谷歌Antigravity加速抗菌肽发现：科学智能体工具重构药物发现产业格局（跨库检索与蛋白质功能推断跑通全流程，算力底座与AI制药竞争格局迎来新一轮变量）

超级细菌危机与新武器，一次从数据库整合到候选分子的全流程压缩

抗菌素耐药性（AMR）被业界广泛比喻为"慢发生的疫情"。谷歌 DeepMind 在 2026 年 10 月 15 日的官方博文中援引了一项广为流传的权威预测：若不加以遏制，到 2050 年，AMR 或将导致全球每年约 1000 万人死亡。这不是孤立的悲观判断——GRAM 项目发表于《柳叶刀》的研究（2024）给出了更细的刻度：2021 年，细菌性 AMR 直接导致全球每年约 114 万人死亡、关联死亡约 471 万人，且该研究预测到 2050 年直接致死将升至每年 191 万人、关联死亡 822 万人（2050 年为预测值）。

与此同时，新药的补给线几乎枯竭。世界卫生组织（WHO）2024 年 6 月发布的抗菌药物管线报告指出：自 2017 年 7 月以来，全球仅13 款新抗生素获批上市，其中属于创新化学类别的只有 2 款。一边是不断进化的耐药病原体，一边是按传统研发范式近乎停滞的抗生素管线——这正是 AI 被寄予厚望的原因。

核心事件由此登场：2026 年 10 月 15 日，谷歌通过 DeepMind 官方博文披露，生物学家已使用其智能体开发平台 Google Antigravity 中的"智能科学工作台"（agentic science workbench），快速完成了新型抗菌肽的发现、结构评估与候选靶点筛选，并已锁定一种新型抗菌肽候选分子——预测其对呼吸道感染病原体具有活性，目前正进入湿实验室验证阶段。谷歌明确强调，截至发布，该分子仍是一个"计算先导物"（computational lead），而非已确认的药物。

科技媒体刊文介绍了谷歌 Antigravity 智能开发平台在生命科学领域的最新进展：该平台提供智能科学工作台，支持生物学家完成靶点的快速发现、结构评估与筛选，并把以往分散在多个数据库的检索动作收拢到单次会话。平台同时借助 ProtNLM 模型，帮助研究人员批量扫描 UniProt 库中数百万未表征蛋白质，模型以氨基酸序列为输入、直接输出功能推断。

具体的产出路径已经跑通：研究人员通过 Google Antigravity 发现了一种新型抗菌肽候选分子，预测其对呼吸道感染病原体具有活性，目前该候选分子正在进行湿实验室（wet-lab）验证。从行业侧的观察看，以往这类研发需要依赖多款彼此割裂的专业软件，而 Antigravity 把科学推理的全流程收拢到同一界面，研究者得以在更大的生物搜索空间中按更高效率筛出高置信度候选，把精力留给假设验证与实验设计。

这条技术新闻的产业含义超出单一工具范畴。药物发现长期受制于数据分散、工具割裂与验证周期漫长三重约束，"跨库检索、功能推断与候选筛选"的一体化工作流，直接压缩了从数据到候选分子的路径长度。它同时提出一个产业问题：当科学智能体（AI Agent for Science）工具开始承接生物信息处理的中游环节，药物发现的产业分工、算力需求结构与竞争格局将如何重排。

耐药性危机与科学智能工具的产业语境

理解这则新闻的分量，需要回到抗微生物药物耐药性（AMR，Antimicrobial Resistance）的全球治理背景。抗生素耐药性问题不断加剧，全球迫切需要新型抗生素，但新药研发往往缓慢且过程繁琐。抗感染药物的研发经济性长期偏弱：同类广谱药物的市场拥挤、耐药周期缩短研发回报、监管审评标准严格，使得大型药企对抗生素管线的投入意愿持续偏低，新型抗菌分子的供给与临床需求之间存在结构性缺口。

