谷歌官方技术博客近日介绍了其AI智能体自主湿实验室建设的进展。研究团队让智能系统在液体处理机器人上完成“设计分子—安排实验—读取结果—调整下一轮方案”的闭环测试，把以往停留在计算机里的分子设计，推进到真实实验台上的反复验证。
(资料图片)
湿实验室是处理试剂、生物样本和液体的实验场所，生化实验在这里通过试管、移液器等设备实际操作完成。它和只用计算机做模拟和数据分析的干实验室不同。而AI要和真实世界打交道，就要进入湿实验室，因为干实验室的研究结果直接放到真实环境中，经常会出现偏差。
谷歌团队思路的核心，是让AI系统在真实生物学反馈中不断修正判断——不但由AI开展实验，读取结果，还会将结果直接返回模型，让智能体在循环中修正自己的策略。
为了让AI智能体“看懂”整个实验室，团队搭建了一个名为VERID的框架。它基于开源机器人控制框架，给工作台建立持续更新的数字孪生，记录机械臂位置、孔内液量、试剂种类、枪头库存等状态；随后确认没有撞针、空吸、容器不匹配等各种问题，再把指令发给机器人；运行时的视频和动作日志也会被保留，方便研究人员回溯。
现有自动化设备大多仍靠人类写程序、做调试。团队此次把“看结果后改方案”也交给系统，但改之前必须重新核对设备和样本状态。在一项肌红蛋白筛选中，系统一度认为找到了更好的分子，加入对照后发现并没有真正识别目标，随后它调整设计规则，下一轮效果即得到改善。
谷歌强调，目前这仍是科研原型，不是成熟产品。科研人员仍需审核序列、核对方案、监督机器人运行。AI智能体的价值主要在于压缩“预测—验证”之间的繁琐环节，让早期发现阶段的设计和迭代更快。
近期OpenAI、Anthropic等公司也在进入同类方向。前者推出面向生命科学的实验规划工具，后者让模型参与新型酶系统线索的发现，但仍由科学家动手验证。
【总编辑圈点】
从假设，到验证，再到修正，当AI在真实物理世界的实验室中建立起这一闭环，或许标志着AI已经从辅助分析工具，跃升为能主动参与科学发现的智能体。从科研效率来说，AI自主的湿实验室或能大幅压缩科研早期阶段的迭代周期；而从科研方式上看，它正在重塑的是知识生产——AI在实验中得到的反馈不再只是数据，而是持续训练自身认知的信号。当然，这类系统仍处于起步的原型阶段，如何在保证可靠性与人类监督的前提下规模化，才是决定它能否真正改变未来科研的底层逻辑。
（原标题为《智能体自主完成湿实验室闭环测试》）
来源：张梦然/科技日报