Gemini for Science (Google)
Gemini for Science er Googles samling af AI-værktøjer rettet mod videnskabelig forskning, lanceret på Google I/O den 20. maj 2026. Pakken samler tre eksperimentelle prototyper, der dækker de mest tidskrævende faser af den videnskabelige metode: hypotesegenerering, computational discovery og litteraturanalyse. I modsætning til generelle LLM-værktøjer som ChatGPT eller Claude er Gemini for Science bygget specifikt til forskere, med adgang til over 30 videnskabelige databaser og peer-reviewed validering publiceret i Nature den 19. maj 2026.
Konkret kan du give Co-Scientist en forskningsudfordring, hvorefter systemet opbygger en multi-agent "idéturnering" der genererer, debatterer og evaluerer hypoteser autonomt. ERA, det computationelle ben, kan søge litteratur, generere og optimere kode og køre eksperimenter mod definerede metrikker. I en test overgik ERA CDCs eget ensemble til forudsigelse af COVID-19-hospitalsindlæggelser.
For danske virksomheder inden for pharma, biotek, materialer og energi åbner det muligheder for at accelerere R&D-workflows, der i dag kræver separate værktøjer til litteratursøgning, hypoteseformulering og eksperimentel kodning. Daiichi Sankyo, Bayer Crop Science og amerikanske nationale laboratorier bruger allerede Co-Scientist i produktion.
Sådan virker Gemini for Science teknisk
1. Multi-agent-arkitektur med idéturnering. Co-Scientist er ikke en enkelt model, der spytter svar ud. Det er et multi-agent-system, hvor flere specialiserede Gemini-modeller samarbejder i en struktureret proces. En agent formulerer hypoteser, en anden søger efter modargumenter i eksisterende litteratur, en tredje vurderer eksperimentel realiserbarhed, og en fjerde rangerer de bedste idéer. Resultatet er et darwinistisk selektionspres på idéer, hvor kun de mest robuste overlever.
2. Gemini 3 Deep Think som fundament. Under motorhjelmen kører Gemini for Science på Gemini 3 Deep Think, en variant af Googles nyeste model optimeret til videnskabelig ræsonnering. Deep Think bruger udvidet chain-of-thought-ræsonnering med op til hundredtusindvis af tokens internt, før den producerer et svar. Det giver modellen kapacitet til at holde komplekse videnskabelige argumenter i kontekst samtidigt.
3. ERA: agentic videnskabelig kodning. Empirical Research Assistance (ERA) fungerer som en autonom forskningskoder. Systemet modtager en forskningsopgave, søger relevant litteratur, genererer Python-kode til eksperimenter, kører koden, evaluerer resultaterne mod definerede metrikker og itererer. ERA opnåede resultater, der i peer-reviewed benchmarks overgik CDCs COVID-19-hospitalsforecast-ensemble, publiceret i Nature den 19. maj 2026.
4. Science Skills og 30+ databaser. Google lancerer et lag kaldet Science Skills, der integrerer data fra over 30 store bioteknologiske databaser direkte i agenternes værktøjskasse. Det inkluderer UniProt (proteinsekvenser), AlphaFold Database (proteinstrukturer), AlphaGenome API (genomisk prædiktion) og InterPro (proteinfamilier). Forskere slipper for manuelt at krydstjekke data på tværs af databaser.
5. AlphaEvolve til algoritmisk opdagelse. Den tredje komponent, Computational Discovery, bruger AlphaEvolve til at søge efter nye algoritmer og løsninger. AlphaEvolve genererer tusindvis af varianter af en algoritme, tester dem computationelt og selekterer de bedste. Det er relevant for optimeringsproblemer i alt fra lægemiddeldesign til materialevidenskab.
6. NotebookLM til litteraturoversigt. Literature Insights bygger på NotebookLM, Googles eksisterende forskningsværktøj. Forskere kan uploade op til 300 kilder, stille spørgsmål på tværs af dem og få strukturerede outputs som rapporter, slides og lydresuméer. Forskellen fra den generelle version er integration med Science Skills-datalaget.
7. Verificerbare citationer. Alle hypoteser og påstande fra Co-Scientist leveres med klikbare citationer til specifikke papers. Det adresserer det største problem med generativ AI i forskning: hallucinationer. Forskeren kan verificere hver enkelt påstand direkte.
8. Infrastruktur og skalering. Gemini for Science kører på Googles TPU v6e-infrastruktur, den samme hardware der driver Gemini 3-modellerne. Det giver kapacitet til at håndtere de enorme kontekstvinduer, som videnskabelig ræsonnering kræver. Google har ikke offentliggjort præcise latenstal, men typisk tager en Co-Scientist-session minutter til timer, afhængigt af opgavens kompleksitet.
