Grounding AI agents in biological reality: Building blocks for autonomous wet labs

Frontier AI systems could transform biology research and drug discovery by navigating enormous search spaces. For example, a single 100-amino-acid protein spans at least 20100 possible sequences, which calls for dynamic, multi-candidate exploration. Google's long-term vision is for AI agents to not only ideate and analyze, but also run lab experiments, learn from the results, and self-improve, all driven by human scientific agency.

Realizing this vision requires solving two linked challenges. First, frontier models still do not reason reliably about 3-dimensional geometry and physical state, which complicates automating the liquid-handling robots that move reagents, track volumes, and execute molecular biology protocols. Second, while in-silico hypothesis generation and design are advancing rapidly, real-world wet-lab experiments have not kept pace, making experimental readouts the bottleneck more than ever.

To address the first challenge, the team presents the VERified Infrastructure for Discovery Laboratories (VERID) framework. VERID is a semantic digital twin of the laboratory workcell: a live, stateful 3D model that tracks everything from robotic arm geometry to individual well volumes, reagent identities, and pipette tip inventory. Built on the open-source PyLabRobot framework, it offers live 3D state tracking, fast virtual dry runs, hardware safety checks, and synchronized video and action logs.

In case studies, synchronized video caught uneven dye stratification caused by dispensing too close to the well floor, and the agent refined its mixing strategy. When the simulator rejected an 8-channel aspiration that would not fit in a narrow trough, the agent replanned and designed a targeted factorial diagnostic. In a closed-loop self-play campaign, an agent improved its accuracy more than fivefold by identifying its own optical and fluidic artifacts.

يمكن لأنظمة الذكاء الاصطناعي المتقدمة أن تُحدث تحولاً في أبحاث علم الأحياء واكتشاف الأدوية من خلال التنقل عبر مساحات بحث هائلة. فعلى سبيل المثال، يمتد بروتين واحد مكون من 100 حمض أميني على 20100 تسلسل ممكن على الأقل، وهو ما يستدعي استكشافاً ديناميكياً متعدد المرشحين. وتتطلع رؤية غوغل طويلة الأمد إلى أن يتمكن وكلاء الذكاء الاصطناعي ليس فقط من ابتكار الفرضيات وتحليلها، بل أيضاً من إجراء التجارب المخبرية، والتعلم من نتائجها، وتحسين أنفسهم، كل ذلك بقيادة الوكالة العلمية البشرية.

يتطلب تحقيق هذه الرؤية حل تحديين مترابطين. أولاً، لا تزال النماذج المتقدمة غير قادرة على الاستدلال بموثوقية حول الهندسة ثلاثية الأبعاد والحالة الفيزيائية، وهو ما يعقّد أتمتة الروبوتات المناولة للسوائل التي تنقل الكواشف وتتتبع الأحجام وتنفذ بروتوكولات البيولوجيا الجزيئية. ثانياً، بينما يتقدم توليد الفرضيات والتصميم داخل الحاسوب بسرعة، لم تواكب التجارب المخبرية الرطبة في العالم الواقعي هذا التقدم، مما يجعل القراءات التجريبية عنق الزجاجة أكثر من أي وقت مضى.

ولمعالجة التحدي الأول، يقدم الفريق إطار عمل البنية التحتية المتحققة لمختبرات الاكتشاف (VERID). وVERID هو توأم رقمي دلالي لمحطة العمل المختبرية: نموذج ثلاثي الأبعاد حي ومتعدد الحالات يتتبع كل شيء، من هندسة الذراع الروبوتية إلى أحجام الآبار الفردية وهويات الكواشف ومخزون رؤوس الماصات. ومبني على إطار PyLabRobot مفتوح المصدر، ويوفر تتبعاً مباشراً للحالة ثلاثية الأبعاد، وتشغيلات افتراضية سريعة، وفحوصات أمان للأجهزة، وسجلات متزامنة للفيديو والإجراءات.

في دراسات الحالة، رصد الفيديو المتزامن تطبقاً غير متساوٍ للصبغة ناتجاً عن التوزيع قريباً جداً من قاع البئر، فحسّن الوكيل استراتيجية الخلط. وعندما رفض المحاكي عملية سحب بثماني قنوات لا تتسع لها حوض ضيق، أعاد الوكيل التخطيط وصمم تشخيصاً عاملياً مستهدفاً. وفي حملة لعب ذاتي مغلقة الحلقة، حسّن وكيل دقته بأكثر من خمسة أضعاف بتحديد القطع الأثرية البصرية والسائلة الخاصة به.

