Empirical Research Assistance (ERA)

ERA 是 Google Research 開發的 AI scientific coding 工具，使用 Gemini 來撰寫與優化 scientific code。它不是一般聊天助理，而是把「給定科學問題 + 成功指標」交給系統，讓系統自己搜尋、寫碼、探索、組合與評測。

核心能力

• 搜尋 scientific literature
• 寫 code 並持續優化
• 探索多個 solutions
• 用 tree search 方式找出較好的實驗路徑
• 自動處理反覆試錯的 computational experiments

為什麼重要

ERA 很貼近 [[loop-engineering]]：輸入問題、定義 success measure、執行 search / code / evaluate，再把結果帶回下一輪。 它也和 [[coding-agent-as-optimizer]] 類似，因為重點不是回答，而是持續改寫產物並用評測驅動改進。

進一步觀察

2026-04-29 的 google-research-blog follow-up 把 ERA 落到四種真實研究工作：流感 / RSV 預測、CO2 監測、cosmic strings 推導、zebrafish neural circuits。這讓 ERA 不只是 scientific coding demo，而是更接近 [[aiark-loop-engineering]] 與 [[agent-trace-observability]] 可直接觀察的研究閉環。

Discovery Loop：把 research loop 當作產品

BusinessNext 2026-08-06 報導 Jeff Dean 等 Google 老將成立 discovery-loop，把「實驗、觀察、修正」的科研循環作為公司要自動化的核心。這不是 ERA 的同一個產品，而是把 scientific coding / search / evaluate 模式從研究工具推向跨領域研究基礎設施的早期訊號；硬體設計、藥物發現與乾淨能源等延伸方向仍屬來源歸屬，尚無公開 benchmark 或完整技術規格。

因此，ERA、coding-agent-as-optimizer 與 discovery-loop 可以放在同一條演化線上閱讀：人類定義問題與成功指標，agent 產生或修改可執行產物，系統執行實驗並把結果送回下一輪。要把這種研究 loop 視為可交付系統，仍需接上 chain-of-evidence-autonomous-research 的 evidence chain、可重跑紀錄與獨立驗證。

Planetary Prediction Engine：研究 loop 的 geospatial 變體

Google Research 的 planetary-prediction-engine（PPE）和 ERA 共享「自然語言問題／成功指標 → 搜尋或選擇資料 → 執行 → 評估 → 報告」的抽象，但 PPE 把核心瓶頸放在 planetary-scale 的資料發現、dataset curation、spatial feature engineering 與預測模型訓練。它以 LLM 分別編排各階段，並用 opaque handles 傳遞大型 artifact，讓研究 loop 不必把完整中間資料塞進模型上下文。

這個對照把 scientific coding 的可執行迴圈接到 data-science-agents 與 world-models：人類仍需定義問題、地理單位、時間 horizon、錯誤代價與可接受的 deployment gate；agent 自動化的是可觀測的資料與模型操作，不是替人類承擔公共衛生、糧食安全或災害決策責任。

觀察

• ERA 已被用在 Computational Discovery
• Google 已逐步對外開放相關能力到 Gemini for Science / Google Labs
• 這類工具適合和 [[agent-trace-observability]]、[[aiark-loop-engineering]] 一起看，因為它把研究流程顯式化，方便驗證與回寫經驗