Google：ERA——自动化科学代码编写的AI系统
Google在《自然》杂志发表ERA（实证研究助手）——基于Gemini的系统，通过树搜索评估数千种计算方法并自动化编写专业科学软件。Computational Discovery平台已向研究人员开放，通过Google Labs提供访问。
本文由人工智能基于一手来源生成。
2026年5月19日，Google在《自然》杂志发表了关于ERA（实证研究助手）系统的论文——这是一款基于Gemini模型、自动化迭代科学代码编写与优化过程的AI工具。
ERA是什么，树搜索如何运作？
ERA解决了研究工作中的一个根本瓶颈：为寻找最佳方法而无限重复计算实验。系统接收科学问题描述和成功标准，然后自主搜索文献、编写代码、组合技术并评估结果。
核心创新是树搜索优化——一种同时评估数千种可能解决方案的系统性搜索技术。ERA不是线性测试，而是构建可能方法的树形结构，识别最有希望的分支并将计算资源引导向它们。结果是达到专家级代码质量，无需研究人员经历惯常的迭代过程。
ERA在哪些领域超越了现有模型？
演示涵盖六个领域。ERA生成的流感、COVID和RSV感染预测在CDC公开排行榜上始终名列前茅，超越传统集成模型。在水资源管理方面，系统产生的春季径流早期估计比加州官方Bulletin 120报告显著更准确。ERA还开发出具有前所未有时空分辨率的大气CO₂模型，在经济领域零售预测与商业共识估计持平。
Computational Discovery——ERA和AlphaEvolve技术的公开访问
与《自然》发表同步，Google通过Google Labs推出了Computational Discovery——一个将ERA与AlphaEvolve技术相结合的实验平台。该平台是Gemini for Science更广泛计划的一部分，通过可信测试者计划向研究人员开放。
所有演示都附有在GitHub上以八篇手稿形式发布的代码和实验，涵盖ERA在真实场景中的应用。Google将ERA定位为加速计算发现的基础设施——计算模型生成可验证科学假设和解决方案的过程。
常见问题
- ERA是什么，树搜索优化如何运作？
- ERA（实证研究助手）接收问题描述和成功标准，然后搜索文献、编写代码并评估结果。树搜索技术通过构建方法树同时评估数千种可能解决方案，将计算资源引导至最有希望的分支。
- ERA在哪些领域超越了现有模型？
- ERA在流感、COVID和RSV感染预测（在CDC公开排行榜上持续名列前茅）、水资源管理、CO₂大气模型及零售预测中超越了传统模型。
- 研究人员如何访问ERA技术？
- Google通过Google Labs推出了Computational Discovery平台，该平台将ERA与AlphaEvolve技术相结合。该平台是「Gemini for Science」计划的一部分，通过可信测试者计划向研究人员开放。