Google AI 濕實驗室研究：VERID、適體與蛋白質設計的三個進展
Google Research 公布 AI 濕實驗室研究，從 VERID 數位孿生、適體反覆實驗，到蛋白質結合分子設計。解析物理狀態、實驗回饋與人類監督，分清研究原型、運算加速和新藥成果。
AI 濕實驗室要解決的問題，是讓模型提出的想法，能被真實設備執行，也能從實驗結果修正。因為電腦裡看似合理的分子，到了試管裡不一定有相同表現。
Google Research 在 2026 年 10 月 16 日公布三項相關研究，分別處理實驗室設備、適體探索與蛋白質設計。它們共同指向設計與測試之間的落差。
其中一個進展，是讓 AI 代理先查看設備的立體位置、液體狀態與耗材，再決定怎麼操作。這比單純產生一段能執行的程式，更接近實驗室真正需要的能力。
另一個重點是把失敗當成資料。若只挑看起來最好的結果，模型可能把測量誤差或非特異性的黏附，當成發現了有用分子。
這些研究適合拿來理解科學自動化正在補哪一段工作，但還不能稱為一套已經完成整合、可以自主推出新藥的系統。
先看真實設備為什麼讓代理更難工作，再看三項研究各自走到了哪裡，會比只記住一個加速數字更有幫助。
AI 濕實驗室先要解決什麼問題？
濕實驗室是實際使用液體、試劑與設備進行實驗的場所。它和純電腦模擬最大的差別，是每次操作都會改變真實物品的狀態。
Google Research 的官方長文 指出，模型仍不擅長可靠理解三維空間與物理狀態。這使它即使產生語法正確的程式，也可能做出實際上辦不到的動作。
例如，設備的形狀未必容得下某個操作，容器裡也可能沒有足夠液體。這些條件無法只靠看程式碼判斷，還需要知道工作台此刻的狀態。
正確的指令，仍可能遇到錯的物理前提
如果系統以為容器是空的，實際上卻已經裝了液體，接下來的計算就可能全部建立在錯誤前提。長任務裡，這種差異還會逐步累積。
因此，代理需要的不只是操作指令清單，也需要能持續更新的狀態紀錄。它必須知道前面做過什麼、哪些步驟失敗，以及哪些物品已經不能照原計畫使用。
這也解釋了研究為何把重點放在設備與資料之間的中間層。先讓狀態可信，後續的科學判讀才有依據。
VERID 如何讓程式指令對上真實設備？
VERID 的做法，是替實驗工作區建立持續更新的數位孿生。數位孿生可以理解為一份和真實設備狀態對應的數位模型，用來記錄位置、內容與操作歷程。
依 VERID 研究報告，它建立在開源的 PyLabRobot 之上，讓設備狀態能跨不同程式區塊持續保存，而非每次執行後就失去前面的脈絡。
這樣代理規劃下一步時，就有機會先查詢容器位置、液體量與可用耗材，再讓指令通過模擬檢查。執行紀錄和同步影像也能保留，協助追查結果。
以下整理各能力的用途，方便看出它們如何接在一起。
| 能力 | 解決什麼問題 | 對研究的意義 |
|---|---|---|
| 持續狀態追蹤 | 前後步驟對設備狀態認知不同 | 減少沿用過期前提 |
| 執行前模擬 | 指令能執行，物理上卻行不通 | 先發現碰撞或資源不足 |
| 指令檢查 | 不合條件的動作被直接送出 | 在接觸實物前攔下問題 |
| 影像與操作紀錄 | 結果異常卻找不到原因 | 對照實際動作與資料變化 |
表格裡的模擬和追蹤，不能保證所有未知物理現象都已被納入。但它讓代理能先檢查已知條件，也讓研究者比較容易看見模型漏掉了什麼。
出錯之後，能不能保留已完成的部分？
VERID 的研究案例也展示設備讀取發生故障後，如何依持續保存的狀態接續工作。這比把整個實驗從頭再做，更接近長時間自動化所需要的恢復能力。
對實驗室而言，重來不只是多等幾秒，也可能消耗試劑與樣本。若中斷後不知道哪些步驟真的完成，重複操作還可能讓原本可用的資料失去意義。
因此，這項研究的價值包含保留過程，而不只提高操作速度。有了可對照的紀錄，才有機會把設備誤差和生物現象分開。
適體實驗為何要看特異性，而不只看黏得多緊？
適體是能與特定目標結合的短核酸分子。這類研究要同時確認候選的結合能力，以及它對預定目標的辨識程度。
如果一個候選對各種東西都容易黏住，測量可能很好看，卻未必能完成原本任務。特異性就是用來描述它對目標的辨識程度，而非只看結合訊號有多強。
適體研究報告 把模型設計與實驗回饋接成多輪循環，觀察代理能否根據真實數據調整探索方式。
結果退步時，能不能找出錯的目標？
在肌紅蛋白的案例中，代理一度優先追求較強的原始結合訊號，卻富集了容易產生非特異性黏附的結構。結果看似更容易黏住，真正符合目標的表現反而變差。
後續分析把這個問題揭露出來，代理才修改設計規則，減少這類容易誤導的候選，讓結果恢復並改善。
這段過程比只展示最終命中率更值得讀。因為它指出一個具體失敗：優化的指標若沒代表真正目標，模型可能很有效率地往錯的方向前進。
成績要和目標、輪次一起看
