谷歌让 AI 智能体自己跑湿实验：先在实验台「数字孪生」里预演，三轮把适配体命中率从 0 提到 42.1%

卡住智能体的是移液枪，不是想法

Google Research 的 Pooja Rao、Petar Sirkovic 和 Annalisa Pawlosky 10 月 16 日发文，介绍让 AI 智能体在湿实验室里「设计—实验—修正」闭环的三项工作，并附三篇论文。文章开头就点出难处：前沿模型仍不能可靠地推理三维几何和物理状态。智能体写出的代码语法正确，却可能要把八通道移液头伸进一个太矮的窄槽，或者从已经吸空的孔里取液。

谷歌的解法叫 VERID（VERified Infrastructure for Discovery Laboratories）。它基于开源的 PyLabRobot，为工作站建一个实时、有状态的 3D 数字孪生，记录机械臂几何、每个孔的液量、试剂身份和枪头库存。智能体的方案先在几秒内虚拟预演，非法指令到不了机器人；每次运行都有同步的多机位视频和操作日志。论文案例里，视频记录发现了出液口离孔底太近造成的染料分层，智能体据此调整了混合方式；读板仪中途故障时，它靠数字孪生的状态接着跑，没有重新移液。

三轮实验里的一次「翻车」

第二项工作让智能体设计能结合蛋白的 DNA 适配体，一轮设计、合成、筛选、测序约 7 到 10 天。α-凝血酶上，第一轮命中率为 0，原因是固定引物悬垂破坏了 48% 序列的折叠；后两轮升到 26.0% 和 42.1%，特异性 98.5%。肌红蛋白上，智能体第二轮大量使用 G-四链体（占设计的 63%），结果多是连空磁珠都粘的非特异结合，特异性从 75.0% 跌到 19.1%，扣除磁珠干扰后的命中率从 10.2% 降到 3.7%；第三轮它自己改写规则、限制这类结构，特异性回到 72.4%，靶向命中率升到 33.5%，约为上一轮的九倍。

第三项工作针对实体瘤中高表达的受体 FAP：只截取结合口袋附近结构做折叠预测，使每轮计算提速 8.6 倍；同等算力下，科学家定策略、智能体执行的组合，计算命中率接近科学家单干的两倍，最好的设计在实验中达到单位数纳摩尔亲和力。

谷歌称选用了非感染性的测试体系，所有设计序列都做生物安全筛查，序列、方案和机器人运行都要人工授权。