AI 方法为这一缺口提供了新的补位逻辑。蛋白质功能推断、分子生成与活性筛选等环节天然适合大规模并行计算，AI 模型可以在硅空间（in silico）中先完成大规模粗筛，把昂贵的湿实验资源集中投向高置信度候选。Antigravity 的抗菌肽发现正是这一逻辑的落地样本：模型以氨基酸序列为输入给出功能判断，跨库检索被整合进单次会话，候选分子在进入湿实验室之前已经完成计算侧的多轮收敛。

产业语境的另一半是算力与基础设施周期。科学智能体工具的可用性，建立在算力供给、云服务与数据基础设施持续扩张的基础上；而后者正处在明确的上升通道。

智能科学工作台：从跨库检索到单次会话

Antigravity 平台的工作流改造发生在三个层面。第一层是检索环节：以往生物信息处理需要在多个专业库之间往返、手动对齐格式，而智能科学工作台把分散搜索整合到单次会话中，检索、评估与筛选在同一界面内闭环。第二层是功能推断：ProtNLM 模型以氨基酸序列为输入、直接输出生物功能判断，使 UniProt 库中数百万未表征蛋白质成为可批量扫描的对象。第三层是候选决策：平台辅助研究人员在广阔生物搜索空间中筛出高置信度候选分子，人工精力转向假设验证与实验设计。

三层改造叠加，带来的不是单点提速，而是发现链路的整体重构。以抗菌肽发现为例，传统的"文献调研—检索比对—功能注释—候选筛选"链条被压缩为"会话式检索—批量功能推断—置信度排序"的短路径；研究周期中的信息处理环节占比下降，实验验证环节的相对权重上升。这一结构性变化意味着，药物发现的瓶颈正从"找得到"转向"验得动"：计算侧产出候选的速度越快，湿实验室的验证产能与实验设计质量就越成为决定性资源。

对科研组织而言，工作流重构还伴随参与门槛的迁移。智能体工具把跨库检索与功能注释这类重复性信息处理交给平台，中小科研团队无需自建完整的生物信息工具链即可参与前沿发现；而大型机构的竞争优势则向数据资产、湿实验产能与领域判断力倾斜。以平台内置的知识检索为例，跨源证据的汇聚与交叉比对在会话内即可完成，研究方案的迭代周期相应缩短。科学发现的分工正在从"工具能力分层"转向"问题定义与验证能力分层"。

Antigravity 智能科学工作台：把"数天的跨库检索"压进一次会话

Antigravity 并非一个单纯的聊天机器人，而是谷歌定位为"智能体开发平台"的科研基础设施。此次披露的"智能科学工作台"，解决的是生命科学研究中最耗时的一环：信息检索与整合。

传统流程中，一位研究者要确定一个候选抗菌靶点，往往需要在多个数据库之间反复跳转——序列库、结构库、文献库各自独立，交叉比对动辄耗费数天。而在 Antigravity 的工作流里，这一过程被压缩为"单次协作会话"：研究者负责设定生物学目标、把控研究策略；AI 智能体则承担跨数据库协调、蛋白质结构分析、文献综合等繁重工作。

值得注意的是，这并非谷歌在"AI 科学家"方向上的第一次落子。2025 年 2 月，Google Research 曾推出基于 Gemini 2.0 的多智能体系统 AI co-scientist，定位为"虚拟科学合作者"，用于生成新假设与研究方向；不过，官方并未明确说明 Antigravity 与这一前作的承接关系。可以确认的是，从"生成假设"到"执行研究流程"，谷歌正在把 AI 对科研的介入从点状的灵感辅助，推进到端到端的流程接管。

给上亿条蛋白序列库点亮功能标签：ProtNLM 破解"暗物质"

这次发现之所以可能，底层功臣是一个名为 ProtNLM（Protein Natural Language Model）的深度学习模型。它的能力可以被概括为一句话：直接读取氨基酸序列的进化"语法"，从原始序列预测生物功能。