অত্যাধুনিক এআই ব্যবস্থা বিশাল অনুসন্ধান স্থান পাড়ি দিয়ে জীববিজ্ঞান গবেষণা ও ওষুধ আবিষ্কারে রূপান্তর আনতে পারে। উদাহরণস্বরূপ, ১০০টি অ্যামাইনো অ্যাসিডের একটি একক প্রোটিনের অন্তত ২০১০০টি সম্ভাব্য ক্রম রয়েছে, যার জন্য গতিশীল, বহু-প্রার্থী অনুসন্ধান প্রয়োজন। গুগলের দীর্ঘমেয়াদি দৃষ্টিভঙ্গি হলো, এআই এজেন্টরা শুধু ধারণা তৈরি ও বিশ্লেষণ করবে না, বরং ল্যাবে পরীক্ষা চালাবে, ফলাফল থেকে শিখবে এবং নিজেদের উন্নত করবে, এসবই মানুষের বৈজ্ঞানিক কর্তৃত্বের অধীনে।

এই দৃষ্টিভঙ্গি বাস্তবায়নে দুটি পরস্পর সম্পর্কিত চ্যালেঞ্জ মোকাবিলা করতে হবে। প্রথমত, অত্যাধুনিক মডেলগুলো এখনো ত্রিমাত্রিক জ্যামিতি ও ভৌত অবস্থা নিয়ে নির্ভরযোগ্যভাবে যুক্তি দিতে পারে না, যা তরল-পরিচালনা রোবট স্বয়ংক্রিয় করাকে জটিল করে তোলে; এসব রোবট বিকারক স্থানান্তর করে, আয়তন ট্র্যাক করে এবং আণবিক জীববিজ্ঞানের প্রোটোকল চালায়। দ্বিতীয়ত, ইন-সিলিকো অনুকল্প তৈরি ও নকশা দ্রুত এগোলেও বাস্তব ওয়েট-ল্যাব পরীক্ষা সেই গতির সঙ্গে তাল মেলাতে পারেনি, ফলে পরীক্ষামূলক ফলাফল আগের যেকোনো সময়ের চেয়ে বেশি প্রতিবন্ধক হয়ে উঠেছে।

প্রথম চ্যালেঞ্জ মোকাবিলায় দল VERified Infrastructure for Discovery Laboratories (VERID) কাঠামো উপস্থাপন করেছে। VERID হলো ল্যাব ওয়ার্কসেলের একটি শব্দার্থিক ডিজিটাল টুইন: একটি জীবন্ত, অবস্থা-সংরক্ষণকারী ত্রিমাত্রিক মডেল, যা রোবটিক বাহুর জ্যামিতি থেকে প্রতিটি ওয়েলের আয়তন, বিকারকের পরিচয় ও পিপেট টিপের মজুদ পর্যন্ত সবকিছু ট্র্যাক করে। ওপেন-সোর্স PyLabRobot কাঠামোর ওপর নির্মিত এটি লাইভ ত্রিমাত্রিক অবস্থা ট্র্যাকিং, দ্রুত ভার্চুয়াল ড্রাই রান, হার্ডওয়্যার নিরাপত্তা যাচাই এবং সমন্বিত ভিডিও ও কার্যক্রম লগ সরবরাহ করে।

কেস স্টাডিতে সমন্বিত ভিডিও ওয়েলের তলার খুব কাছে ডিসপেন্স করার কারণে সৃষ্ট অসম রঙ স্তরবিন্যাস ধরতে পেরেছে, এবং এজেন্ট তার মিশ্রণ কৌশল পরিমার্জন করেছে। সিমুলেটর যখন একটি সরু ট্রফে না ধরা ৮-চ্যানেল অ্যাসপিরেশন বাতিল করেছে, তখন এজেন্ট পরিকল্পনা নতুন করে সাজিয়ে একটি লক্ষ্যভিত্তিক ফ্যাক্টোরিয়াল ডায়াগনস্টিক নকশা করেছে। একটি বন্ধ-লুপ স্ব-খেলা অভিযানে, এজেন্ট নিজের অপটিক্যাল ও তরল-সংক্রান্ত ত্রুটি চিহ্নিত করে তার নির্ভুলতা পাঁচ গুণেরও বেশি বাড়িয়েছে।

