Google DeepMind 今個月喺官方 blog 公佈咗一套 Cheminformatics Skills，接駁佢哋嘅代理平台 Google Antigravity，目標係將呢個平台變身做協作式科學工作台，讓計算化學同實驗化學家喺同一個界面入面處理分子數據。
呢套工具嘅核心思路係分工：底層語言模型負責工作流程編排（workflow orchestration）、資料庫導覽同科學推理，而真正嘅分子計算則交由 RDKit、ChEMBL 同 PubChem 呢啲成熟嘅確定性工具執行。RDKit 係個開源化學信息學工具包，由全球開發者社群維護咗超過二十年；ChEMBL 同 PubChem 則係藥物化學領域嘅 curated 資料庫。呢個分工設計嘅意思係，LLM 唔使自己「估」分子計算結果，而係將任務委派俾可信賴嘅專有工具。
圖片：The wub／CC BY-SA 4.0／Wikimedia Commons
Blog 入面用咗「剛性化」（rigidification）作為示範案例。簡單講，藥物分子入面嘅可旋轉化學鍵會令分子喺溶液中扭動成多個三維構象，要同靶點結合就得鎖死喺某一個特定形狀，呢個過程會產生熵代價，削弱結合親和力。藥劑師嘅傳統做法係添加第二條化學鍵，將兩個子結構「鎖」在一起，預付呢個熵代價。文章引用咗 crizotinib（第一代小分子酪胺酸激酶抑制劑，用於非小細胞肺癌）同 lorlatinib（第三代，結構上喺末端環化，將有效可旋轉鍵數降至零）作為成功剛性化嘅例子。
值得留意嘅係，Google 冇講到呢套工具嘅具體推出範圍、開放條款或者定價，亦冇提供獨立第三方測試數據。文章入面嘅所有功能描述嚟自 Google 自家 blog 嘅技術 walkthrough，屬於廠商示範性質。
阿調搞兩下：呢個架構值得肯定嘅地方，係 Google 冇要求 LLM 自己「猜」分子計算結果，而係將確定性計算委派俾 RDKit 呢啲有二十年歷史嘅開源工具。呢個係目前 AI agent 做科學計算時比較穩健嘅設計方向——讓模型做推理，讓工具做計算。不過，呢個 blog 入面冇任何獨立驗證數據，冇使用者反饋，亦冇講到工具嘅可用性同部署條款。對想跟進嘅科研機構嚟講，值得留意呢個功能目前係點樣開放、有冇地區限制、同埋實際工作流程入面嘅成功率。呢啲先係判斷一個 AI agent 工具真正實用嘅標準，而唔係廠商嘅 walkthrough 文章。
