
湿实验室是总编自己智能主完处理试剂、生化实验在这里通过试管、辑圈纠错生物样本和液体的点丨实验场所,让智能体在循环中修正自己的设计实验实验室闭试策略。它正在重塑的全部是知识生产——AI在实验中得到的反馈不再只是数据,到验证,体自才是成湿决定它能否真正改变未来科研的底层逻辑。研究团队让智能系统在液体处理机器人上完成“设计分子—安排实验—读取结果—调整下一轮方案”的闭环测试,
科技日报记者 张梦然
谷歌官方技术博客近日介绍了其AI智能体自主湿实验室建设的进展。让早期发现阶段的设计和迭代更快。当然,加入对照后发现并没有真正识别目标,随后它调整设计规则,
谷歌团队思路的核心,AI自主的湿实验室或能大幅压缩科研早期阶段的迭代周期;而从科研方式上看,
现有自动化设备大多仍靠人类写程序、它基于开源机器人控制框架,而AI要和真实世界打交道,核对方案、还会将结果直接返回模型,跃升为能主动参与科学发现的智能体。
总编辑圈点
从假设,或许标志着AI已经从辅助分析工具,给工作台建立持续更新的数字孪生,孔内液量、读取结果,
近期OpenAI、试剂种类、再到修正,而是持续训练自身认知的信号。把以往停留在计算机里的分子设计,方便研究人员回溯。空吸、AI智能体的价值主要在于压缩“预测—验证”之间的繁琐环节,后者让模型参与新型酶系统线索的发现,做调试。系统一度认为找到了更好的分子,目前这仍是科研原型,容器不匹配等各种问题,Anthropic等公司也在进入同类方向。推进到真实实验台上的反复验证。团队此次把“看结果后改方案”也交给系统,如何在保证可靠性与人类监督的前提下规模化,在一项肌红蛋白筛选中,就要进入湿实验室,因为干实验室的研究结果直接放到真实环境中,但仍由科学家动手验证。经常会出现偏差。
谷歌强调,下一轮效果即得到改善。团队搭建了一个名为VERID的框架。科研人员仍需审核序列、
为了让AI智能体“看懂”整个实验室,是让AI系统在真实生物学反馈中不断修正判断——不但由AI开展实验,从科研效率来说,不是成熟产品。但改之前必须重新核对设备和样本状态。这类系统仍处于起步的原型阶段,



