Demis Hassabis 在 Google I/O 2026 主题演讲快结束时，面无表情地说了一句很适合上标题的话：Google 希望用 Gemini for Science 重新想象药物发现流程，目标是有一天“解决所有疾病”。

这句话漂亮，也危险。

漂亮在于，Google 确实有 AlphaFold 这样的硬成果，不是空手画饼。危险在于，普通人很容易把“帮助科学家找线索”听成“AI 快要治病了”。这中间隔着靶点、动物实验、临床试验、监管审批、医保支付，以及一大堆不会因为发布会灯光变暗就自动消失的失败率。

The Verge 抓住的这个细节，补强了一个更具体的落点：这事不能只按“奇点叙事”来读，还要按“药物发现流程”来拆。Google 的野心在科研工具链，不在明天给患者递药。

Google 到底发布了什么

I/O 2026 上，Google DeepMind 把 Gemini for Science 放进了 AI 医疗和生命科学叙事里。

信息压缩一下：

  • 发生了什么.Google 说要用 Gemini for Science 等工具重做药物发现流程。
  • 最抓眼球的一句.Hassabis 提到“有一天解决所有疾病”。
  • 为什么重要.Google 正把 DeepMind 的科学 AI 从单个模型，推向科研平台和工作流。
  • 谁受影响.最直接是高校实验室、药企早研团队、生物技术公司；不是今天拿着检查报告等方案的患者。
  • 争议焦点.AI 能加快发现，不等于能替代医学证据。

这也是新信息最有价值的地方。它把“Google 又在讲 AI 大愿景”缩小到一个可检查的问题：Gemini for Science 到底能在药物研发哪一段发挥作用？

答案目前很清楚：前半段。

它可以帮助研究人员整理文献、提出假设、分析生物医学问题、理解结构和序列线索。它不是诊断软件，不是药品，也不能直接治病。

工具 / 项目目前主要作用不能听成什么
Gemini for Science帮科研人员探索问题、生成假设、整理研究线索直接治疗患者的产品
AlphaFold预测和理解蛋白质结构，加速生命科学研究已经把药物研发变成自动流水线
AlphaGenome预测 DNA 序列变化可能带来的影响可直接用于个人基因组预测

这张表比“解决所有疾病”更接近现实。

AI 医疗最容易被省掉的，是中间那条长路

Google 最硬的科学招牌仍是 AlphaFold。

它帮助研究人员更快理解蛋白质结构。蛋白质结构是很多疾病机制和药物靶点的基础。DeepMind 过去提到过一些研究方向，包括疟疾疫苗、LDL“坏胆固醇”相关蛋白、早发帕金森相关蛋白。

这些案例的价值不小。过去实验室可能花很久才能摸清的结构问题，现在可以更快拿到线索。少走弯路，本身就是科研效率的提升。

但从“找到线索”到“药物上市”，中间不是一条直线。

药物发现的大致链条是：

  • 靶点发现
  • 候选分子筛选
  • 动物实验
  • 临床试验
  • 监管审批
  • 量产
  • 医保和支付
  • 医生采用与患者可及

AI 擅长的是前几步，尤其是从海量分子、生物序列和论文里找模式。越往后，越不只是计算问题。

人体不是数据集。病人也不是 benchmark。

AlphaGenome 的边界更能说明问题。它可以预测 DNA 序列变化可能带来的影响，对理解疾病机制很有用。但 Google 也说明过，它没有被验证或设计用于个人基因组预测，也很难完整捕捉细胞和组织特异性模式。

这句话很关键。模型在研究任务上强，不代表能直接进入医院流程。能提出假设，也不等于能替代临床证据。

医学慢，有时候不是保守，是代价太高。

真正被改变的，是药企早研团队的工作方式

普通用户短期不用把这事理解成“看病要变了”。更现实的影响在实验室和药企早研部门。

研究团队会更依赖 AI 做几件事：

  • 快速扫文献，减少重复劳动。
  • 生成候选假设，扩大探索范围。
  • 辅助理解蛋白结构、基因变异和疾病机制。
  • 在早期筛选阶段压缩试错成本。

药企也会重新算账：自建模型，采购商业平台，还是和 Google、Isomorphic Labs 这类 AI 公司合作。

这才是 Google 真正想拿的地盘。

它不只是卖一个模型。它想把科研入口做成平台能力。高校、药企、生物技术公司一旦围着它的工具跑，数据、工作流、人才习惯都会慢慢沉进去。

“天下熙熙，皆为利来。”这句老话放在这里不难听。Google 讲的是治病救人，背后跑的是平台控制、算力租金、科研入口和制药产业链的位置迁移。

这不丢人。商业公司当然要做商业判断。问题在于，医疗叙事天然带有道德光环，一旦把早研工具讲成“解决所有疾病”，公众很容易低估中间的验证成本。

问题不在大词，而在大词遮住了边界

我不反感科技公司讲大目标。

AlphaFold 已经证明，AI 在科学问题上能做出真贡献。Google 把 DeepMind 的能力继续推向药物发现，也不是坏事。相比一些只会给聊天机器人换皮的 AI 发布，科学 AI 至少在啃硬骨头。

但“解决所有疾病”这类说法，必须被拉回边界内。

它能激励研究者，也能误导患者。它能帮公司招人融资，也能让外界把科研进展误读成医疗承诺。越是医疗，越不能把愿景说得像产品路线图。

这里的关键不是 Google 有没有野心，而是它有没有把野心和证据分开放。

早期发现提速，是真价值。临床成功率提高多少，目前还要看数据。药物研发成本能不能被实质压低，也要看进入正式管线后的表现。至于“所有疾病”，那是舞台语言，不是医学判断。

历史上每一次基础设施级技术进入医疗，都会出现类似的膨胀时刻。电力、抗生素、基因测序、mRNA，都改变过医学，但没有哪一个把疾病一次性清空。新工具会扩大人类能力，也会暴露新的瓶颈。

AI 也一样。

它可能让科学家更快找到门。门后面还有临床试验、监管文件、伦理审查、真实世界人群差异，以及谁付得起药的问题。

接下来别盯口号，盯三件事

判断 Gemini for Science 这条线，别看发布会剪辑，看后面的硬指标。

第一，独立研究能不能复现价值。

如果只有 Google 自己讲案例，那还不够。要看外部实验室、药企团队在不同疾病、不同数据条件下，能不能稳定得到更好的候选方向。

第二，药企会不会把它放进正式研发管线。

试用、合作、论文都不算终点。真正的信号是：这些工具是否进入候选药物筛选、靶点验证和临床前决策，是否影响预算和团队配置。

第三，成果能不能走过临床和监管。

医疗行业最硬的现实是，模型再强，也要经得起人体检验。审批机构不看发布会气氛，只看证据。

所以这次 Google 不是不能夸。它确实在科学 AI 上有资格说话。

但资格不是豁免权。

越接近医疗，越要把话说窄。AI 能开路，不能越法。药物发现可以被重写，药物有效性不能靠修辞通过。