Hochentwickelte KI-Systeme könnten die biologische Forschung und Medikamentenentwicklung verändern, indem sie riesige kombinatorische Suchräume durchdringen. Ein einziges Protein mit 100 Aminosäuren umfasst zum Beispiel mindestens 20100 mögliche Sequenzen, was eine dynamische Erkundung vieler Kandidaten erfordert. Googles langfristige Vision ist, dass KI-Agenten nicht nur Ideen entwickeln und analysieren, sondern auch Laborexperimente durchführen, aus den Ergebnissen lernen und sich selbst verbessern – alles unter menschlicher wissenschaftlicher Verantwortung.

Diese Vision zu verwirklichen erfordert die Lösung zweier miteinander verbundener Herausforderungen. Erstens können Spitzenmodelle räumliche 3D-Geometrie und physikalische Zustände noch nicht zuverlässig beurteilen, was die Automatisierung der Flüssigkeitshandhabungsroboter erschwert, die Reagenzien bewegen, Volumina erfassen und molekularbiologische Protokolle ausführen. Zweitens kommen reale Nasslaborexperimente nicht mit der rasanten Entwicklung der In-silico-Hypothesengenerierung und des Designs mit, sodass die experimentellen Messwerte mehr denn je zum Engpass werden.

Um die erste Herausforderung anzugehen, stellt das Team das VERified Infrastructure for Discovery Laboratories (VERID)-Framework vor. VERID ist ein semantischer digitaler Zwilling der Laborarbeitszelle: ein lebendiges, zustandsbehaftetes 3D-Modell, das alles verfolgt, von der Geometrie des Roboterarms über die Volumina einzelner Vertiefungen und Reagenzienidentitäten bis hin zum Pipettenspitzen-Bestand. Auf dem Open-Source-Framework PyLabRobot aufbauend bietet es Live-3D-Zustandsverfolgung, schnelle virtuelle Trockenläufe, Hardware-Sicherheitsprüfungen sowie synchronisierte Video- und Aktionsprotokolle.

In Fallstudien erfasste das synchronisierte Video eine ungleichmäßige Farbschichtung, die dadurch entstand, dass zu nah am Boden der Vertiefung dosiert wurde; der Agent verfeinerte daraufhin seine Mischstrategie. Als der Simulator eine 8-Kanal-Aspiration ablehnte, die in eine schmale Rinne nicht hineinpasste, plante der Agent um und entwarf eine gezielte faktorielle Diagnose. In einer geschlossenen Selbstspiel-Kampagne verbesserte ein Agent seine Genauigkeit um mehr als das Fünffache, indem er seine eigenen optischen und fluidischen Artefakte identifizierte.

Los sistemas de IA de vanguardia podrían transformar la investigación biológica y el descubrimiento de fármacos al explorar enormes espacios de búsqueda. Por ejemplo, una sola proteína de 100 aminoácidos abarca al menos 20100 secuencias posibles, lo que exige una exploración dinámica de múltiples candidatos. La visión a largo plazo de Google es que los agentes de IA no solo idean y analizan, sino que también ejecutan experimentos de laboratorio, aprenden de los resultados y se mejoran a sí mismos, todo ello impulsado por la agencia científica humana.

Hacer realidad esta visión requiere resolver dos desafíos interrelacionados. En primer lugar, los modelos de vanguardia todavía no razonan de forma fiable sobre la geometría tridimensional y el estado físico, lo que complica la automatización de los robots de manipulación de líquidos que mueven reactivos, controlan volúmenes y ejecutan protocolos de biología molecular. En segundo lugar, mientras la generación de hipótesis y el diseño in silico avanzan rápidamente, los experimentos de laboratorio húmedo en el mundo real no han seguido el ritmo, lo que convierte las lecturas experimentales en el cuello de botella más que nunca.

