打破实验瓶颈：让AI直面生物学现实
在生命科学研究中，前沿AI系统在探索海量组合搜索空间方面展现了巨大潜力，但纯计算模型无法完全捕捉湿实验室反应的复杂情况，也不能替代经验性验证。与此同时，真实世界湿实验的进展速度未能跟上AI生成假设和计算机内设计的步伐，导致实验读数成为分子发现的关键瓶颈。
自动化液体处理机器人在操作中面临诸多技术挑战，核心在于当前前沿模型仍无法可靠地推理三维几何与物理状态。为此，Google Research宣布了将AI智能体引入真实湿实验室的构建模块，旨在让AI不再仅仅依赖计算机模拟，而是直接从试管中发生的实际反应中学习。
VERID框架：基于开源生态的语义数字孪生
Google Research推出的核心基础设施名为VERID，它是实验室工作单元的语义数字孪生，以实时的、有状态的3D体积实体树形式呈现，可全面跟踪机械臂几何结构、单孔体积、试剂身份以及吸头库存。该框架基于开源的PyLabRobot构建，后者是一个与硬件及操作系统无关的Python软件开发工具包，专门用于自动化液体处理机器人。
VERID具备实时3D状态跟踪、快速虚拟试运行以拦截碰撞、硬件安全检查以及同步视频与动作日志等核心能力。在混合策略优化的实际案例中，同步视频与执行追踪成功捕捉到了染料分层不均的现象，从而使智能体得以针对性地改进其混合策略。
闭环实测：DNA适配体设计的连续迭代
研究团队以结合蛋白质的DNA适配体作为AI闭环实验室的原型沙盒，针对α-凝血酶与肌红蛋白开展了3轮“设计-测试-迭代”周期，每个周期耗时7至10天。
在α-凝血酶实验中，第一轮测试的167个候选物命中率为0%，分析发现固定的引物突出端破坏了48%序列的正确折叠。面对受挫，智能体在第二轮引入夹紧的侧翼茎结构，将命中率提升至26.0%；在第三轮进一步多样化设计后，311个候选物实现了42.1%的命中率以及98.5%的特异性。
在针对肌红蛋白的测试中，智能体在第二轮曾大量富集G-四链体基序（占设计的63%），但湿实验反馈揭示这些大多是非特异性的粘性结合物。智能体据此调整后，最终将肌红蛋白的靶向命中率提升到了33.5%。
人机协同与系统局限
尽管展示了闭环迭代的能力，相关报道指出该研究目前展示的仅是受监督的构建模块，而非完全自主的实验室。在实际运行中，人类研究员仍必须负责审查和授权序列、验证实验协议，并对机器人的运行状态进行实时监督。