十一月三日，谷歌DeepMind为Antigravity推出一套化学信息学技能。它把大模型的规划、检索与科学推理能力，与RDKit这类确定性化学计算工具接在一起，并接入ChEMBL、PubChem等公共化学数据库。在肺癌药物的演示中，智能体约一小时完成了数千种化合物的检索与匹配分子对分析，并提出带合成路线的新型刚性大环分子。同类流程过去往往要数天。
把这两个时间放在一起容易产生误解，以为模型把化学计算加速了几十倍。真实的差距主要落在前后两端：前端是数据整理，后端是候选方案的生成与筛选。中间那些分子描述符计算、相似性比对、对接打分，本来就是确定性的程序，跑得并不慢。
前端的工作量常被外行低估。同一个分子在论文里是IUPAC名称，在专利里是马库什结构，在数据库里是SDF文件，在供应商目录里又是一串商品编号。要把它们对齐成一张表，需要识别结构、去重、补全立体化学信息、处理盐型与异构体。这些活以前靠人一条条核，几天的工期大半耗在这里。
后端是从数据里长出假设。检索完五百多个化合物只是中间产物，真正难的是看出"分子刚性化"与药效提升之间存在关联，再把这条关联变成一个可以合成、可以测试的具体结构。这一步过去依赖研究者的经验，现在可以交给模型生成候选，再由人判断值不值得做。
大模型做化学有一个绕不过去的缺陷：它会把数字算错，而且错得很自信。分子量、环数、可旋转键数目、logP，这些都有明确定义和成熟算法，让语言模型去"估"没有任何意义，只会引入不可追溯的误差。
所以正确的分工是让模型负责它擅长的部分：理解问题、拆解步骤、决定查什么、读懂文献里的表述、把零散结论串成假设。凡是能用确定性算法算出唯一答案的，一律交给RDKit这类库。这套"模型规划加工具执行"的结构，在编程、数据分析领域已经跑通，化学只是新场景。
接入公共数据库是同一逻辑的延伸。ChEMBL收录了文献与专利里的活性数据，PubChem覆盖化合物属性与供应商信息，两者结合能回答"这个结构有没有人做过、做得怎么样"。模型的价值不是记住这些数据，而是知道该查哪张表、用什么条件筛、结果矛盾时怎么判断。
这条路线也带来可复现性。每一步调用都有输入输出记录，出错能定位到具体环节，而不是笼统地说"模型说错了"。对科研场景来说，可追溯比准确率更重要，因为结论要写进论文、要被同行复核。
谷歌自己把话说得很克制：AI产出的是可检验的科研假设，不是成品药物。这句话不是免责套话，它准确描述了当前能力的边界。
一个分子要在湿实验里成立，要过好几关：能不能合成、合成出来稳不稳定、在细胞上有没有活性、在动物身上有没有效、毒性如何、代谢途径是否清楚、能不能做成合适剂型。模型能覆盖的主要是前两关的一部分，后面的每一关都可能推翻前面的结论。
数据侧的限制更硬。公开活性数据的分布极不均匀，热门靶点有上万条记录，冷门靶点可能只有几十条；不同实验室的检测方法、细胞系、浓度范围各不相同，同一化合物在不同论文里的数值能差出一个数量级。模型在这些数据上训练，学到的关联未必能迁移到新体系。
所以演示里那句"提出具备合成路线的新型刚性大环分子"要拆开读。有大环骨架的合成路线，和这条路线在实验室里能跑出合理收率，是两件事。前者是文献检索与逆合成的组合，后者要看实际做。这类方案的真正价值是给化学家一个起点，省掉从零构思的时间。
官方提到，计划向最多一万名符合条件的科学家免费提供六个月最高用量档位。这类动作在科研工具领域越来越常见，目的通常不在短期收入。
科研用户的使用习惯一旦形成，迁移成本很高。一个课题组把数据、脚本、分析流程都搭在某个平台上，换平台的代价是重做整套流程。免费六个月足够让一个项目从立项跑到出结果，等项目结束了，工具也就留下来了。
另一层是数据。科研场景产生的调用记录、失败案例、参数偏好，是改进模型最宝贵的素材。这些数据在公开数据集里拿不到，只能靠真实使用积累。免费额度本质上是换取使用数据与场景覆盖。
但科研机构的采购逻辑和商业客户不同。经费走预算、数据要留本地、成果要能复现、软件要能长期可用，这四条里任何一条不满足，免费期结束就换。所以这类工具想进实验室，最终要解决的是本地部署与长期授权，而不是模型能力。
把视角拉高，化学信息学技能这类东西的对手不是别的模型，而是实验室里那套已经运行了十几年的工作流：电子实验记录本、共享网盘、Excel表、组会PPT。
这套工作流很土，但它的优势是所有人都会用、数据在自己手里、不需要额外采购。新工具要替代它，必须在某个环节上做到明显更快，快到让研究者愿意改变习惯。检索与数据清洗恰好是这样一个环节，因为它枯燥、耗时、不出成果，谁都愿意交出去。
所以落地的顺序大概率是：先做检索与整理，再做候选生成，最后才碰实验设计。前两步错了可以重来，第三步错了要浪费试剂和时间。这个顺序也符合研究者的风险偏好，他们愿意让AI帮忙查资料，不愿意让AI决定明天做什么实验。
评价这类工具，别看演示里的化合物数量，看三个更实际的问题：查出来的数据能不能导出成组里通用的格式、结论能不能附上可核查的来源、跑一遍要花多少钱。这三个问题回答不好，再快的一小时也进不了日常。