Para abordar el primer desafío, el equipo presenta el marco VERified Infrastructure for Discovery Laboratories (VERID). VERID es un gemelo digital semántico de la celda de trabajo del laboratorio: un modelo tridimensional en tiempo real y con estado que registra todo, desde la geometría del brazo robótico hasta los volúmenes de cada pocillo, la identidad de los reactivos y el inventario de puntas de pipeta. Construido sobre el marco de código abierto PyLabRobot, ofrece seguimiento del estado 3D en tiempo real, simulaciones virtuales rápidas, controles de seguridad del hardware y registros sincronizados de vídeo y acciones.

En los estudios de caso, el vídeo sincronizado detectó una estratificación desigual del colorante causada por dispensar demasiado cerca del fondo del pocillo, y el agente ajustó su estrategia de mezcla. Cuando el simulador rechazó una aspiración de 8 canales que no cabía en un depósito estrecho, el agente replanificó y diseñó un diagnóstico factorial específico. En una campaña de autojuego en bucle cerrado, un agente mejoró su precisión más de cinco veces al identificar sus propios artefactos ópticos y fluídicos.

Les systèmes d'IA de pointe pourraient transformer la recherche en biologie et la découverte de médicaments en naviguant dans d'immenses espaces de recherche. Par exemple, une seule protéine de 100 acides aminés couvre au moins 20100 séquences possibles, ce qui exige une exploration dynamique à plusieurs candidats. La vision à long terme de Google est que les agents d'IA ne se contentent pas de concevoir et d'analyser, mais réalisent aussi des expériences en laboratoire, apprennent de leurs résultats et s'améliorent, le tout guidé par l'autonomie scientifique humaine.

Concrétiser cette vision exige de résoudre deux défis liés. Premièrement, les modèles de pointe ne raisonnent toujours pas de façon fiable sur la géométrie tridimensionnelle et l'état physique, ce qui complique l'automatisation des robots de manipulation de liquides qui déplacent les réactifs, suivent les volumes et exécutent les protocoles de biologie moléculaire. Deuxièmement, si la génération d'hypothèses et la conception in silico progressent rapidement, les expériences en laboratoire humide du monde réel n'ont pas suivi, faisant des relevés expérimentaux le goulot d'étranglement plus que jamais.

Pour relever le premier défi, l'équipe présente le cadre VERified Infrastructure for Discovery Laboratories (VERID). VERID est un jumeau numérique sémantique de la cellule de travail du laboratoire : un modèle 3D vivant et doté d'un état, qui suit tout, de la géométrie du bras robotisé aux volumes de chaque puits, en passant par l'identité des réactifs et l'inventaire des cônes de pipette. Construit sur le cadre open source PyLabRobot, il offre le suivi en direct de l'état 3D, des simulations virtuelles rapides, des contrôles de sécurité matérielle et des journaux vidéo et d'actions synchronisés.

Dans les études de cas, la vidéo synchronisée a détecté une stratification inégale du colorant causée par un dépôt trop proche du fond du puits, et l'agent a affiné sa stratégie de mélange. Lorsque le simulateur a rejeté une aspiration à 8 canaux qui ne tenait pas dans une auge étroite, l'agent a replanifié et conçu un diagnostic factoriel ciblé. Lors d'une campagne d'autojeu en boucle fermée, un agent a amélioré sa précision plus de cinq fois en identifiant ses propres artefacts optiques et fluidiques.

अग्रणी एआई प्रणालियाँ विशाल खोज क्षेत्रों में मार्ग खोजकर जीव विज्ञान अनुसंधान और दवा खोज को बदल सकती हैं। उदाहरण के लिए, 100 अमीनो एसिड वाले एक प्रोटीन के लिए कम से कम 20100 संभावित अनुक्रम होते हैं, जिसके लिए गतिशील, बहु-उम्मीदवार अन्वेषण आवश्यक है। गूगल का दीर्घकालिक दृष्टिकोण है कि एआई एजेंट न केवल विचार और विश्लेषण करें, बल्कि प्रयोगशाला प्रयोग भी चलाएँ, परिणामों से सीखें और स्वयं में सुधार करें, यह सब मानवीय वैज्ञानिक एजेंसी के मार्गदर्शन में।

