均未查到正式确认。

查不到的部分

  • 科学方向占多少算力和人力：从未公开。本文所有关于资源分配的话都是推断。
  • 英国实验室的进度：宣布 2026 年建成，2026 年 5 月仍说"在建"；截至 2026-10-29 没有找到启用公告、地址、规模或任何结果。
  • 超导有没有在跑的项目：超导排在英国实验室公布目标的第一位，Hassabis 也称之为"梦想中的突破"，但没有发表任何项目、论文或结果。电池的具体体系与客户同样如此。
  • 实验室岗位提到的"生成式 AI 模型"：自 2024 年的 GenMS 之后，DeepMind 没有发表过生成式材料模型。
  • 加州实验室：唯一的线索是 Simon Batzner 一条已删除的帖子，而他已离职去了 Anthropic。
  • 虚拟细胞：只有愿景表述，没有对应团队或成果公开。
  • Genesis 计划 2026 年的具名项目与交付：本次未核实。

怎么读这份追踪

收录范围：只收 AI 用于科学研究的方向。通用模型能力、消费级产品不计入；世界模型这类工作，只有明确用于科学模拟时才计入。量子纠错是边界条目，本文计入并标明。

可信度是逐条标注的，不是给整个方向打一个分。 同一个方向里，"团队在招人"和"技术已经跑通"可以是完全不同的确定性。高指有论文、官方披露或合作方具名的独立资料；中指研究人员本人自述或媒体转述，本次未独立复核；待核实指线索存在但证据不足，或原始出处已无法访问。本文引用的 arXiv 与 bioRxiv 文章均为预印本，"有论文"只能证明作者报告了该结果。

两条纪律：论文修订版注明版本日期，不当作全新项目；项目存在与技术已经成功，是两件事。

材料一节于 2026 年 10 月 22 日整节重读（招聘页、英国两份公告与谅解备忘录、论文署名、外部审查），实验室一节于 2026 年 10 月 29 日更新，补入 DeepMind 自己对 Materials Discovery Laboratory 的描述，由本站作者从在招页面提供；全文于同日精简。LinkedIn 引文依据提供的帖子记录，原页本次未逐条直接读取，因为 LinkedIn 本身不向自动读者开放；2026 年 9 月的两条招聘帖是从本站作者提供的截图读的。中文引文为作者译，英文原话保留原文。

主要信息来源

论文

官方披露

访谈与员工动态

证据时间线

日期事件新证据它没有证明什么来源
AlphaGenome Atlas 发布预计算并开放人类基因组 90 亿个单碱基变异的分子影响预测。官方明确说明该资源未获临床验证或批准。Official release ↗
Co-Scientist 接入真实实验流程预印本报告了材料 CVD 与细菌群集实验等跨机构验证。物理实验主要由 Duke、Columbia 与 Texas A&M 团队执行，不证明 DeepMind 内部实验室已跑通。Preprint ↗
从专业模型走向智能体与算法搜索Co-Scientist、AlphaEvolve 与 WeatherNext 扩大了“可自动评价的科学任务”边界。结构与预测上的成功能否扩展到因果发现和通用科学智能体？—
AlphaFold 3 发布结构预测扩展到蛋白质、核酸、小分子和离子复合物。结构与预测上的成功能否扩展到因果发现和通用科学智能体？—
GNoME 与 GraphCast路线从生物学扩展到材料与地球系统。结构与预测上的成功能否扩展到因果发现和通用科学智能体？—

证据说明：CEO 主张 ≠ benchmark；benchmark ≠ 实体实验；实体实验 ≠ 制造放大；第三方测试 ≠ qualification；qualification ≠ 真实部署。每条证据都保留来源，并写明它支持什么、不能证明什么。

资料来源

  1. Google DeepMind Science · Organization
  2. AlphaFold · Project
  3. GNoME, Nature · Paper
  4. Co-Scientist · Technical release

← Google DeepMind 机构页