Gemini for Science åbner nye muligheder for R&D-tunge virksomheder, der vil accelerere forskning med AI. Vi hjælper dig med at vurdere, om Gemini for Science passer ind i din organisations forskningsworkflows, og hvordan du integrerer det med eksisterende værktøjer og datainfrastruktur.
Konkrete muligheder med Gemini for Science
Hypotesegenerering med Co-Scientist
Co-Scientist tager en forskningsudfordring som input og producerer rangerede hypoteser med citationer. Et dansk biotekfirma, der undersøger nye targets for en autoimmun sygdom, kan beskrive det biologiske problem og få 10-20 prioriterede hypoteser med links til de relevante papers. Det reducerer den indledende litteratursøgning fra uger til timer.
Computational eksperimentering med ERA
ERA skriver og kører eksperimentel kode autonomt. For en dansk energivirksomhed, der modellerer batterimaterialer, kan ERA generere hundredvis af simuleringsscenarier, køre dem og rapportere de mest lovende kandidater. CDCs benchmark viser, at ERA kan matche eller overgå ekspertteams på specifikke opgaver.
Algoritmisk optimering med AlphaEvolve
AlphaEvolve finder bedre algoritmer gennem evolution. Et dansk logistikfirma med komplekse ruteoptimeringsproblemer kan bruge det til at finde algoritmiske forbedringer, der overgår eksisterende løsninger. Google har selv brugt AlphaEvolve til at forbedre interne datacenter-scheduling-algoritmer.
Tværgående litteraturanalyse med Literature Insights
Literature Insights lader forskere arbejde på tværs af hundredvis af papers samtidig. En R&D-afdeling i et dansk pharmafirma kan uploade alle publikationer om et bestemt molekyle og stille spørgsmål som "Hvilke bivirkninger er rapporteret i kliniske forsøgsdata?" og få et struktureret svar med citationer.
Strukturel bioinformatik via Science Skills
Science Skills forbinder Gemini med AlphaFold, UniProt og AlphaGenome direkte. En dansk virksomhed, der arbejder med proteindesign, kan bede agenten om at finde alle kendte strukturer for et protein, sammenligne dem med AlphaFold-prædiktioner og identificere potentielle bindingssites, alt i en samlet session.
Prognose og epidemiologisk modellering
ERA har bevist sin værdi inden for epidemiologisk modellering ved at overgå CDCs eget forecast-ensemble. For sundhedsmyndigheder og hospitalsadministrationer kan det betyde hurtigere og mere præcise modeller til ressourceplanlægning under epidemier. Danske regioner med ansvar for sygehusberedskab kan potentielt anvende lignende tilgange.
Automatiseret materialesøgning
Kombinationen af AlphaEvolve og Science Skills giver mulighed for at søge efter nye materialer computationelt. Et dansk cleantech-firma, der udvikler katalysatorer til grønt brændstof, kan definere de ønskede kemiske egenskaber og lade systemet søge gennem millioner af kombinationer. Det er en tilgang, som Bayer Crop Science allerede anvender til afgrødebeskyttelse.
Konkurrenter og alternativer til Gemini for Science
Elicit
Elicit er det mest modne AI-værktøj til strukturerede litteraturgennemgange. Det kan ekstrahere data fra tusindvis af papers, bygge evidensoversigter og identificere huller i forskningen. Elicits styrke er præcision i dataekstraktion og et veldesignet interface til systematiske reviews. Svagheden i forhold til Gemini for Science er, at Elicit ikke kan generere hypoteser, køre eksperimentel kode eller tilgå specialiserede videnskabelige databaser. Elicit koster $10/måned for Plus og $49/måned for Pro.
Semantic Scholar (Allen Institute for AI)
Semantic Scholar indekserer over 200 millioner videnskabelige artikler og bruger NLP til at identificere relevante forbindelser mellem papers. Det er gratis og open source. Styrken er den enorme database og det akademiske fællesskabs tillid til platformen. Svagheden er, at det primært er et søgeværktøj, ikke et agentisk system der kan ræsonnere, generere hypoteser eller køre kode.
Consensus
Consensus er specialiseret i at besvare videnskabelige ja/nej-spørgsmål ved at syntetisere evidens fra peer-reviewed papers. Consensus Meter giver en visuel indikation af, hvor stærkt evidensen peger i en retning. Det er nyttigt til hurtige faktatjek, men mangler dybden til at støtte fuld forskningsplanlægning. Prisen er $8,99/måned for Premium.
