把 AI 智能体扎根于生物现实：构建自主湿实验室的基石
2026-10-17
Pooja Rao，研究科学家；Petar Sirkovic，软件工程师；Annalisa Pawlosky，研究科学家，Google。我们正在 Google Research 把 AI 智能体带到湿实验台前，以穿越复杂的生物景观。通过让智能体扎根于实体实验室机器人，我们可以运行快速的闭环分子设计循环，让智能体学会如何学习，最终为癌症靶点发现单位数纳摩尔的蛋白结合体。前沿 AI 系统有潜力通过智能地穿越巨大的组合搜索空间（例如，一条 100 个氨基酸的蛋白质至少对应 20^100 种可能序列），需要动态的多候选探索，从而变革生物学研究与药物发现。我们的长期研究愿景是，AI 智能体不仅提出想法并进行分析，还能运行实验室实验来检验其假设、从结果中学习并自我改进以解决复杂问题——这一切都由人类的科学主导权驱动。实现这一愿景需要解决两个相互交织的挑战：第一，前沿模型仍无法可靠地对三维几何与物理状态进行推理——这给搬运试剂、跟踪体积并执行湿实验室分子生物学协议的专用液体处理机器人的自动化带来问题。第二，尽管智能体的假设生成与计算设计正在快速进步，但需要反复的真实世界反馈循环来验证提案并穿越巨大搜索空间，而真实世界的湿实验室实验并未跟上，使实验读数比以往任何时候都更像瓶颈。在本篇文章中，我们分享三个研究项目，突出我们在弥合计算 AI 探索与真实湿实验室实验之间差距上的进展：通过 VERID 框架，使 AI 智能体能够执行安全、资源高效且扎根于物理测量的实验。在我们的适配体与从头蛋白质设计原型上展示闭环的智能体科学发现。首先，我们提出 VERified Infrastructure for Discovery Laboratories（VERID）框架，以弥合 AI 智能体的高层推理与湿实验室复杂、易出错的物理现实之间的差距。它是实验室工作单元的语义数字孪生，即一个实时的、有状态的 3D 体素实体树，跟踪从机械臂几何、单个孔体积、试剂身份到移液枪头库存的一切。一条命令的安全性取决于实时物理上下文以及代码本身。智能体可以生成语法上有效但在物理上不可能（例如把 8 通道移液器降到过短的窄槽中）、物流上无效（例如从已耗尽的孔中吸取）或在科学上因未建模的流体效应而受损的代码。通过 VERID，AI 智能体在液体处理机器人上规划、模拟并执行液体处理协议，把同步的多摄像头视图与实时状态跟踪结合起来，以在多个循环中改进实验。VERID 构建在开源框架 PyLabRobot 之上，提供四项核心能力：实时 3D 状态跟踪：让智能体在行动前检查台面布局、孔体积和可用枪头。
Google Research 公开了让 AI 智能体直接操作湿实验室液体处理机器人的研究进展：以 VERID 框架为实验室工作单元建立实时、有状态的 3D 语义数字孪生，使智能体在规划、仿真与执行液体处理协议时具备物理上下文感知，并在适配体与从头蛋白质设计原型上跑通闭环科学发现，研究目标是面向癌症靶点发现单位数纳摩尔的蛋白结合体。
- Google Research 公开了让 AI 智能体直接操作湿实验室液体处理机器人的研究进展：以 VERID 框架为实验室工作单元建立实时、有状态的 3D 语义数字孪生，使智能体在规划、仿真与执行液体处理协议时具备物理上下文感知，并在适配体与从头蛋白质设计原型上跑通闭环科学发现，研究目标是面向癌症靶点发现单位数纳摩尔的蛋白结合体。
- 原贴提到：Pooja Rao, Research Scientist, Petar Sirkovic, Software Engineer, and An
- 来源：research.google
这是什么信号
