2
0今天的这篇的主题是： Accelerating Scientific Research with Gemini in the Real-World
Seventy3 是一档借助 NotebookLM 解读前沿论文的播客——不是念摘要，也不是泛泛而谈，而是让 AI 帮你把论文掰开揉碎，说人话。我们蹲在人工智能、大模型、机器人算法、crypto 这几个领域，每期挑一篇值得关注的工作，用对话的方式聊给你听。你可以在通勤路上听，做实验的时候听，也可以当背景音放着，让新知识自然地长进脑子里。
如果你正在做有意思的研究，想让更多人看到——不管你是博士生、独立研究者还是实验室的博士后——把论文发给我们，我们帮你用 AI 做一期深度解读，让你的工作被更多同路人发现。
联系小助手微信：eccstartup（加群/投稿论文）
Summary
我们介绍了 Co-Scientist 的扩展版本及其全面的真实世界验证。Co-Scientist 是一个基于 Gemini 的多智能体系统，旨在加速从假设生成、实验执行到论文撰写的端到端科学研究流程。
这一专门配置突破了以往仅在计算机模拟环境（In Silico）中生成科学假设的局限，使 Co-Scientist 转变为一个以实际执行为基础的科研合作伙伴，推动材料科学、生物学和计算机科学领域的闭环科学研究工作流。
在材料科学领域，Co-Scientist 与一台半自动化化学气相沉积（Chemical Vapor Deposition，CVD）反应器对接，为 MXenes 材料设计了一条安全的前驱体合成路线。实验执行成功制备出一种层状二维材料，其关键结构特征与 Ti₃C₂Tₓ MXene 晶格具有相似性，但仍需进一步实验来确认其原子结构。
此外，借助 Gemini 3 Deep Think 实现快速的实验室在环（Lab-in-the-Loop）执行，Co-Scientist 能够在数分钟内根据实验室的实际约束条件定制材料生长方案，并成功通过单次尝试生长出单层 MoS₂、MoSe₂ 和 WS₂ 半导体材料。
在生物学领域，Co-Scientist 利用稀疏的成像数据，预测了工程化大肠杆菌（E. coli）在不同诱导剂（IPTG）浓度梯度下涌现出的群集运动表型（Swarming Phenotypes）。其预测结果与尚未发表的湿实验（Wet-Lab）形态学测量数据在定量上高度吻合。
在计算机科学领域，Co-Scientist 自主发现了一种推理时扩展（Inference-Time Scaling）架构。该架构在 HealthBench（Hard 和 Professional）基准测试中超越了六个前沿模型，并在医生盲评中降低了潜在的临床伤害风险。
最后，我们开展了一项针对端到端自动生成科研论文的双盲研究，邀请 30 位领域专家完成了共计 450 次评审。结果表明，Co-Scientist 的可靠性模块能够减少幻觉和抄袭现象，同时提高科学研究的安全性。
总体而言，这些结果表明，我们正朝着能够加速真实世界科学发现的闭环多智能体科学 AI 系统迈出重要一步。
原文链接：arxiv.org