问题的规模有多大？全球数据库中已积累数十亿条天然氨基酸序列，其中大量序列因与任何已知蛋白都不相似，功能至今未获标注，处于数据库的"暗物质"状态。以蛋白质序列权威库 UniProtKB 最新发布的 2026_02 版（2026 年 6 月 10 日）为例：人工审阅的 Swiss-Prot 库收录 575,503 条，自动注释的 TrEMBL 库收录 149,234,636 条，合计约1.5 亿条目（注：2026 年初 UniProtKB 完成大规模"参考蛋白组优先"重构，条目总数由 2026_01 版的约 2.03 亿降至约 1.5 亿（官方说明 accession 数量减少 43%））。

ProtNLM 的实效已有官方背书：UniProt 确认，超过 26,000 条 TrEMBL 未审阅条目现已包含由谷歌 DeepMind 合作方开发的 ProtNLM2 生成的 AI 功能注释，覆盖功能评论、亚细胞定位、关键词与 GO terms 等维度。对一个长期依赖人工策展的数据库而言，这意味着功能注释的供给曲线第一次被 AI 显著抬升——那些沉睡在数据库里的序列，开始有了被"唤醒"的通道。

抗菌肽与细菌素：病原体为什么难以耐药

回到本次发现的分子本身。抗菌肽，尤其是细菌素（bacteriocin）类，被视为传统抗生素最有前景的替代品之一，其逻辑优势在于：这类分子在自然进化中"学会"了靶向竞争细菌的基础弱点——从细胞包膜到胞内关键机器，攻击面广且贴近细菌生存的根本，因而病原体难以产生耐药性。这一序列池已被证明具有产出价值：商用细菌素 Nisin 已使用多年，近年的基因组挖掘还陆续产出 Darobactin、Dynobactin、Lariocidin 等新成果。

本次 Antigravity 工作流的演示细节也首次公开：研究目标设定为在 Streptococcus pseudopneumoniae（假肺炎链球菌）中发现并计算验证新型抗菌肽；最终锁定的候选物属于 Lactococcin 972 家族细菌素（UniProt ID: A0A0U0D591，长 97 个氨基酸）。研究者引导智能体通过 EMBL-EBI 的 NCBI-BLAST 对 Swiss-Prot 库验证其新颖性，并从 AlphaFold 蛋白质结构数据库调取 3D 模型，结构证据进一步支持了 ProtNLM 的功能预测。换言之，从"序列暗物质"到"有结构证据支撑的候选先导物"，整条验证链在 AI 协作下被显著缩短。

产业侧的呼应同样有力。中国药企普莱医药的 1 类创新药培来加南喷雾剂（PL-5，商品名"普亦克"）已于 2026 年 6 月获国家药监局（NMPA）批准上市，成为全球首个获批的 First-in-class 加南类抗菌肽药物，适应症为烧烫伤创面继发感染。抗菌肽从"实验室概念"走到"获批新药"，这条路径已被打通——而 AI 的加入，有望把路径上的发现环节进一步提速。

3D 画布与人机协作：科学家依然掌舵

Antigravity 工作台另一个值得关注的细节，是它对"人机协作界面"的重新设计。平台内置 Biomolecular Structure Viewer 三维可视化工具，智能体从 AlphaFold 数据库调取蛋白质结构并在共享 3D 画布上高亮关键功能区，研究者可以直接在 3D 空间中标记、就结构向智能体提问。

这背后是 AlphaFold 积累多年的结构资产：AlphaFold 蛋白质结构数据库已收录超过2 亿个蛋白质结构（DeepMind 于 2022 年公开，覆盖几乎所有已知蛋白质），其开发者 Hassabis 与 Jumper 因蛋白质结构预测获 2024 年诺贝尔化学奖（与因计算蛋白质设计获奖的 David Baker 共享该年度奖项）；目前该数据库已被全球 190 多个国家、超过 200 万研究人员使用。当 2 亿个结构、1.5 亿条序列、数十亿条氨基酸序列都能被智能体在一个会话内调用和交叉验证时，研究者的角色并未被削弱——恰恰相反，他们从数据搬运中解放出来，专注于提出更好的生物学问题。

