Google DeepMind、科学研究向け AI エージェントの Science Skills を公開

Google Research は 2026年5月28日、Google I/O 2026 における研究向け AI の発表をまとめ、その中で Google Antigravity から利用できる Science Skills に触れました。あわせて Google DeepMind は、Science Skills for Antigravity の論文PDFと GitHub リポジトリを公開しています。

要点

• Science Skills は、Google Antigravity 向けの科学研究用エージェントスキル集
• Google DeepMind Science team が作成し、初期対象は生物学・ライフサイエンス領域
• AlphaFold Database、AlphaGenome API、UniProt、InterPro など、30超の生命科学データベースやツールの知識をエージェントに接続する
• 構造バイオインフォマティクスやゲノム解析のような複雑な研究ワークフローを、より短時間で実行できることを狙う
• Google の Gemini for Science、Antigravity、Co-Scientist、ERA、AlphaEvolve と同じ科学研究向け AI の流れに位置づく

今回の発表で語られていること

Science Skills は、汎用エージェントを科学研究にそのまま使うと起きやすい問題を埋めるための仕組みです。科学研究では、単にもっともらしい説明を生成するだけでは不十分です。どのデータベースにアクセスすべきか、どの識別子を使うべきか、どの論文や一次データに根拠を置くべきか、どの解析手順を踏むべきかが重要になります。

Google DeepMind のPDFでは、Science Skills は Google Antigravity に科学領域の指示、コード、データ参照を追加するものとして説明されています。初期の焦点は、ゲノミクス、トランスクリプトミクス、制御生物学、プロテオミクス、構造生物学、ケモインフォマティクス、臨床橋渡しなどです。つまり、研究者が手作業で複数の専門データベースを行き来していた部分を、エージェントが文脈に応じて使えるようにする試みです。

Google Research の I/O まとめでは、Gemini for Science の一部として、Literature Insights、Hypothesis Generation、Computational Discovery などの研究支援ツールも紹介されています。Science Skills はそれらと同じ方向、つまり AI を単なる検索・要約ツールではなく、科学的な仮説生成、文献統合、計算実験、データ解析の補助に使う流れにあります。

興味深いのは、Google DeepMind が Science Skills を性能改善だけでなく、信頼性と効率の改善として評価している点です。PDFでは、Antigravity に Science Skills を追加することで、科学ワークフローの成功率が上がり、必要なトークンやモデル呼び出しも減ると説明されています。これは、より大きいモデルを使うだけでなく、エージェントに正しい道具と手順を持たせることが重要だという示唆です。

対象になりそうなチーム

• ライフサイエンス、創薬、ゲノム解析、構造生物学に関わる研究チーム
• 科学研究向けの AI エージェントや研究支援ワークフローを検討する開発チーム
• Google Antigravity や Gemini 系のエージェント基盤を研究用途で評価するチーム
• 論文、一次データベース、解析コードを横断する研究業務を効率化したい組織

実務で確認したいポイント

研究用途で使う場合は、エージェントが参照したデータベース、取得した識別子、実行したコード、生成した解釈を記録できるかが重要です。科学研究では、結果が速く出ること以上に、根拠の追跡、再現性、専門家レビュー、誤り訂正が求められます。Science Skills を試す場合も、出力をそのまま結論にするのではなく、研究者が検証できる形でワークフローを設計する必要があります。

また、対象領域が初期段階では生物学・ライフサイエンス寄りである点にも注意が必要です。他分野に広げるには、同じように品質確認済みのデータソース、手順、評価タスクを用意する必要があります。エージェントのスキルは便利な反面、古い手順や誤った前提を固定化するリスクもあるため、更新管理と評価が欠かせません。

結局、この発表をどう見るべきか

Science Skills は、AI エージェントを科学研究へ入れるための「専門知識と道具の束」です。モデル単体の賢さだけでなく、信頼できるデータ、検証可能な手順、研究者が確認できる出典をどう組み込むかが、科学向け AI の実用性を左右します。