Google（谷歌） Research 发布 VERID 框架与研究进展，让 AI（人工智能） 智能体在湿实验室中规划、模拟并执行液态处理实验
Google Research 公布 VERID（面向发现实验室的已验证基础设施）框架，用实验室工作单元的语义数字孪生把 AI（人工智能） 智能体（能自主调用工具完成多步任务的模型系统）的高层推理与机器人操作衔接：智能体须先模拟、通过硬件安全检查才可执行。
团队同时在适配体与蛋白结合剂设计上展示闭环迭代，但均为原型研究，非临床验证。
Google（谷歌） Research 于 2026 年 10 月 16 日发布博文，介绍三项研究。 VERID 构建实验室工作单元的实时三维体素实体树，跟踪机械臂几何、孔内体积、试剂身份与吸头库存，基于开源 PyLabRobot 框架，具备实时三维状态跟踪、秒级虚拟试运行、硬件安全检查、同步视频与操作日志四项能力。
案例中，模拟器拒绝了一个在窄槽中物理上放不下的 8 通道吸液命令，智能体随即重新规划； 另一个闭环自博弈实验中，智能体通过顶部摄像头图像重建盲法染料混合，精度提升逾五倍。 适配体研究经三轮设计—测试—迭代，肌红蛋白确认命中率升至 33.5%，α-凝血酶升至 42.1%（特异性 98.5%）；
第二轮因富集 G-四链体导致肌红蛋白特异性从 75.0% 降至 19.1%，智能体在第三轮自行修正设计规则后恢复至 72.4%。 蛋白设计研究针对成纤维细胞活化蛋白 α（FAP），通过外科式表位切除使每轮结构预测加速 8.6 倍，数轮实验内得到单位数纳摩尔亲和力的结合剂。
安全方面，所有设计序列均经生物安全筛查，人类授权并审查序列、验证湿实验方案并监督机器人运行。
这项工作对智能体赛道的价值不在于又一次模型能力展示，而在于把“物理状态校验”做成智能体执行链的强制环节：命令在到达机器人之前要经过数字孪生模拟与硬件安全检查，这相当于为工具调用加了一层可验证的执行前置条件。 适配体实验中的第二轮失败更值得注意——智能体按原始亲和力优化，反而富集了非特异性的“粘性”结合序列，随后才依据读数修正目标函数；
这说明闭环智能体的瓶颈常在于评估指标本身是否对齐真实目标，而不只是规划能力。 蛋白设计侧以表位切除降低折叠计算量，也提示智能体更擅长在计算预算与结构范围之间做战术取舍，而人类负责高层策略。 上述结果均为研究原型，命中率与亲和力数据不能外推为药物有效性。
后续观察信号
- 查阅 VERID 论文中干跑模拟与硬件安全检查的实现细节
- 比对三轮适配体实验中智能体修改设计规则的推理记录
- 关注后续把 VERID 自动化与蛋白发现闭环结合的计划