范式意义与展望：干湿闭环时代的算力反攻

把这次事件放进更大的坐标系，它是 AI 制药产业加速奔跑的一个切片。

资本已经用真金白银投票：谷歌 DeepMind 2021 年分拆出的 AI 制药公司 Isomorphic Labs（CEO Demis Hassabis）于 2026 年 5 月完成21 亿美元B 轮融资，由 Thrive Capital 领投，Alphabet、淡马锡等参投，被媒体称为全球 AI 制药领域单笔最大融资。技术侧，Isomorphic Labs 2026 年 2 月发布的 AI 药物设计引擎 IsoDDE，在蛋白-配体结构预测基准 Runs N' Poses 上精度较 2024 年的 AlphaFold 3 提升一倍以上。

市场规模同样在陡峭爬升：按 Grand View Research 口径，全球 AI 药物发现市场规模 2023 年约 14.9 亿美元，预计 2030 年达91.7 亿美元，2024–2030 年复合年增长率约 29.6%（均为预测值，据 Grand View Research；另有 Arizton 口径 2024 年约 17.1 亿美元→2030 年约 85.2 亿美元，CAGR 约 30.58%）。科技巨头则加速构建"干湿闭环"——AI 干实验预测与实体湿实验室验证互相咬合：Anthropic 已在旧金山湾区建成湿实验室；字节跳动分拆的 AI 制药公司 Anew Labs 完成 2.9 亿美元首轮融资、投后估值 15 亿美元。据 PitchBook，近 10 年风投已向 AI 制药领域累计投入超过 400 亿美元。

回到主线：谷歌 Antigravity 这次演示的真正意义，不在于一个候选分子本身——它尚未通过湿实验验证，甚至还算不上一条管线——而在于它展示了一种可复制的科研范式：研究者设定目标，AI 完成跨库检索、功能预测、新颖性验证与结构评估的全流程串联，原本数天的分散工作被压缩进一次协作会话。科研周期被压缩、生物学研究门槛被降低，这正是"AI for Science"从论文走向生产力工具的标志。

接下来值得盯住的节点，是这一 Lactococcin 972 家族候选分子在湿实验室中的活性验证结果。如果计算预测与实验数据能够闭环，"用 AI 在序列暗物质中淘金"将获得第一个来自 Antigravity 的实证；而面对 2050 年那个每年约 1000 万人的预测数字（预测值），人类需要的正是这样一条被算力加速的补给线。

算力与平台经济性：科学智能体工具的资源底座

资料来源：['WSTS', 'SEMI', 'Gartner', 'IDC']，集微咨询（JW Insights）整理

资料来源：['Gartner', 'IDC', 'WSTS']，集微咨询（JW Insights）整理

科学智能体工具的普及并非无本之木，其资源底座是持续扩张的算力与半导体基础设施。据SEMI统计，SEMI预测2026年全球半导体制造设备销售将创纪录地达到1659亿美元，同比增长23.2%，2028年进一步升至2295亿美元。设备销售的高景气对应晶圆厂产能扩建与先进制程投资的上行，为科学计算所需的GPU、高带宽存储与数据中心扩产提供产线基础。

支出侧的口径同样明确。Gartner预测2026年全球AI支出2.59万亿美元，同比增长47%；IDC 把2026年AI基础设施支出的预测值上调至4970亿美元，数据中心半导体收入4771亿美元、四大超大规模厂商资本开支同比增加70%至约6000亿美元，同属该机构本轮更新口径。三组口径共同指向一个判断：AI基础设施投入仍处于加速通道，科学计算作为AI应用的一个分支，其算力供给与云侧容量具备扩张基础。

把口径落到科学智能体场景，平台经济性体现在三个边际变化上。其一，单位科研算力成本随基础设施规模效应缓慢下行，云端科学计算服务降低了前沿工具的使用起点；其二，平台化工具把分散的算力需求聚合为标准化负载，供电商与云厂商可以按统一规格扩容；其三，半导体供给的充裕度决定了工具并发能力的上限，设备销售额的持续增长为工具用户规模扩张保留了物理空间。三者叠加，科学智能体工具从"实验室尝鲜"走向"科研标配"的资源条件正在成熟。

