Google.org 向17个利用人工智能推进科学研究的组织提供总额3600万美元资助，覆盖气候韧性、环境科学、聚变能源、材料发现以及基因组学、精准肿瘤学等生命科学领域。入选团队可参与为期六个月的加速器，获得工程支持、技术指导和 Google Cloud 资源，但后续成果仍需实验验证与独立评估。
谷歌旗下公益机构 Google.org 宣布，17个组织获得总额3600万美元的资助，用于利用人工智能推进科学研究。项目覆盖气候韧性、环境科学、聚变能源、材料发现，以及基因组学、精准肿瘤学和药物设计等生命科学领域。
这批资助来自 Google.org 的 Impact Challenge: AI for Science。谷歌表示，此次申请来自30个国家，入选团队可以选择参加为期六个月的 Google.org Accelerator，获得谷歌工程支持、技术指导和 Google Cloud 基础设施。
从极端天气预警到聚变能源
在气候和环境科学方向，非洲 AfriClimate AI Limited 试图识别致命风暴形成前的大气信号，把非洲部分地区的山洪预警时间从不足三小时延长至六小时以上。智利 Inria Chile Research Center 则计划建立海洋生态系统的数字孪生，并以此训练多模态海洋世界基础模型。
麻省理工学院的项目聚焦自动化材料发现：研究人员将训练 AI 代理，使其能够自主分析实验显微图像。马克斯·普朗克等离子体物理研究所与埃因霍温理工大学合作，利用物理信息 AI 模拟聚变反应堆内部的复杂条件，以缩小实验模拟与实际运行之间的差距。
得克萨斯大学奥斯汀分校也将开发神经网络模型，加快紧凑型聚变反应堆的设计。加州大学圣迭戈分校的项目则把 AI 代理用于气候研究：系统将从地球观测数据中寻找可解释的气候物理规律，建立新一代气候模型，并判断下一步应在哪里采集海洋观测数据。
剑桥大学希望借助物理基础模型和显微技术，预测钠离子电池正极材料的退化过程；华盛顿大学则尝试用自然语言设计蛋白质，服务于塑料降解等可持续发展应用。
生命科学项目试图减少“试错”
生命科学方向的项目更加集中在基因、蛋白质和疾病机制上。AITHYRA Research Institute 与洛桑联邦理工学院合作，研究病毒如何操纵细胞，并建立由 AI 设计的蛋白质库，以寻找针对“不可成药”蛋白质的治疗方法。
Allen Institute 将设计能够进入特定脑细胞类型的 DNA 序列，重点关注更容易受到神经退行性疾病影响的细胞。该机构承诺公开分享模型、序列和研究结果。
澳大利亚国立大学牵头的国际合作项目，目标是减少化疗中的试错，并推进更公平的精准肿瘤治疗。新加坡国立大学将研究基因变异如何在大规模人群中调控 RNA 剪接，从而预测疾病影响。
纽约大学格罗斯曼医学院计划利用 AI 识别多种 DNA 损伤，寻找此前尚未解释的突变原因。加州大学伯克利分校则试图从医疗 AI 模型中提取可解释的假设，把“黑箱”预测转化为更清晰的临床生物标志物。
开普敦大学将建立非洲药物代谢基因遗传差异图谱，为临床用药选择和治疗安全提供参考。匹兹堡大学利用几何 AI 模型比较不同物种的心脏再生过程，寻找能够加快心脏治疗研究的遗传开关。多伦多大学则将用 AI 基础模型绘制肽类药物的设计空间，帮助研究人员开展计算机辅助的治疗药物设计。
资助规模从最初的3000万美元扩大到3600万美元
Google.org 在2026年初宣布这项挑战时，曾将其描述为一项规模为3000万美元的全球公开征集，面向非营利组织、社会企业和学术机构。官方项目页面当时还列出，单个项目可获得50万美元至300万美元资助，申请截止日期为2026年5月1日。
在公布获选团队时，Google.org 将总额更新为3600万美元。也就是说，最终资助规模高于最初公开征集阶段的预算表述。谷歌没有在公告中逐一披露17个项目各自获得的金额，因此不能据此推算每个团队的具体资助额。
这也是 Google.org 继此前 AI for Science 基金之后的第二轮相关支持。2026年1月，Google.org曾宣布向12个组织提供总额2000万美元的 AI for Science 基金，项目涉及人类基因组、神经科学、疾病建模、生物多样性和聚变能源等方向。两轮项目名称和资助规模不同，不应混为同一批获资助团队。
AI科研资助的价值与限制
这项计划的一个重要特点，是把资助与技术支持结合起来。Google.org 表示，入选组织可以获得谷歌员工提供的公益性技术支持、技术培训以及 Google Cloud 积分。谷歌.org项目页面同时强调，入选方向集中在健康与生命科学，以及气候韧性与环境科学。
这类支持可能帮助研究团队处理科学计算中的几个长期瓶颈：实验数据难以整理、不同设备产生的数据难以互通、实验周期过长，以及复杂模型难以被非专业人员使用。AI 代理进入实验和观测流程后，理论上还可以承担部分数据筛选、实验规划和模型更新工作。
不过，资助公告本身并不等于这些项目已经取得科学突破。谷歌公布的是各团队计划解决的问题和拟采用的方法，至于预警时间是否能够稳定延长、聚变模型能否提升装置设计效率、或 AI 设计的蛋白质是否最终转化为有效治疗，都需要后续实验和独立评估。
在医疗项目中，模型的预测能力也不能直接等同于临床诊断。数据偏差、隐私保护、实验可重复性和医生责任，都会影响研究成果能否真正进入医疗系统。环境科学项目同样需要面对不同地区的数据质量、传感器覆盖和公共机构执行能力差异。
从更广泛的背景看，谷歌正试图把 AI 的价值叙述从模型性能扩展到科研基础设施和公共利益。此前，谷歌已将基因组、天气预报、灾害监测等工作纳入其“用 AI 加速科学并改善生活”的路线说明；AIFlux此前也曾梳理过谷歌把 AI 推向科学与公共服务：从基因组、天气预报到教育和就业这一路线所涉及的应用场景。
但从资助承诺走向可重复、可推广的科学成果，仍需要开放数据、透明方法和跨机构合作。对这17个项目而言，未来真正值得观察的，不只是 AI 能否生成更快的预测或更复杂的模型，而是这些结果能否被其他研究者验证，并在资源有限的地区持续运行。
来源：Google Newsroom：17 organizations using AI to accelerate scientific breakthroughs，Google.org Impact Challenge: AI for Science 项目页面，Google.org：启动 AI for Science 公开征集，Google.org：公布上一轮12个 AI for Science 获资助组织。