据 AI Daily Digest 10 月 18 日版转述 Google Research 博客（https://dev.to/hiroki-ii-ai/ai-daily-digest-october-18-2026-reflection-opens-beam-501b-anthropic-replaces-git-tsmc-rides-4d7l ），谷歌研究院发表了把 AI 智能体落到实体湿实验室的研究，核心是 VERID：建在开源 PyLabRobot 框架上的实验室工位语义数字孪生。VERID 维护一棵实时、有状态的三维体积实体树，覆盖机械臂几何、孔板液量、试剂身份与吸头库存。智能体规划、仿真并执行液体操作流程时，有四道保险：实时三维状态跟踪、几秒内捕捉碰撞的快速虚拟试跑、阻断不可能指令的硬件安全检查、可复现的视频与动作日志同步。
闭环结果才是重点。在一场自博弈活动里，智能体从俯视摄像头图像复原被打乱的染料混合物，还能识别自己的光学与流体伪影，准确率提升五倍以上。适配体发现场景中，完整设计测试分析循环原本要七到十天，智能体经过三轮把确认的在靶命中率推到肌红蛋白 33.5%、alpha-凝血酶 42.1%。
第一轮零命中为什么反而最有价值？
alpha-凝血酶第一轮没有拿到任何结合体，原因是固定引物突出端在 48% 的序列里破坏了折叠。智能体在看到数据之后自行修订了设计规则——这正是实验室在环学习的全部意义。过去的自动化平台只能执行人类写好的方案，失败结果回流到人手里再改规则，周期以周计；VERID 让失败当场变成下一轮的训练信号，规则修订发生在同一轮实验内部。
肿瘤靶点上的单纳摩尔亲意味着什么？
把同一套流程用到实体瘤过表达受体 FAP 上，少数几轮实验就拿到个位数纳摩尔亲和力的结合体；一种只折叠局部结合口袋的表位切除技术把每个循环提速 8.6 倍。更值得注意的是人机协作：科学家定策略、智能体驱动执行，比科学家单独工作把硅内命中率几乎翻了一倍。这不是机器替代研究员的剧本，而是把人从重复试错里解放到判断方向上。
距离真正进药厂还有多远？
谷歌很谨慎，把这一切框定为针对非感染性系统的原型研究，符合前沿安全框架，不是上市产品。湿实验室智能体的瓶颈从来不是模型会不会写序列，而是机械状态、试剂库存与实验日志能否被实时、可验证地掌握。VERID 证明数字孪生层可以成为智能体与物理世界之间的翻译器，但从原型到 GMP 级药物管线，中间还有监管确认、批次稳定性与成本核算三道大坎。
数字孪生层为什么比模型本身更关键？
很多湿实验室自动化项目失败在硬件能动手，却不知道盘子里还剩多少液、吸头有没有用完、机械臂此刻处于什么姿态。VERID 的体积实体树把这些状态实时维护起来，智能体规划时看到的不是一张静态照片，而是一份持续更新的现场账本。快速虚拟试跑在几秒钟内预判碰撞，把昂贵的物理试错先在数字层过滤一遍，这才是省下实验经费的真正环节。模型负责出主意，孪生层负责让主意落得了地，两者缺一不可。
去论坛讨论
前往 silicon-agi.com 论坛 参与讨论