科学智能体工具重构药物发现工作流

工作流重构的需求数据同样清晰。据IDC测算，中国智能算力规模2026年达到2576.5 EFLOPS，同比增长87.9%，到2030年将升至10524.3 EFLOPS。智能算力的两年翻倍节奏与生命科学场景的数字化进程相互印证：基因组学、蛋白质组学与高通量实验产生的数据规模持续膨胀，对"数据整合—模型推断—实验设计"一体化平台的需求随之抬升。Antigravity 把跨库检索收拢进单次会话的能力，正是这一需求的具体回应。

从市场结构看，重构将沿三条路径展开。其一，中游发现环节平台化：库检索整合、功能推断与候选排序被封装为标准能力，生物信息处理的外包需求向平台迁移。其二，湿实验环节相对升值：计算侧候选产出加速后，验证产能成为稀缺资源，拥有自建湿实验室或紧密 CRO（Contract Research Organization，合同研究组织）网络的团队获得议价优势。其三，专有资产分层：公共库（如 UniProt）提供基准能力，机构自持实验数据的边际价值上升，数据治理能力成为新的竞争壁垒。

路径演化的节奏取决于两个外部变量：算力供给的持续性与验证网络的扩容速度。前者的量化口径见上一节，后者的建设周期更长，短期内仍以头部机构的存量产能为主。这一约束决定了重构在短期内以"平台工具渗透"为主线、以"验证能力扩建"为第二阶段主线，两条主线的时间差本身就是产业机会窗口。

AI制药竞争格局与梯队分化

把 Antigravity 的抗菌肽发现放回 AI 制药的坐标系，可以看到科技巨头与专业公司的路线分化。谷歌的路径是"平台化"：以 AlphaFold 系列确立结构预测能力，以 Antigravity 智能开发平台承载科学推理流程，把从检索比对到候选筛选的完整链条封装为通用工具。专业 AI 制药公司的路径则是"管线化"：围绕自研的生成模型与活性筛选能力推进自有候选分子，以临床管线资产为价值锚点。两条路线的资源禀赋与回报结构不同，前者赚的是平台与算力的钱，后者赚的是管线权益的钱。

能力维度的竞合关系同样清晰。蛋白质功能推断（ProtNLM 的方向）、结构预测（AlphaFold 的方向）与分子生成（蛋白质设计模型的方向）构成三条技术主线：功能推断解决"这段序列做什么"，结构预测解决"它长什么样"，分子生成解决"设计一段新序列"。Antigravity 整合前两条主线的能力用于发现环节，而生成式设计仍是专业公司的纵深地带。三条主线的交汇点在于湿实验验证——无论哪条路线产出的候选，最终都要回到实验室接受检验。

梯队分化的产业含义在于分工的明确化。科技巨头以平台工具扩大科学计算的通用基座，吸引开发者与科研机构进入生态；专业公司则在特定治疗领域把 AI 能力转化为管线资产；传统药企则以合作与授权方式吸收两侧成果。对生命科学产业链而言，三方的接口正在标准化：平台输出候选与证据，专业公司输出管线与临床数据，药企输出放大与商业化能力。接口越标准化，各梯队就越能聚焦自身比较优势，产业整体的发现效率随之抬升。

公共卫生价值与商业化路径

Antigravity 抗菌肽样本的公共卫生价值具有方向性意义。新型抗菌肽候选分子针对呼吸道感染病原体且已进入湿实验室验证，若验证结果成立，"AI 计算发现+湿实验确证"的路径将为抗感染药物供给提供一条成本更低、节奏更快的补充线。对公立卫生体系而言，这类平台的普及意味着应对耐药性危机的工具箱中多了一个高吞吐选项；对药企而言，平台化的发现能力可以显著压缩早期发现的固定成本，把研发预算向后端的临床验证与放大生产倾斜。

