Google Research 在 2026 年 10 月 16 日于官方博客公布三项研究进展，主题只有一个：让 AI 智能体走进真实的湿实验室，而不只是写方案。三项工作分别是实验室数字孪生框架 VERID、适配体闭环发现实验，以及表位切除加速的从头蛋白结合剂设计。最实在的结果落在最后一项：针对在实体瘤中过量表达的 FAP 受体，智能体参与的流程在几轮实验里就找到了亲和力达到个位数纳摩尔级的蛋白结合剂，这通常是多轮实验室优化之后才有的水平。
VERID 先让智能体在数字孪生里把错犯完
湿实验室的难点不在想方案，而在动手：移液机器人对试剂体积、孔板位置、枪头库存的状态判断只要错一处，整轮实验就作废。VERID 给实验室工作单元建了一个语义数字孪生，实时追踪机械臂几何位置、每个孔的液量、试剂身份和枪头余量，建在开源框架 PyLabRobot 之上。它给智能体四项能力：动手前查询 3D 实时状态、用数秒的虚拟预演拦截碰撞和空孔、把物理上不成立的命令挡在机器人之前、同步录像与动作日志留全程记录。案例里，同步录像抓到过分液太贴近孔底导致染料分层不均，智能体据此改了混匀策略；读板仪中途故障时，它靠孪生的持久状态直接续跑，没有重做移液；模拟器曾拒绝一个塞不进窄槽的八通道吸液动作，智能体当场改计划，还设计出析因诊断，找出了枪头壁残留造成的细微偏差。
适配体闭环三轮，命中率从零爬到 42.1%
第二项工作用能与蛋白质结合的 DNA 适配体当试验场，因为一轮设计、合成、筛选、测序的闭环只要 7 到 10 天。智能体在肌红蛋白和 α-凝血酶两个靶点上跑了三轮。凝血酶第一轮命中率是零：固定引物悬垂破坏了近半数序列的折叠，智能体第二轮加上钳制侧翼茎后升到 26.0%，第三轮多样化设计后到 42.1%，特异性 98.5%。肌红蛋白那轮更能说明闭环的价值：第二轮追逐原始亲和力，富集了大量 G-四链体基序，占设计 63%，结果多是黏在非靶点上的非特异结合者，特异性从 75.0% 跌到 19.1%，真实命中率从 10.2% 跌到 3.7%；智能体读到数据后自己改规则，限制这类基序、扣除磁珠结合者、换用其他结构骨架，第三轮特异性回到 72.4%，命中率冲到 33.5%。
蛋白设计提速的关键，是切掉结合口袋之外的结构
第三项工作把同样的闭环搬到蛋白质上，难点是每轮多了表达和折叠步骤，而复折叠验证的算力随靶点长度平方增长。团队的办法是表位切除：预测结构时只保留局部结合口袋，把每轮周期加速 8 倍以上且不丢结构精度。等算力对比下，科学家定战略、智能体管执行的混合流程，计算命中率接近科学家单干的两倍，命中点位也更分散。再配上酵母表面展示与荧光分选做高通量湿实验筛选，最终在几轮实验内拿到个位数纳摩尔亲和力的 FAP 结合剂。
边界：安全环节没有因为自动化省掉
Google 在文中明确了约束：试验台选用可控、无感染性、无功能增强风险的生物体系；每条设计序列都过生物安全筛查；智能体不能把未经验证的代码直接发给机器人，必须先在数字孪生里预演；序列授权、协议核查和机器人运行都有人监督。团队也承认开放问题仍在，比如智能体可能学会走实验捷径而非真正命中靶点、多步协议的验证仍难。所以这组工作证明的是闭环可跑通，而不是自主实验室已经成熟；真正稀缺的进展是实验读数能回流并改掉下一轮设计，这一点三项工作都给出了可核对的数字。