Google 公布不同目標經多輪探索後的命中改善，但各目標遇到的失敗原因不同。不能把其中一個比例抽出來，當成所有分子探索的一般成功率。
同樣地，多輪之後變好，也不等於每輪都會進步。研究中的回落正好說明，實驗資料的用途包含推翻上一輪選擇，而非只替模型加分。
對想評估科學代理的讀者，可以先問兩個問題：系統能否辨認失敗，失敗資料有沒有真的改變下一輪？這比只看生成了多少候選更接近研究品質。
延伸閱讀：AI 藥物設計爆量，瓶頸移到濕實驗室：DNA 與蛋白質供應商接單變多，新藥會更快上市嗎？
蛋白質設計加速，和新藥成功還差哪些步驟？
蛋白質設計的另一個瓶頸，是大量候選都需要結構預測與後續實驗。若每次都對整個大型目標反覆計算，成本就會限制能探索的範圍。
結合分子設計研究 探索把計算集中在局部結合區域的方法，並讓代理在科學家設定的策略下處理實際探索。
官方報告的加速，指的是指定結構預測流程的改善。它不能直接換算成整個藥物開發時間縮短相同倍數，因為細胞表現、篩選與其他驗證仍需要時間。
運算命中與實驗結合，要分開讀
電腦預測有希望的候選，仍需要透過實驗確認能否產生、折疊並結合目標。研究也把這兩段結果分開呈現，避免只憑結構分數判斷成功。
其中針對 FAP 的候選，在濕實驗中取得單位數奈莫耳等級的親和力。奈莫耳是濃度單位，這裡用來描述結合能力的量測，不能當成治療效果。
即使分子能緊密結合，也還有選擇性、穩定性和後續用途等問題需要回答。因此，「找到結合分子」和「得到安全有效的新藥」中間仍有很長的驗證工作。
人與代理分工的價值在哪裡？
研究採取由科學家設定高層策略、代理處理探索執行的合作方式。這讓人類可以把注意力留在研究問題與結果判讀，代理則處理較多反覆的計算工作。
這是指定研究條件下的結果，還需要更多目標與流程驗證才能知道適用範圍。對讀者而言，值得追蹤的是實驗證據是否持續增加，而不是把一次數字當成普遍保證。
這些研究為何仍需要人類監督？
人類仍負責設定科學目標、授權與審閱候選，並監督真實設備操作。Google 的說明也把這些責任列入研究流程，沒有宣稱可以省略。
這一點需要和三項研究的整合狀態一起看。VERID、適體循環與蛋白質設計各有成果，但把它們完整串成能持續自主探索的系統，仍是後續工作方向。
監督不只是在最後看一份報告
如果直到全部操作結束才看結果，就可能錯過中間的設備狀態變化。同步紀錄、執行前檢查與階段性判讀，讓研究者有機會提早發現偏離。
研究也刻意選擇受控制的測試系統，並安排生物安全篩查。這些條件是理解成果的前提，不能把受控環境的可行性直接推到任何實驗題目。
評估時，先看證據能不能接起來
對研究管理者，可以先檢查候選設計、設備操作與讀取結果是否對應同一輪實驗。因為資料若接錯，就可能把前一輪的成果誤認為新方法帶來的改善。
也要保留失敗樣本與修改原因。只留下成功候選，會讓日後分析看不見系統走過哪些錯路，更難判斷改善究竟來自方法還是挑選結果。
以上是本文依研究提出的評估方向，並非一套可直接照做的實驗程序。它們幫助讀者辨認成果證據，不代替專業的實驗設計與設備操作要求。
我會把這批研究視為科學代理接近實驗現場的重要基礎。最值得肯定的是把物理限制與負面結果放回流程，而後續仍要看不同目標的重複驗證與整合進度。
延伸閱讀：Claude 會設計蛋白質了？14／15 個目標成功，命中率最高 35.1%，但離新藥仍有多遠？
三項成果應該如何放在一起追蹤？
可以分別看設備層是否留下可信狀態、探索層是否從負面結果改變策略，以及分子層是否通過實驗。這些證據回答不同問題，不適合合成一個籠統的成功率。
若後續研究串起更多步驟，也要確認整合後仍保留原本的紀錄和人類介入位置。因為單一步驟可行，和多個步驟長期一起運作，是不同的工程與科學挑戰。
常見問題：AI 濕實驗室研究代表什麼？
濕實驗室和電腦模擬差在哪裡？
濕實驗室會實際處理試劑、樣本與設備，操作會改變物理狀態。
電腦預測提供候選，仍需要真實結果檢查假說。
VERID 是新的藥物生成模型嗎？
它主要處理實驗工作區的狀態、模擬與執行紀錄。
因此，它的角色和直接產生分子候選的模型不同。
結構預測變快，就等於新藥更快上市嗎？
運算只是開發流程的一部分，後面仍有實驗與更多驗證。
指定步驟加速不能直接套到整段開發時間。
這三項研究已整合成全自動實驗室嗎？
官方把整合列為後續方向，並持續保留人類授權與監督。
應分別理解各項成果，避免把未完成的整合當成現況。
讓實驗結果有能力改變 AI 的下一步
這批研究的共同價值，在於讓模型接觸自己無法憑文字決定的現實。設備限制、非特異性黏附與實驗失敗，都能迫使原本看似合理的計畫修改。
對想追蹤科學 AI 的讀者，接下來可以看它是否在更多目標重複成功，以及操作與結果是否留下足夠紀錄。能解釋為什麼改變方法，往往比只多生成一些候選更有意義。
歡迎免費訂閱 AI 郵報，追蹤有原始資料的科學研究與代理工具更新，也可從 Google Research 官方介紹 進一步閱讀。