इस दृष्टि को साकार करने के लिए दो जुड़ी चुनौतियों का समाधान करना होगा। पहली, अग्रणी मॉडल अभी भी त्रि-आयामी ज्यामिति और भौतिक स्थिति पर विश्वसनीय तर्क नहीं कर पाते, जिससे उन तरल-संभाल रोबोटों का स्वचालन जटिल हो जाता है जो अभिकर्मक स्थानांतरित करते, आयतन ट्रैक करते और आणविक जीव विज्ञान प्रोटोकॉल चलाते हैं। दूसरी, जहाँ इन-सिलिको परिकल्पना निर्माण तेज़ी से आगे बढ़ रहा है, वास्तविक दुनिया के वेट-लैब प्रयोग उसकी बराबरी नहीं कर पाए हैं, जिससे प्रायोगिक परिणाम पहले से कहीं अधिक बाधा बन गए हैं।

पहली चुनौती के समाधान के लिए टीम VERified Infrastructure for Discovery Laboratories (VERID) ढाँचा प्रस्तुत करती है। VERID प्रयोगशाला कार्यस्थल का एक शब्दार्थिक डिजिटल ट्विन है: एक जीवंत, स्थितियुक्त 3D मॉडल जो रोबोटिक भुजा की ज्यामिति से लेकर हर वेल का आयतन, अभिकर्मक पहचान और पिपेट टिप सूची तक सब कुछ ट्रैक करता है। यह ओपन-सोर्स PyLabRobot ढाँचे पर बना है और लाइव 3D स्थिति ट्रैकिंग, तेज़ वर्चुअल ड्राई रन, हार्डवेयर सुरक्षा जाँच तथा समकालिक वीडियो व क्रिया लॉग प्रदान करता है।

केस स्टडी में, समकालिक वीडियो ने वेल के फर्श के बहुत करीब डिस्पेंस करने से होने वाले असमान डाई स्तरीकरण को पकड़ा, और एजेंट ने अपनी मिश्रण रणनीति सुधारी। जब सिम्युलेटर ने एक संकरी ट्रफ़ में न समाने वाले 8-चैनल एस्पिरेशन को अस्वीकार किया, तो एजेंट ने योजना बदली और एक लक्षित फैक्टोरियल निदान डिज़ाइन किया। एक क्लोज़्ड-लूप सेल्फ-प्ले अभियान में, एजेंट ने अपने ही ऑप्टिकल और तरल संबंधी कलाकृतियों की पहचान करके अपनी सटीकता पाँच गुना से अधिक बढ़ा ली।

Sistem AI mutakhir berpotensi mengubah riset biologi dan penemuan obat dengan menavigasi ruang pencarian kombinatorial yang sangat luas. Misalnya, satu protein dengan 100 asam amino memiliki setidaknya 20100 kemungkinan urutan, sehingga diperlukan eksplorasi dinamis dengan banyak kandidat. Visi jangka panjang Google adalah agar agen AI tidak hanya menggagas dan menganalisis, tetapi juga menjalankan eksperimen laboratorium, belajar dari hasilnya, dan memperbaiki diri, semuanya didorong oleh keagenan ilmiah manusia.

Mewujudkan visi ini membutuhkan penyelesaian dua tantangan yang saling terkait. Pertama, model mutakhir masih belum dapat bernalar secara andal tentang geometri 3 dimensi dan keadaan fisik, yang menyulitkan otomatisasi robot penanganan cairan yang memindahkan reagen, melacak volume, dan menjalankan protokol biologi molekuler. Kedua, sementara pembangkitan hipotesis dan desain secara in silico berkembang pesat, eksperimen laboratorium basah di dunia nyata belum mengimbanginya, sehingga pembacaan hasil eksperimen menjadi hambatan utama lebih dari sebelumnya.

Untuk menjawab tantangan pertama, tim memperkenalkan kerangka kerja VERified Infrastructure for Discovery Laboratories (VERID). VERID adalah kembaran digital semantik dari sel kerja laboratorium: model 3D hidup dan stateful yang melacak segala hal, mulai dari geometri lengan robot hingga volume tiap sumur, identitas reagen, dan inventaris ujung pipet. Dibangun di atas kerangka sumber terbuka PyLabRobot, sistem ini menyediakan pelacakan status 3D secara langsung, simulasi virtual cepat, pemeriksaan keamanan perangkat keras, serta log video dan aksi yang tersinkronisasi.

