AI 代理走进实验室：从 Google Antigravity 看抗药性新药筛选的流程重构

一场被低估的「流程革命」

抗微生物耐药（AMR）被世界卫生组织列为最紧迫的公共卫生威胁之一，相关估算认为到 2050 年它可能造成每年上千万人死亡。但过去十多年，新抗生素的研发管线却持续萎缩。原因不只是「分子难找」，更在于流程太慢：寻找一条有希望抗菌肽，研究者需要在多个数据库之间反复切换、人工比对序列、排队运行结构预测、再凭经验给候选打分。一个课题组的精力，大半消耗在信息搬运而非科学判断上。

Google DeepMind 在 2026 年 10 月发布的一篇技术演示，换了一种做法：把「发现候选—结构评估—优先级排序」这三步，收进同一个会话里完成，用的是他们的代理式开发平台 Google Antigravity。

Antigravity 究竟做了哪些事

• 它是一个「代理式科学工作台」，而不是单一模型。真正起作用的是编排层：能调用工具、串接步骤、保留上下文。
• 内置 ProtNLM 模型，可以直接从氨基酸序列推断蛋白质的生物学功能，让研究者在 UniProt 中数以百万计「功能未注明」的序列里做大规模粗筛。
• 阶段性成果：团队从中找到一个抗菌肽候选分子，模型预测它对引发呼吸道感染的病原体具有活性，目前已经进入湿实验验证环节。

我的判断是：这次演示真正的增量不在「又出现一个更强的模型」，而在「谁来做中间件」。过去这些碎片化检索由人充当胶水，现在由代理来充当——不丢上下文、不重复检索，效率才真正被释放出来。

两种工作流的差别

三点必须泼的冷水

1. 预测有活性 ≠ 真的有效。 进入湿实验只是起点。毒性、稳定性、可合成成本、体内半衰期，任何一项都可能让候选出局。
2. 数据边界就是能力边界。 ProtNLM 的推断建立在已知的「序列—功能」关系之上，面对真正全新的蛋白家族容易失效，且可能给出看似合理却错误的答案——这在药物发现里代价极高。
3. 演示 ≠ 生产线。 这次公开的是一个技术走查（walkthrough），单个案例无法说明它对多少靶点、多少病原体可复现。

同一套逻辑正在改写地球观测

DeepMind 同期另一条线是 AlphaEarth Foundations：把地表每一块约 10 米见方的土地归入不同的森林类型，生成一张全球分类底图。乍看与药物毫无关系，但底层思路一致——用基础模型把海量、杂乱、非结构化的原始数据（遥感影像、氨基酸序列）压成可查询、可筛选的结构化图层，让领域专家少做数据搬运，多留时间做判断。

这也是我看 2026 年 AI 落地主线的一个依据：行业重心正在从「给我一个模型」转向「给我一条能跑通的工作流」。

给不同读者的实用建议

• 做生物信息/计算生物的同学：值得研究 UniProt 加 ProtNLM 的组合，序列功能注释的粗筛能省下大量人工。但请把代理输出当「假设生成器」，而不是「结论」。
• 做开发与运维的读者：这类「代理式工作台」的产品形态很值得借鉴。把内部工具封装成代理可调用的动作，往往比再写一个前端面板更有杠杆效应。
• 普通关注者：跟踪节点应从「模型跑分榜」转向「是否进入湿实验」「是否有第三方复现」，这两个信号比发布会热闹得多也真实得多。
• 一个现实提醒：这类科研平台多数需要申请、受限开放或绑定特定生态，海外访问与账号合规要提前确认清楚，别默认它是随手可调的免费 API。

结语

抗药性是一场跟时间的赛跑。AI 现阶段能做的是「让候选变多、让排序变快」，而不是「替人确认有效」。把代理当作压缩搜索空间的工具，而不是跳过实验的捷径——这大概是这次演示最值得记住的一句话。

参考来源

• Accelerating the search for antimicrobial peptides with Google Antigravity（Google DeepMind 动态）
• Beyond tree cover: mapping the world's forest types（Google DeepMind 动态）