Google Research 公开了一条完整的工程路径：让 AI 智能体不只在计算机里设计分子，还直接驱动湿实验室里的液体处理机器人，把「生成假设—执行实验—读取结果—修正假设」连成闭环。文章的支点是 VERID 框架——实验室工作单元的语义数字孪生，一个实时、有状态的 3D 体素实体树，跟踪机械臂几何、单个孔体积、试剂身份与枪头库存。围绕它，团队展示了适配体设计与从头蛋白质设计两个原型的闭环发现流程，研究的最终目标是面向癌症靶点拿到单位数纳摩尔的蛋白结合体。
这不是一段炫技视频，而是一次把 agent 从「文本世界」推进到「物理世界」的架构声明。
为什么重要
过去两年 AI 在生物领域的价值主要集中在计算侧：序列设计、结构预测、生成式分子。这篇文章点破了一个被行业反复感受到却少有公开讨论的事实——瓶颈已经转移。智能体做假设生成和计算设计的速度在快速提升，但真实湿实验室实验没有跟上，实验读数比以往任何时候都更像瓶颈。谁能缩短「设计到读数」的循环周期，谁就掌握下一阶段的议价权。
更值得注意的是它对 agent 落地物理世界的方法论贡献。文章明确指出：智能体很容易生成语法上有效的代码，但语法正确不等于物理可行——把 8 通道移液器压进过短的窄槽、从已耗尽的孔中吸取、因未建模的流体效应导致实验在科学上被污染。这三种失效模式（物理不可能、物流无效、科学性受损）几乎可以平移到任何「agent 操控真实设备」的场景。VERID 的解法是把实时物理状态作为决策回路的一部分，让安全性同时取决于代码和当下的物理上下文——这是一个可复用的范式，不只是生物实验室的专利。
对谁有价值
- 自动化实验室与 CRO 的技术负责人：可对照自身在调度层、仿真层、状态层上的缺口，判断「先上自动化」还是「先上数字孪生」。
- 做 agent 产品与工程的团队：物理世界 agent 的「状态感知 + 仿真前置 + 硬约束校验」是当前最稀缺的工程经验之一。
- AI for Science 方向的战略与投资判断者：这条信号的分水岭意义在于，AI 制药从「论文指标」走向「实验产能」的关键卡点被显性化了。
- 计算生物学团队：闭环意味着每一轮实验都会产生可反哺模型的结构化数据，数据资产的形态会变。
可以怎么行动
- 先建数字孪生，再谈自主。把台面布局、耗材库存、孔体积、设备几何等变成可实时查询的状态对象，是智能体可被信任的前提；没有状态层，agent 只能盲操作。
- 把仿真与安全校验放在执行之前，用规则和实时状态做硬约束，模型只负责规划与生成候选方案，不让模型单独对物理动作负最终责任。
- 从窄闭环切入：选单一实验类型、单一读数指标，先跑通几轮完整迭代，验证「设计—执行—反馈」链路的稳定性，再横向扩展实验种类。
- 优先复用开源底座（文中提到的 PyLabRobot）来降低与现有液体处理设备的对接成本，把工程投入集中在状态建模与生态集成上。
- 为闭环实验重新设计排期与数据规范：闭环的价值来自迭代速度，如果实验排期仍按项目批次走，闭环会退化成串行流程。
风险与限制
- 团队自述前沿模型对三维几何与物理状态的推理仍不可靠，未建模的流体效应依然可能让结果在科学上失真——这意味着数字孪生的保真度直接决定实验可信度。
- 这是研究原型而非已验证产线；「单位数纳摩尔蛋白结合体」是研究目标，不是已交付的候选药物，不应被读成临床或商业里程碑。
- 数字孪生有持续维护成本，一旦与真实设备状态不同步，所有基于它的安全假设同时失效，且这种失配往往不会立刻显现。
- 组织层面的改造难度可能高于技术难度：设备、数据、人力排期需要围绕「迭代速度」重构，早期 ROI 难以量化。
- 安全与合规边界尚未在公开材料中展开——自主执行生化协议的权限边界、错误操作的止损机制，仍是落地前必须回答的问题。
这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 research.google 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。
如果把《把 AI 智能体扎根于生物现实：构建自主湿实验室的基石》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。