OpenAI Deep Research
OpenAIs Deep Research-funktion i ChatGPT Pro ($200/måned) kan udføre autonome forskningssøgninger på tværs af nettet og producere lange rapporter med citationer. Det er en stærk generalist, men mangler Gemini for Sciences specialiserede Science Skills-lag og direkte integration med videnskabelige databaser som AlphaFold og UniProt. Deep Research er bredere, men mindre dyb på videnskabelige domæner.
scite
scite analyserer citationskontekst: om en artikel støtter, modsiger eller blot nævner en anden. Det er et kraftfuldt værktøj til at vurdere en papers indflydelse og troværdighed. Men ligesom Semantic Scholar er det primært et analyseværktøj, ikke en forskningsagent. Prisen er $20/måned for individuelle brugere.
Hvor Gemini for Science er unik. Ingen konkurrent kombinerer hypotesegenerering, autonom eksperimentel kodning, algoritmisk søgning og integration med 30+ specialiserede databaser i ét system. Det er denne bredde, der adskiller det. Omvendt er Elicit og Semantic Scholar mere modne på litteratursøgning, og OpenAI Deep Research er bredere på tværs af ikke-videnskabelige domæner. Googles løsning er også stadig eksperimentel, hvilket betyder, at adgang og stabilitet kan være begrænset.
Adgang, priser og begrænsninger
Agentic AI er AI, der selv planlægger, bruger værktøjer og handler mod et mål. Forstå agent-loopet, hvad det bruges til, og hvad det ikke er.
Et multi-agent system er flere AI-agenter, der samarbejder om komplekse opgaver. Forstå arkitekturen, hvornår det giver mening, og hvad det ikke er.
Deep learning er machine learning med dybe neurale netværk. Forstå hvordan lagene lærer, hvor det bruges, og hvornår enklere metoder er bedre.
Ofte stillede spørgsmål om Gemini for Science
Hvad er forskellen på Gemini for Science og ChatGPT til forskning?+
Gemini for Science er bygget specifikt til videnskabelig forskning med tre specialiserede værktøjer: Co-Scientist til hypoteser, ERA til eksperimentel kodning og Literature Insights til litteraturanalyse. Det har direkte integration med over 30 videnskabelige databaser som AlphaFold og UniProt. ChatGPT er en generalist, der kan hjælpe med forskning, men mangler denne specialisering og databaseintegration.
Kan Gemini for Science erstatte et forskningsteam?+
Nej. Gemini for Science er designet til at accelerere dele af forskningsprocessen, ikke erstatte forskere. Co-Scientist genererer hypoteser, men en forsker skal validere dem eksperimentelt. ERA skriver kode, men en forsker skal vurdere resultaterne. Google positionerer det som et værktøj, der frigiver tid til den kreative og kritiske del af forskning.
Hvad koster Gemini for Science?+
Google har ikke annonceret specifikke priser endnu (pr. maj 2026). Individuelle forskere kan få adgang gratis via Google Labs som en eksperimentel preview. Enterprise-adgang via Google Cloud vil sandsynligvis have separat prissætning. Til sammenligning koster Gemini AI Ultra $249,99/måned og Gemini AI Pro $19,99/måned for generelle AI-værktøjer.
Er Gemini for Science relevant for danske virksomheder?+
Ja, for virksomheder med R&D-afdelinger inden for pharma, biotek, materialer, energi og klimateknologi. Værktøjerne er engelsksprogede, hvilket er standard i videnskabelig forskning. Danske virksomheder skal afklare GDPR-databehandlingsaftaler med Google Cloud før brug med fortrolige forskningsdata.
Hvilke videnskabelige databaser er integreret?+
Science Skills-laget giver adgang til over 30 databaser, herunder UniProt (proteinsekvenser), AlphaFold Database (proteinstrukturer), AlphaGenome API (genomisk prædiktion) og InterPro (proteinfamilier). Listen udvides løbende. Alle databaser er tilgængelige direkte i agenternes værktøjskasse uden manuel opsætning.
Hvordan håndterer Gemini for Science hallucinationer?+
Co-Scientist leverer alle hypoteser med klikbare citationer til specifikke videnskabelige papers. Forskeren kan verificere hver påstand direkte. Derudover bruger multi-agent-arkitekturen en intern debatproces, hvor agenter udfordrer hinandens påstande. De to Nature-papers fra maj 2026 dokumenterer validiteten af denne tilgang.
Kan jeg bruge Gemini for Science i dag?+
Delvist. Science Skills-datalaget er tilgængeligt på GitHub og i Google Antigravity allerede nu. De tre eksperimentelle værktøjer (Co-Scientist, ERA, Literature Insights) udrulles gradvist via Google Labs fra den 20. maj 2026. Enterprise-adgang via Google Cloud er i privat preview med udvalgte partnere som Daiichi Sankyo og Bayer Crop Science.