通用大模型正在伸手够科学的硬骨头。10月13日，谷歌在Gemini 4 Argon全球开放的同时公布了一项蛋白质设计成果：研究人员借助这款通用大模型，在数小时内完成了目标酶相关数据的整理、模型调优与筛选规则制定，最终得到5种全新的人工酶设计，随后的实验室测试显示，这5种设计均表现出较强的催化活性。设计对象是丝氨酸酯酶，一类催化酯键水解的蛋白质，在药物制造、精细化工与生物燃料领域应用广泛。
从头设计一种具有特定催化功能的酶，历来是蛋白质工程里最难的题目之一。研究人员不仅要找到能折叠成稳定结构的蛋白质骨架，还要保证活性位点能催化预期的化学反应，传统流程要轮换使用多种专业计算工具，经过多轮筛选与实验验证，周期以月计。谷歌这次的分工方式耐人寻味：Gemini 4 Argon承担的是数据整理、模型调整与筛选策略制定，这些原本需要研究人员投入大量时间的流程性工作，而按4MU底物的荧光信号判断酶活性这类标准检测交给实验端。测试底物的选择也有讲究，4MU乙酸酯被水解后会释放荧光产物，活性高低可以直接用仪器读出，整个验证链条干净利落，五个设计全部有活性，说明筛选规则本身制定得足够靠谱。
对照三年前的标杆更有意思。2024年诺贝尔化学奖得主贝克（David Baker）团队曾在Science发表同类研究，利用RFdiffusion等专业模型组合设计出具有催化活性的丝氨酸水解酶：先确定催化中心结构，再用RFdiffusion生成骨架，LigandMPNN设计序列，Rosetta优化结构，AlphaFold2检查折叠，PLACER评估活性位点构象，每个模型管一段，研究人员负责把它们串起来。两条路线的差异由此清晰：专业模型负责具体分子计算，通用模型则开始接管流程的组织与调度。贝克团队的论文里，多轮筛选后的成功设计与催化动力学数据都做了完整披露，谷歌此次仅给出5个设计有较强活性的结论，透明度的差距意味着外界还无法复现验证，这也是成果发布后学界持保留态度的主要原因。
另一个值得注意的背景是，谷歌并非没有专业工具。DeepMind的AlphaFold系列早已是结构预测的行业标准，旗下Isomorphic Labs更是专注AI药物发现多年。放着自家专业能力不用，转头让通用模型进入酶设计流程，恰恰说明谷歌看到的是另一块空地：科研流程中大量非计算性的组织工作，还没有称手的AI工具。专业纵深与流程整合不是替代关系，而是互补的两层。
更实际的动因藏在科研工作流的碎片化里。一项酶设计研究背后，文献检索、参数记录、脚本拼装、结果比对这些环节分散在不同软件与不同人员手里，既不出论文也不产生专利，却吃掉研究者大半工时。通用模型恰好擅长这类跨工具的组织性任务：读懂文献摘要提取反应条件、把实验记录整理成结构化表格、按筛选目标调整计算参数、把跑完的结果归并成可读报告。谷歌把Antigravity与生物分子结构查看器绑在一起推给科学家，卖点不是模型算得比专业软件准，而是让模型把这些零散环节接上，把研究者的注意力还给科学问题本身。
这份成果的成色也要冷静看。谷歌尚未公布酶设计使用的完整工具链，无法确认蛋白质结构生成是否仍由专业模型完成；两项研究的实验数据口径不同，无法直接比较设计成功率与催化性能。换言之，Gemini 4此次展示的是通用模型加快科研流程的能力，还不能宣称在分子设计本身上超越专业工具。丝氨酸酯酶的5个设计全部有活性是亮眼结果，但样本量小、底物单一，离通用方法论还有距离。
同批公布的另一个案例补充了拼图：研究人员用Argon优化开源量子化学软件xTB，把分子结构预测速度提升到原来的2.3倍，构象搜索提速1.8倍。这里大模型没有取代科学计算软件，而是通过代码优化让老工具跑得更快。两个案例指向同一个分工图景：专业模型与科研软件继续负责结构预测、分子计算等精度任务，通用大模型负责文献检索、程序编写、工具调用与结果分析，把科学家从胶水工作中解放出来。
xTB本身是免费开源的半经验量子化学程序，全球大量实验室依赖它做分子结构优化，基础版本无需授权即可使用。Argon把它提速两倍多，受益面远不止谷歌自家团队，这也说明通用模型切入科研的第一波价值，往往落在现有开源工具的效能放大上，而不是另起炉灶重写算法。
谷歌显然有意放大这个叙事。此次发布同时宣布，计划向最多1万名符合条件的科学家免费提供6个月Google Antigravity最高使用档位，滚动审核发放。配合嵌入Antigravity的生物分子结构查看器等工具，谷歌正在把科学场景变成通用模型的示范橱窗：对缺乏专门计算团队的实验室来说，有一个能写代码、调模型、跑工具的通用助手，等于凭空补齐了半个计算团队。
对AI4S行业而言，这条新闻的真正意义在于角色定位的变化。过去两年，科学大模型的主线是AlphaFold式的专业纵深，单一任务做到极致；现在通用模型从侧面切入，占据的是流程整合层。两者并非替代关系，专业工具的精度短时间无可动摇，但科研工作流中大量的组织性劳动正在被通用模型接管。当调参、筛选、写脚本的门槛降到一句话，科学发现的速度上限，将更多取决于实验验证的产能，而不是少数计算专家的时间表。
需要留意的反面是依赖风险。当流程组织权交给通用模型，科研数据的口径、筛选规则的设计，甚至文献取舍的偏好，都可能被模型的默认倾向悄悄影响，而这些隐式选择很难在论文的方法部分完整披露。工具效率提升了，可复现性的新挑战也随之出现，如何在享受便利的同时保留研究者的判断权，是这类合作下一步必须回答的问题。谷歌选择用免费额度与工具嵌入的方式卡住入口，争的正是未来科研工作流里那个默认助手的席位。