Google на I/O 2026 представила Gemini for Science — набор экспериментальных AI-инструментов для исследовательских команд. Для русскоязычной IT-аудитории новость важна не только как еще один анонс из мира генеративного ИИ: речь идет о попытке встроить модели в саму механику научной работы — от формулировки гипотез до чтения статей и постановки вычислительных экспериментов.
По данным Engadget, в коллекцию Gemini for Science вошли три ключевые функции: Hypothesis Generation, Computational Discovery и Literature Insights. Google также отдельно запускает Science Skills — инструмент, который умеет работать более чем с 30 крупными базами и сервисами в области life sciences. Доступ к новым возможностям компания начала открывать постепенно с 19 мая 2026 года: подать заявку можно через Google Labs, а корпоративным клиентам их предложат через Google Cloud.
Состав набора выглядит так, будто в Google разложили научный процесс на понятные этапы и поставили на каждый свой AI-слой. Hypothesis Generation отвечает за раннюю стадию исследования: инструмент анализирует миллионы научных публикаций и помогает сформулировать гипотезы, а также обнаружить пробелы и спорные места в существующих работах. Важно, что Google отдельно акцентирует проверяемость результатов: выводы должны сопровождаться кликабельными ссылками на источники. Для исследователя это критично, потому что красивые формулировки без опоры на литературу в науке стоят примерно столько же, сколько презентация без данных на совете директоров.
Следующий этап — Computational Discovery. Google описывает его как agentic search engine, то есть поисково-исследовательский инструмент с более самостоятельным поведением, чем у обычного чат-бота. Его задача — быстро генерировать тысячи тестов и вычислительных экспериментов, которые вручную занимали бы заметно больше времени. Формулировка у Google амбициозная, но довольно прагматичная: компания не обещает, что модель сделает научное открытие вместо команды, зато обещает резко сократить объем рутинной переборной работы. Для тех, кто строит внутренние R&D-процессы, это, вероятно, самая интересная часть анонса: не новый интерфейс к статьям, а попытка ускорить цикл проверки идей.
Третья функция, Literature Insights, закрывает еще одну боль научных и продуктовых команд — перегрузку публикациями. Инструмент работает как AI-ассистент по научной литературе: просматривает статьи и выдает более удобные форматы для восприятия, включая отчеты, инфографику, а также аудио- и видео-обзоры. Для академической среды это способ быстрее ориентироваться в массиве работ по узкой теме. Для бизнеса — еще и потенциальный мост между исследователями, менеджерами и руководителями, которые не всегда готовы читать десятки первоисточников, но хотят понять, что происходит в конкретной области, какие гипотезы выглядят перспективно и где есть окно для продукта, патента или пилота.
Отдельно стоит посмотреть на Science Skills. Google говорит, что этот инструмент умеет вытаскивать инсайты более чем из 30 крупных баз данных и профильных систем для life sciences и позволяет выполнять сложные, часто ручные рабочие цепочки за минуты, а не за часы. В терминах корпоративной автоматизации это, пожалуй, самая приземленная часть всего пакета. Не «ИИ для науки» в рекламном смысле, а коннекторный слой между моделью, данными и исследовательскими пайплайнами. Если обещание хотя бы частично подтвердится на практике, выиграют не только ученые, но и инженерные команды, которым приходится собирать внутренние инструменты поверх разрозненных источников данных, API и старого лабораторного ПО.
Контекст у анонса понятный: крупные техкомпании давно пытаются доказать, что ИИ полезен не только для написания писем, генерации картинок и сокращения встреч в календаре. Научные исследования выглядят для этого почти идеальной витриной. Здесь много дорогой ручной работы, большой объем разнородной информации, высокая цена ошибки и постоянная потребность в ускорении цикла от идеи до результата. Но именно поэтому к таким системам будут и самые жесткие требования. Если AI-инструмент помогает сформулировать гипотезу, он должен показывать, откуда она взялась. Если он предлагает тысячи тестов, команде нужно понимать логику отбора. Если он пересказывает литературу, важно не потерять нюансы, на которых потом держится весь вывод.
Для разработчиков и IT-руководителей из этой истории следует практичный вывод. Gemini for Science — это не просто вертикальный продукт для лабораторий, а сигнал о том, как будет выглядеть следующий этап enterprise AI: не один универсальный чат для всех, а набор специализированных агентов и интерфейсов под конкретный рабочий процесс. Сегодня Google показывает это на научных задачах, завтра тот же подход можно ожидать в фарме, промышленном R&D, кибербезопасности, юридической аналитике и других отраслях, где ценность возникает не от самого текста модели, а от связки «источники, проверяемость, автоматизация шагов, интеграция в существующий стек».
Главный вопрос теперь не в том, сможет ли ИИ читать статьи быстрее человека — с этим рынок уже более-менее определился. Вопрос в другом: насколько Gemini for Science окажется пригодным для реальной исследовательской работы, где мало впечатлить демо и много где нужно выдержать требования к воспроизводимости, ссылочной дисциплине и качеству эксперимента. Если Google удастся пройти этот тест, у корпоративного AI появится еще один убедительный сценарий применения — не про удобство, а про ускорение самого процесса создания нового знания.