RUITA / DAILY BRIEF ·
Gemini 4 Carbon 面向开发者和科研用户开放:Google展示 AI 从实验记录中找出混样问题
Google 开放 Gemini 4 Carbon,并公布多项科研案例:模型根据实验记录和原始数据发现自动混匀异常;另参与 Signal 协议形式化验证,并在 CASP17 的 7 个低同源蛋白家族上平均找回 40 倍远缘同源序列。
核心信息
- 01
Google 于 2026 年 11 月 10 日开放 Gemini 4 Carbon,面向开发者、企业、科学家和消费者。
- 02
在 Google 描述的酶检测案例中,Carbon 根据实验记录本和原始数据,识别出深孔板自动混匀不充分造成的异常;Google 还称它帮助发现色谱峰和微量样本残留问题。
- 03
Google 称,AlphaProof Code 使用 Carbon 与其他模型协助验证 Signal 加密协议代码,生成数百万行 Lean 代码,数周内证明关键安全性质。
- 04
Google 称,在 CASP17 盲测的 7 个低同源蛋白家族中,Carbon 平均将找到的远缘同源序列数量提高 40 倍。
- 05
面向科学家的使用计划扩展到 Carbon,需按资格和名额申请。
模型从实验记录里找到了“混匀不充分”
Google 11 月 10 日宣布 Gemini 4 Carbon 开放,并把它定位在长流程任务、科学推理和复杂数据分析。酶检测案例中,研究人员给模型实验记录本和原始数据,Carbon 找到深孔板自动混匀不充分留下的异常信号。
Google 还称,模型帮助分析色谱峰,并发现仪器中的微量样本残留。这样一来,AI 可以先扫描记录、指出值得回看的步骤,再由熟悉仪器和实验的人复核。
发布还介绍了代码验证和蛋白质研究
在另一项案例中,Google 的 AlphaProof Code 框架让 Carbon 与其他模型一起参与 Signal 加密协议代码的形式化验证。Google 称,智能体生成了数百万行 Lean 代码,研究团队在几周内证明了关键安全性质;这类工作过去通常需要专家团队多年。
在蛋白质研究中,Google 团队使用多智能体流程搜索远缘同源序列。在 CASP17 盲测的 7 个低同源蛋白家族里,Google 报告称平均找回的同源序列数量提高 40 倍,为结构预测提供更多可用信息。
先让 AI 找线索,再由实验人员核实
课题组可以先拿已有明确结果的实验记录做回顾性排错,让模型指出哪些样本、步骤或记录值得回看,再由熟悉仪器和实验流程的人复核。这样既能利用它扫描多份材料,也能把最终判断留给研究人员。
Google 同时把 Carbon 纳入面向科学家的项目,申请者须符合资格并按名额滚动筛选。模型也通过 API 和企业产品提供,具体入口和适用地区要以对应产品页面为准。