商业化路径上，平台型工具的变现结构相对清晰：以云端订阅与按量计费承接科研机构的日常使用，以企业级部署与定制模型服务承接药企的管线项目，以生态合作承接工具链与数据接口的延展。平台的价值天花板取决于两个粘性来源——工具链的完整度与科研工作流的嵌入深度。Antigravity 把科学推理的全流程收拢到同一界面的产品取向，指向的正是工作流嵌入：一旦研究团队的日常处理依赖平台，迁移成本将成为持续的护城河。

监管与数据治理是商业化绕不开的一环。药物发现的关键节点仍须以真实实验数据为准，模型输出只能作为候选排序与假设生成的依据；阴性数据与失败实验的沉淀方式，将直接影响平台推断能力的迭代质量。对平台方而言，在合规框架内设计数据回流机制，把科研机构与药企的验证结果转化为模型改进燃料，是决定长期竞争力的隐性工程。

需要保持审慎的是，平台化路径的商业兑现存在时间差。工具订阅收入的增长节奏取决于科研预算的周期，管线合作收入的兑现则以年为单位的验证周期为前提；两个收入引擎的错峰意味着平台方在早期需要以算力与云服务的规模效应对冲研发投入。对产业观察者而言，判断平台型公司成色的重要标尺，是其从"演示能力"到"被科研工作流真实采纳"的转化证据——使用量、机构客户数与基于平台产出候选的后续验证进展，是比参数更值得跟踪的指标。

趋势研判与后续观察点

向前推演两个季度，科学智能体工具在生命科学领域的渗透有望沿"工具平台化→解析门槛下降→候选产出加速→验证瓶颈前移"的因果链继续演进。基本盘的支撑来自两组口径：其一，WSTS春季预测口径下，2026年全球半导体市场规模达1.51万亿美元（超过1.5万亿美元），同比增长约90%，其中存储器规模超8000亿美元；其二，Gartner口径下2026年全球AI支出2.59万亿美元、同比增长47%。半导体市场的高增长与AI支出的扩张互为表里，为科学计算场景的算力供给与平台迭代提供持续投入的产业基础。

结构性变化值得关注三处。供给端，存储器市场的高增长与AI基础设施支出上调相互印证，科学计算所依赖的数据中心容量在高价位环境下仍将扩张，但科研机构获取算力的实际成本需要持续跟踪；工具端，智能体平台从编程场景向科学场景的迁移刚刚起步，功能推断、实验设计与文献推理等模块的成熟度将决定渗透斜率；需求端，湿实验验证产能的建设周期长于软件迭代，验证环节的供需缺口可能先于工具能力成为产业的主要约束。

后续观察建议聚焦四项指标。其一，本次发现的抗菌肽候选分子的湿实验室验证结果及其后续论文与专利动向；其二，Antigravity 科学工作台在科研机构与生物技术公司的采纳广度，包括平台工具链的更新节奏；其三，AI 设计候选分子进入临床前与临床阶段的数量变化，尤其是抗感染领域的管线进展；其四，全球半导体设备销售额与 AI 基础设施支出的季度执行情况，作为科学算力供给的前瞻指标。四项指标中任意一项的显著偏离，都将修正本文关于科学智能体渗透节奏的判断。

就产业节奏给出一个可校验的基准判断：平台工具侧的迭代以月为单位，湿实验验证以季度为单位，临床转化以年为单位，三层的周期错配决定了科学智能体工具的产业红利将率先体现在发现环节的效率指标上，而非直接体现在新药获批数量上。对研究者而言，短期最现实的价值是把重复性的检索、比对与注释工作交给平台，把节省的时间投向实验设计与结果解读；对投资与产业决策者而言，值得跟踪的是平台使用数据与验证产能扩张之间的匹配度——前者跑得太快而后者跟不上，候选分子的积压反而会摊薄发现效率的提升。以本文引用的口径为基准，未来两个季度内上述四项指标的走向，将检验这一判断的成色。