將 AI Agent 扎根於生物現實：自主濕式實驗室（Wet Lab）的建構模組

Google Research 正把 AI 代理帶進濕式實驗室，讓它處理複雜的生物問題。做法是把代理接上實體實驗室機器人，跑快速的閉環分子設計週期。該團隊的長期研究願景是，AI 代理不只負責構想和分析，還要在實驗室裡做實驗來測試假設，從結果中學習並自我改進以解決複雜問題，而且一切仍由人類科學代理驅動。

兩道待跨越的鴻溝

前沿模型仍無法可靠地推理三維幾何和物理狀態。這在自動化專用液體處理機器人時會出問題，因為這類機器人要負責移動試劑、追蹤體積，並在濕式實驗室中執行分子生物學協議。

另一方面，代理的假設生成與電腦模擬設計進步很快，但需要重複的真實世界反饋週期來驗證提案，並在龐大的搜尋空間中找方向。真實世界的濕式實驗室實驗跟不上這個速度，實驗讀數因此成了瓶頸。

VERID：讓代理的推理接上實體現實

Google Research 提出「經驗證的發現實驗室基礎架構」（VERID）框架，用來連接 AI 代理的高層推理，與濕式實驗室中複雜、容易出錯的實體現實。透過 VERID，代理可以在液體處理機器人上規劃、模擬並執行協議，進行安全、資源高效的實驗，且以實體測量為基礎。

命令是否安全，取決於即時的實體背景以及程式碼。透過 VERID，代理不會把未經驗證的程式碼直接送給液體處理機器人。

適配子與蛋白質設計的實驗

Google Research 在適配子與全新設計蛋白質的原型上，展示了閉環的代理科學發現。

在一項以纖維母細胞活化蛋白 alpha（FAP）為對象的研究中，Google 將其工作流應用於這個在實體腫瘤中過度表現、體積大又難處理的受體。Google 表示，在少數實驗運行中，最佳設計產出了具單數位納莫爾親和力的結合劑，這種緊密、類藥物般的結合程度，通常需要大量實驗室優化才能達到。其管線在折疊期間只切除局部結合口袋，讓每個週期加速超過八倍，且沒有損失結構準確性。

在同等運算下的對照比較中，由科學家設定高層策略、代理負責戰術執行的人類與代理協作，使虛擬篩選命中率幾乎翻倍，相較於科學家單獨工作；同時，命中的標靶位點範圍也更廣。為了在濕式實驗室中同步擴大篩選規模，Google 將酵母表面顯示與螢光活化細胞分選（FACS）操作化，可透過螢光平行篩選大型工程蛋白質變體庫。

下一步，Google 計畫把 VERID 的可追溯自動化與閉環學習結合，用於蛋白質發現，讓代理能在濕式實驗室中直接探索複雜、崎嶇的生物搜尋空間。

安全與監督

Google 依據其前沿安全框架與生物韌性方法，在工作流的計算端與濕式實驗室端都建立保障措施。測試床選用受控、非感染性且無功能增益風險的生物系統，用來評估代理行為並及早發現偏離。每一條設計序列都會經過生物安全篩選。每個協議在碰觸試劑前，都會先在模擬中乾跑，並與數位分身比對驗證。人類則直接授權與審查設計序列、驗證濕式實驗室協議，並監督機器人運行。

Google 也指出，隨著 AI 代理承擔更多設計-測試週期，新的安全與可靠性挑戰隨之出現。要邁向自主濕式實驗室，必須解決以下開放問題，並為人類的能動性與監督保留空間：確保代理優化的是真正的標靶結合，而非非預期的實驗捷徑；驗證多步驟的濕式實驗室協議；並持續監控代理的推理與執行軌跡。

結語

Google 表示，從將代理接上實體實驗室機器人，到執行快速的閉環適配子循環，再到發現單數奈米莫爾級的蛋白質結合劑，這些努力構成了生命科學中人類導向自主發現的建構模組。Google 表示對這項進展感到興奮，並期待分享後續內容。

此研究由 Annalisa Pawlosky 領導，並與 Pooja Rao、Petar Sirkovic 共同進行。文章中也感謝了多位共同作者與合作者，其中適配子發現部分包括 Zach Cutts、John Coller、Rachel Chen、Mathias Bellaiche、Hua Tang、Ryder Easterlin 與 Dina Zverinski；蛋白質設計部分包括 Jun Kim、Artiom Myaskovsky、Oscar Donosa、Jamie Rogers 與 Lawrence Chan。