Dalam studi kasus, video tersinkronisasi menangkap stratifikasi pewarna yang tidak merata akibat dispensing terlalu dekat dengan dasar sumur, dan agen pun memperbaiki strategi pencampurannya. Ketika simulator menolak aspirasi 8 saluran yang tidak muat di palung sempit, agen membuat rencana ulang dan merancang diagnosis faktorial yang terarah. Dalam kampanye self-play loop tertutup, sebuah agen meningkatkan akurasinya lebih dari lima kali lipat dengan mengidentifikasi artefak optik dan fluidiknya sendiri.

最先端のAIシステムは、膨大な組み合わせ探索空間をうまく進むことで、生物学研究や創薬を変革する可能性を秘めています。例えば、100個のアミノ酸からなる単一のタンパク質は、少なくとも20100通りの配列をとり得るため、動的な複数候補の探索が求められます。Googleの長期的なビジョンは、AIエージェントが発想や分析を行うだけでなく、実験室での実験を実行し、結果から学習して自己改善することであり、それらすべては人間の科学的主体性に導かれます。

このビジョンを実現するには、相互に関連する2つの課題を解決する必要があります。第一に、最先端のモデルは3次元の幾何学や物理的状態について依然として確実に推論できず、試薬を移動させ、量を管理し、分子生物学のプロトコルを実行する液体ハンドリングロボットの自動化を複雑にしています。第二に、in silicoでの仮説生成や設計は急速に進んでいるものの、現実のウェットラボ実験はそれに追いついておらず、実験結果の読み取りがかつてないほどボトルネックになっています。

最初の課題に対処するため、研究チームはVERified Infrastructure for Discovery Laboratories（VERID）フレームワークを発表しました。VERIDは実験室のワークセルの意味的デジタルツインであり、ロボットアームの幾何学から個々のウェルの量、試薬の識別情報、ピペットチップの在庫まで、すべてを追跡するリアルタイムで状態を保持する3Dモデルです。オープンソースのPyLabRobotフレームワーク上に構築され、ライブ3D状態追跡、高速な仮想ドライラン、ハードウェアの安全性チェック、同期された動画・操作ログを提供します。

ケーススタディでは、同期された動画により、ウェットの底に近すぎる位置での分注が原因となった不均一な色素の層化が捉えられ、エージェントは混合戦略を改良しました。また、シミュレーターが狭い容器に収まらない8チャンネルの吸引を拒否した際には、エージェントが計画を立て直し、的を絞った要因実験による診断を設計しました。閉ループの自己対戦キャンペーンでは、エージェントが自身の光学的および流体的なアーティファクトを特定することで、精度を5倍以上向上させました。

Sistemas avançados de IA podem transformar a pesquisa em biologia e a descoberta de medicamentos ao navegar por enormes espaços de busca. Por exemplo, uma única proteína de 100 aminoácidos abrange pelo menos 20100 sequências possíveis, o que exige uma exploração dinâmica de múltiplos candidatos. A visão de longo prazo do Google é que agentes de IA não apenas idealizem e analisem, mas também executem experimentos de laboratório, aprendam com os resultados e se aperfeiçoem, tudo guiado pela agência científica humana.

Concretizar essa visão exige resolver dois desafios interligados. Primeiro, os modelos de ponta ainda não raciocinam de forma confiável sobre geometria tridimensional e estado físico, o que complica a automação dos robôs de manipulação de líquidos que movimentam reagentes, controlam volumes e executam protocolos de biologia molecular. Segundo, enquanto a geração de hipóteses e o desenho in silico avançam rapidamente, os experimentos reais de laboratório úmido não acompanharam esse ritmo, tornando as leituras experimentais o gargalo mais do que nunca.

Para enfrentar o primeiro desafio, a equipe apresenta o framework VERified Infrastructure for Discovery Laboratories (VERID). O VERID é um gêmeo digital semântico da célula de trabalho do laboratório: um modelo 3D vivo e com estado, que rastreia tudo, desde a geometria do braço robótico até o volume de cada poço, a identidade dos reagentes e o inventário de pontas de pipeta. Construído sobre o framework de código aberto PyLabRobot, oferece rastreamento de estado 3D em tempo real, simulações virtuais rápidas, verificações de segurança de hardware e registros sincronizados de vídeo e ações.

