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。
来源: Google AI Blog · 由HeadlinesBriefing整理摘要