2026年11月3日，Google DeepMind 发布博客，宣布 Google Antigravity 平台接入 Cheminformatics Skills，智能体可编排药物发现工作流、检索化合物库并主动提出新型刚性化大环（rigidified macrocycles）候选结构。这标志着通用编码智能体被改造成带领域工具链的科研执行者，化学信息学从“人写脚本”转为“人下指令、智能体写脚本并回读结果”。本文的核心判断是：模型能否画出分子并不关键，把 RDKit 一类确定性工
时间线可回溯到2025年11月：Google 在发布 Gemini 3 的同时推出 Antigravity，定位为 agent-first 的开发平台，核心交互是让智能体在编辑器、终端与浏览器之间自主执行任务并产出可审阅的 Artifact。此后 Google 沿用“技能（Skills）”机制扩展能力边界——技能本质是一组带说明文档的确定性工具与脚本模板，由智能体按需加载，而非重新训练模型。
2026年11月3日，DeepMind 官方博客给出的新技能包是 Cheminformatics Skills。按博客描述，它覆盖三类任务：药物发现工作流编排，把靶点信息、化合物库筛选与性质计算串成可执行流程；化合物检索，支持子结构、相似性与约束条件下的库内搜索；以及大环分子设计，由智能体提出“刚性化大环”结构，即在大环骨架上引入芳环、酰胺、共轭或桥连单元，以降低构象熵、改善口服暴露的可行性。
演示形态是“写代码—运行—回读”的闭环：智能体在 Antigravity 中生成调用 RDKit 的 Python 脚本，执行后读取分子描述符与筛选结果，据此迭代下一轮提案。官方博客未披露技能的具体数量、所接入化合物库的规模与合作方，也未给出
为什么是现在。第一，2025年下半年起，“技能／连接器”成为把通用模型接入垂直工作流的主流路径：Anthropic 推出 Agent Skills，OpenAI 扩展连接器生态，厂商竞争焦点从“模型会不会”转向“模型能否调用专业工具并交付可审阅结果”。第二，药物化学恰好是工具链最成熟的领域之一，RDKit、Open Babel 提供开源的分子解析、描述符计算与子结构检索，AlphaFold 系列解决了结构预测，但大量中间环节仍靠人工写脚本粘合，这正是智能体最容易切入的缝隙。第三，大环化合物长期处在“能设计、难成药”的位置：已上市大环药物数量有限，口服环肽的膜渗透性普遍偏低，2020年后 lorlatinib 等大环小分子的成功重新点燃工业界兴趣，刚性化成为最主要的设计杠杆。
对 Google 而言，这条叙事还有一条暗线：DeepMind 拥有 AlphaFold 与 Isomorphic Labs，覆盖从结构预测到分子设计的上
刘工判断：未来12个月内，头部药企中真正把这类通用智能体接入先导化合物优化环节的不会超过5家；但18个月内，“技能包”的形态大概率会从自然语言指令退化为一组被版本管理、带单元测试的确定性工具调用——研发流程要的是可复现，不是可对话。
从技术层面看，智能体在化学里能做好的事有一个共同特征：中间结果可验证。SMILES 能否被 RDKit 解析、子结构匹配是否命中、LogP 是否落在设定区间，这些都有确定性判据，模型错了会立刻暴露，闭环因此成立。Antigravity 的真正贡献是把这些确定性函数变成自然语言可调度的服务层，让化学家不必记 API。但成药性判断依赖大量负面数据——哪些结构做不出来、哪些晶型不稳定、哪些在动物体内暴露不足——这些锁在药企与 CRO 的电子实验记录里，公开语料几乎没有。所以技能包加速的是“可行域的枚举”，而不是“可行域的判定”。
在商业维度上，技能层的护城河远低于模型层。一套 Cheminformatics Skills 的实质是工具说明文档加脚本模板，竞争对手复制它需要的是化学家写文档的时间，而不是训练算力。这意味着 Google 在这里获得的不是壁垒，而是入口：先把化学家的一天留在 Antigravity 里，再卖 Gemini 的调用量。这也解释了为什么发布放在 DeepMind 博客而非云业务线——它更像生态占位，而非收入产品。
对行业而言，压力最先落在两类角色身上。一类是做分子筛选与 ADMET 预测的 SaaS 工具，其界面价值会被“一句话调用”稀释；另一类是 CRO 的报价单，如果智能体能在一小时内完成过去两周的枚举与初筛，按化合物计价的模式就需要重写。刘工在工业质检场景里的观察可以类比：视觉模型的准确率早就够用，真正拖慢产线的是判定标准的一致性——化学里对应的是成药性标准能否被写成可执行、可审计的规则。大环刚性化尤其如此，构象熵的收益必须与分子量、极性表面积、合成步骤数一起算账，画得漂亮不等于过得了关。
- 已上市大环类药物数量在数十个量级，占全部获批小分子的比例不足 2%；而单次大环化通常使分子量增加约 100–300 Da，口服小分子的经验上限约 500 Da，刚性化设计必须同时在这两笔账上做减法。
- 公开可枚举化合物库已达数十亿至数百亿级（ZINC 约 20 亿，Enamine REAL 为数百亿），全量虚拟筛选的算力成本以千美元计；智能体检索策略决定了是筛一万个还是筛一亿个，成本差距可达两到三个数量级。
- 口服环肽的膜渗透率通常处于个位数百分比以下，而刚性化大环的目标是把这一指标推入可成药区间，这是当前设计提案最需要被湿实验验证的单一参数。
- RDKit 内置六十余个分子描述符与多种指纹、子结构检索函数；过去调用它们需要手写 Python，如今由智能体生成脚本并回读结果，人力环节从“编码”前移到“审核”。
对行业而言，未来3个月最直接的变化是化学信息学工具的使用界面被重构：熟练写 RDKit 脚本的团队边际优势下降，而能定义“什么问题值得问”的团队价值上升，同时会冒出一批围绕 Antigravity 的第三方技能包。中期1年看，CRO 与 SaaS 厂商的计价方式会被迫调整，按化合物数量计价的筛选服务首当其冲，按“验证过的命中”计价可能成为新范式。
对普通用户而言，短期收益是明确的一线药物化学家可以在不写代码的前提下完成库内检索、性质计算与大环骨架枚举，重复劳动显著减少；但智能体提出的结构仍要过合成可行性这一关，合成化学家的负荷短期内反而上升。中期1年，最可能受益的是科研院所与小型生物技术公司——它们原本买不起完整的化学信息学套件，现在可用自然语言加开源工具补齐一部分能力。风险同样清晰：若提案无法被湿实验证伪，这些结构只会变成新的数据噪音。
值得继续思考的问题：
- “技能包”会不会取代传统化学信息学软件的操作界面，界面价值还剩多少
- 大环刚性化的构象熵账本：AI 提议的结构能否被合成、代价几何
- 通用智能体进入受监管研发流程后，可复现性与审计追溯该如何落地
延伸阅读：2026 主流 AI 大模型对比——不追热点也能长期有用的选型指南，收藏备用。
本条动态来自 DeepMind Blog（发布于 2026-11-03 17:01:49）。本站为海外 AI 动态的中文转述与观点评论，原文版权归原作者所有。
每日聚合海外 AI 一手动态与深度观点。收藏本站，不错过每一个重要信号；返回首页查看更多。