Nos estudos de caso, o vídeo sincronizado detectou uma estratificação desigual do corante causada pela dispensação muito próxima ao fundo do poço, e o agente refinou sua estratégia de mistura. Quando o simulador rejeitou uma aspiração de 8 canais que não cabia em uma cuba estreita, o agente replanejou e projetou um diagnóstico fatorial direcionado. Em uma campanha de autojogo em ciclo fechado, um agente melhorou sua precisão mais de cinco vezes ao identificar seus próprios artefatos ópticos e fluídicos.

Передовые системы ИИ способны преобразовать биологические исследования и разработку лекарств, перебирая огромные пространства поиска. Например, один белок из 100 аминокислот имеет как минимум 20100 возможных последовательностей, что требует динамического исследования множества кандидатов. Долгосрочное видение Google заключается в том, что ИИ-агенты будут не только генерировать идеи и анализировать, но и проводить лабораторные эксперименты, учиться на результатах и совершенствоваться, и всё это под руководством человеческой научной ответственности.

Реализация этого видения требует решения двух взаимосвязанных задач. Во-первых, передовые модели по-прежнему не могут надёжно рассуждать о трёхмерной геометрии и физическом состоянии, что осложняет автоматизацию роботов для работы с жидкостями, которые перемещают реагенты, контролируют объёмы и выполняют протоколы молекулярной биологии. Во-вторых, хотя генерация гипотез и проектирование in silico стремительно развиваются, реальные эксперименты в мокрых лабораториях не успевают за ними, и снятие экспериментальных показаний становится узким местом как никогда.

Для решения первой задачи команда представляет фреймворк VERified Infrastructure for Discovery Laboratories (VERID). VERID — это семантический цифровой двойник рабочей ячейки лаборатории: живая, сохраняющая состояние трёхмерная модель, которая отслеживает всё — от геометрии роботизированной руки до объёмов отдельных лунок, идентификаторов реагентов и запаса наконечников для пипеток. Построенный на базе открытого фреймворка PyLabRobot, он предлагает отслеживание состояния в 3D в реальном времени, быстрые виртуальные пробные прогоны, проверки безопасности оборудования и синхронизированные журналы видео и действий.

В примерах из практики синхронизированное видео зафиксировало неравномерное расслоение красителя, вызванное дозированием слишком близко ко дну лунки, и агент уточнил свою стратегию перемешивания. Когда симулятор отклонил 8-канальную аспирацию, которая не помещалась в узкое корытце, агент перепланировал действия и разработал целенаправленную факторную диагностику. В ходе замкнутой кампании самообучения через игру агент повысил точность более чем в пять раз, выявив собственные оптические и гидродинамические артефакты.

前沿AI系统可以通过探索庞大的搜索空间，改变生物学研究和药物发现。例如，一个由100个氨基酸组成的蛋白质，其可能的序列数至少为20100种，这需要动态的多候选方案探索。谷歌的长期愿景是，AI智能体不仅能够构思和分析，还能运行实验室实验、从结果中学习并自我改进，而这一切都由人类的科学能动性驱动。

实现这一愿景需要解决两个相互关联的挑战。首先，前沿模型在可靠地推理三维几何结构和物理状态方面仍有不足，这使得自动化液体处理机器人（负责移送试剂、追踪体积并执行分子生物学方案）变得复杂。其次，尽管计算机模拟中的假设生成和设计正在迅速发展，但现实世界中的湿实验进展却未能跟上，使实验读数比以往任何时候都更加成为瓶颈。

为应对第一个挑战，研究团队提出了实验室发现基础设施验证框架（VERID）。VERID是实验室工作单元的语义数字孪生：一个实时、有状态的三维模型，可追踪从机械臂几何结构到单个孔板体积、试剂标识和移液器枪头库存的一切。该框架基于开源的PyLabRobot构建，提供实时三维状态追踪、快速虚拟试运行、硬件安全检查以及同步的视频和操作日志。

在案例研究中，同步视频捕捉到因分液位置过于靠近孔底而导致的染料分层不均，智能体随之优化了混合策略。当模拟器拒绝了一次无法放入狭窄槽中的8通道吸液操作时，智能体重新规划并设计了有针对性的析因诊断实验。在一项闭环自博弈实验中，智能体通过识别自身的光学和流体伪影，将准确率提升了五倍以上。