当 AI 编程智能体还在争夺开发者的编辑器时，Google DeepMind 把它推向了另一个高门槛领域：药物化学。
发生了什么
Google DeepMind 发布了一项名为「Agentic cheminformatics with Google Antigravity」的工作，核心是把 Antigravity 这一智能体平台与团队构建的「化学信息学技能（Cheminformatics Skills）」结合。按官方摘要，这套组合能加速药物发现工作流、执行化合物检索，并提出结构新颖的刚性化大环（rigidified macrocycles）分子方案。
需要说明的是，公开信息目前停留在能力描述层面：DeepMind 没有披露具体的模型版本、性能数字或验证方式，因此这里不做量化推断。可以确认的是方向——把化学信息学的工具链封装成智能体可调用的「技能」，让模型不只是回答问题，而是驱动检索、筛选与分子设计的一整套流程。
为什么重要
药物发现长期是一个「工具很多、串联很难」的领域。化学信息学软件、化合物数据库、分子对接与性质预测工具各自成熟，但把它们组织成一条可复现的工作流，往往依赖资深计算化学家的经验。智能体的价值恰恰在于编排：理解任务意图，选择工具，读取结果，再决定下一步。
「技能」这一提法值得注意。它意味着能力不是塞进模型权重，而是以可插拔模块的形式挂载——这与近期智能体生态中工具调用、技能库的思路一脉相承。对 DeepMind 而言，这也是把 Antigravity 从通用智能体平台延伸到垂直科学场景的一次示范。
至于刚性化大环，这是药物化学中一类颇具挑战的分子形态：大环化合物能占据传统小分子难以触及的结合口袋，但构象灵活、合成与成药性控制困难，「刚性化」正是为了约束构象、提升选择性。让模型主动提出这类分子，比生成普通小分子更能体现设计能力，也更容易暴露幻觉问题。
影响与看点
对计算化学与 AI 制药团队来说，信号很直接：智能体的竞争正从写代码转向科研工作流。如果这类「技能 + 智能体」的范式被验证，药物化学家的日常可能从手动操作软件，转为审阅智能体给出的候选方案与推理链。
值得关注的还有三点：一是可验证性，分子提案必须能被合成可行性与性质预测工具回检，否则只是漂亮的化学幻想；二是数据与工具接口的开放程度，决定外部团队能否复用；三是评测标准，目前业界缺少针对「智能体化学设计」的公开基准。
我的判断是：这类发布短期内更像能力宣示而非产品交付，但它把「智能体做科学」从演示推进到了具体学科的工具层，这个方向比单点模型指标更值得跟踪。
