AI 智能体正在从「帮人写代码」走向「帮人做科学」。Google DeepMind 最新公布的方向，是把 Google Antigravity 用于加速新型抗菌肽（antimicrobial peptides）的搜索。
发生了什么
根据 Google DeepMind 发布的信息，团队正在使用 Google Antigravity for Science，加速对新型抗菌肽的搜索。抗菌肽是一类天然或人工设计的短肽分子，被认为有潜力对抗耐药细菌。此次动作的核心，是把 Antigravity 这一智能体/开发环境能力，从软件工程场景迁移到科学发现流程中，让 AI 承担搜索、筛选与假设生成等环节。
需要说明的是，目前公开信息只给出了方向性描述，没有披露具体候选分子数量、实验验证结果或合作机构。因此更准确的解读是：这是一次「能力迁移」的公开信号，而非一次已完成的药物发现成果发布。
为什么重要
抗菌肽之所以值得用 AI 去搜，是因为它的搜索空间极大而验证成本极高。肽链由氨基酸序列构成，长度、组成、电荷分布、疏水性等维度共同决定活性与毒性，可能的序列组合远超人工试错能覆盖的范围。传统做法依赖天然来源筛选和实验室逐条验证，周期长、失败率高。
与此同时，抗生素耐药性是一个长期且紧迫的公共卫生议题：新抗生素的研发速度，长期跟不上耐药菌的演化速度。任何能压缩「候选分子筛选」这一前置环节时间的技术，理论上都能让更多资源流向真正需要实验验证的部分。
更深一层的意义在于范式。过去几年，AI 在生命科学中的角色主要是预测结构、预测性质，属于「给定输入、输出判断」。而智能体形态的介入，意味着 AI 开始承担多步骤的科研流程：提出候选、调用工具评估、根据反馈迭代、决定下一步查什么。这正是 Antigravity 这类产品被放进科学语境的关键看点。
影响与看点
对科研团队而言，值得关注的是这类工具能否真正接入湿实验闭环。计算筛选再快，最终仍要回到实验室合成与活性测试，AI 的价值取决于它提出的候选是否「值得测」——命中率和多样性比生成数量更重要。
对开发者与 AI 从业者而言，这是一个观察智能体能力边界的样本：当任务从「写函数」变成「设计分子」，工具调用、长程规划、结果评估的难度都会显著上升，也更容易暴露当前智能体的短板。
对行业而言，Google DeepMind 把 Antigravity 与科学场景绑定，说明大厂正在争夺「AI for Science」的工作流入口，而不只是模型能力本身。谁能把智能体、领域工具与实验数据串成闭环，谁就更可能定义下一代科研基础设施。
一句判断：抗菌肽只是切口，真正的竞争在于 AI 智能体能否被科学界信任为「可复现的研究协作者」，而这需要实验数据来回答，不是发布公告能回答的。
