Google Research于2026年10月16日介绍了VERID（VERified Infrastructure for Discovery Laboratories）框架，尝试把AI智能体从计算机模拟环境接入真实湿实验室。该系统以实验室的语义数字孪生为基础，持续记录机械臂状态、孔板液体体积、试剂和移液枪头库存，并在执行前进行虚拟演练和硬件安全检查，以减少碰撞、空孔吸液或液体处理错误。Google Research原文
这项工作的关键不只是让AI生成实验方案，而是建立“设计—实验—读取结果—修改方案”的闭环。Google团队用蛋白结合DNA适配体作为测试场景，在肌红蛋白和α-凝血酶两个目标上进行了三轮设计、合成、筛选和测序。按Google披露的数据，α-凝血酶项目的确认命中率从第一轮的0%提升至第三轮的42.1%，特异性达到98.5%；肌红蛋白项目则通过识别非特异性“黏性”结合造成的实验伪象，把真实的珠子校正命中率从3.7%提升至33.5%，特异性恢复到72.4%。
团队还将流程用于成纤维细胞活化蛋白α（FAP）的从头蛋白结合剂设计。Google称，通过裁剪局部结合表位来降低结构预测计算量，相关步骤加速超过8倍，并在少数实验轮次中获得个位数纳摩尔亲和力的结合剂。不过，这些结果来自Google研究团队的项目说明，不能直接等同于经过独立机构验证的药物候选物，也不能证明AI已经能够独立完成药物研发。
这项进展说明，AI在生命科学中的瓶颈正在从“能否提出候选分子”转向“能否可靠处理真实实验中的噪声、失败和物理约束”。其价值取决于实验设备的可重复性、数据记录质量以及人类研究者对目标函数和安全边界的监督。Google表示，目前使用的是非感染性、风险受控的生物系统，设计序列需经过生物安全筛查，实验方案和机器人运行也保留人工授权环节。因此，VERID更适合作为受控条件下的人机协作基础设施，而不是无需监管的全自动实验室。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
