ERA на базе Gemini описана в Nature: система для написания и оптимизации научного кода доступна ограниченно через Google Labs

Empirical Research Assistance (ERA), система на базе модели Gemini для написания и оптимизации научного кода, описана в статье в журнале Nature 19 мая 2026; в вводном посте авторами названы Lizzie Dorfman и Michael Brenner. Система уже внедряется как часть прототипа Computational Discovery и начала ограничённый выпуск через программу доверенных тестировщиков в Google Labs-это шаг к быстрому переносу методов ИИ в практическую исследовательскую работу.

ERA предназначена для автоматизации рабочих шагов исследователя: при заданной научной задаче и метрике успеха она может находить релевантную литературу, генерировать и оптимизировать код, комбинировать методы и оценивать полученные результаты. Авторы описывают архитектуру, которая использует дерево поиска и рассматривает тысячи вариантов реализации, чтобы оптимизировать код относительно поставленной цели; в статье используется заголовок «AI system designed to help scientists write expert‑level empirical software». Авторы проверяли систему на наборе бенчмарков в нескольких дисциплинах — геномика, общественное здоровье, анализ спутниковых изображений, предсказания в нейронауке, общий бенчмарк временных рядов и математика — и отмечают, что ERA демонстрирует производительность на уровне экспертов во всех перечисленных областях. Такие результаты указывают на широкую применимость подхода для разных типов вычислительной науки.

За последние шесть месяцев команда вместе с внешними соавторами активно экспериментировала с ERA: к концу апреля были представлены четыре проекта, а сейчас наработки оформлены в восемь рукописей, включая пять новых публикаций. Эти материалы иллюстрируют применение ERA к открытым научным вопросам и конкретным прикладным задачам, демонстрируют рабочие примеры и методологию воспроизводимости.

В практических кейсах ERA использовали для эпидемиологического прогнозирования госпитализаций по штатам США на горизонте до четырёх недель для трёх заболеваний — гриппа, COVID‑19 и RSV; прогнозы ERA стабильно находятся в верхних строках публичных рейтингов по точности на табло CDC. Другой пример применения — модель сезонного стока в снежных бассейнах Калифорнии: созданный с помощью ERA прогноз даёт значительно более точные ранние оценки весеннего стока по сравнению с официальным Bulletin 120. Код и проведённые эксперименты опубликованы для воспроизводимости, а интеграция с инструментами вроде Computational Discovery и развертывание через Gemini for Science призваны ускорить практическое применение в науке и задачах, приносящих общественную пользу.