计算机里看着有用的分子，Google让机器人上实验台验了一遍

一个分子在计算机里看起来有用，到了实验台上未必如此。Google 在 10 月 16 日发布的技术博客里，把这句话变成了具体的工程问题：怎样尽快发现预测和实测之间的差距，再决定下一步做什么。

团队的目标是让 AI 智能体设计分子、安排实验、分析结果，再根据反馈调整下一轮方案。在其中一项研究中，他们已经找到了能紧密结合实体瘤相关靶点的蛋白质分子。这项工作由科学家安娜丽莎·波洛斯基牵头，包括机器人操作、分子筛选和蛋白质设计三项研究，目前还没有全部打通。

相比 AlphaFold 这类预测模型，Google 这次把更多精力放到了实验环节。按照团队的设想，模型在庞大的分子空间中提出候选，智能体通过实验设备完成测试，实验读数再回流给模型，形成一个“自我改进搜索”的闭环，智能体在其中逐步“学会如何学习”。让实验结果反过来改进模型本身，等于把递归自我改进的循环搬进了湿实验室，用真实的生物学反馈驱动它运转。

给实验室造一个“数字孪生”

湿实验室是处理试剂、生物样本、开展生化实验的地方。让智能体在这里工作，得先让它知道实验台上发生了什么：准备吸液的孔里还剩多少试剂，孔板有没有盖子，都会影响下一步操作。代码即使没有语法错误，也可能在实际执行时出问题。

Google 为此搭建了 VERID。它基于开源机器人控制框架 PyLabRobot，为工作站维护一个持续更新的“数字孪生”，记录设备、试剂和样本的状态。智能体先在模拟器中检查方案，再让机器人执行，视频和动作日志则保留下运行过程，供研究者排查异常。

实验室里本来就有自动化设备，但通常需要人提前把程序写好、调试好。智能体参与之后，团队希望把根据结果修改方案的工作也交给 AI。这要求系统在改变实验步骤时，仍能确认设备和样本的状态，检查新的方案能否执行。

实验结果也可能推翻智能体自己的判断。在一项肌红蛋白筛选中，AI 起初以为找到了更好的分子，加入对照后才发现，不少分子只是到处乱黏，并没有准确认出目标。它随后修改设计规则，下一轮的效果才有了改善。对照数据帮它发现了原先判断中的问题。

目前，这类分子研究中的湿实验仍由研究人员完成，智能体承担设计和分析。机器人自动操作的验证，则主要使用染料和水。另一项蛋白质设计研究已经找到了能紧密结合肿瘤相关靶点的分子，但完整流程尚未接入 VERID。Google 这次展示的，是自主实验室所需的几项能力，要想在真实世界里落地使用，还需要把它们串联起来。

一个方向，多条线路

Google 发布博客之前，DeepMind 在 10 月已公布两项相关研究，重点聚焦新分子设计和寻找潜在药物线索。10 月 5 日，DeepMind 与弗朗西斯·阿诺德、刘鹏的研究团队合作，发布酶设计管线 AlphaProtein Novo。酶可以催化化学反应，团队希望从头设计新酶，用于药物合成等任务。这套管线先在 DeepMind 自有的湿实验室中验证，随后与研究者合作，针对具体反应进行设计和实验优化，再用实验获得的线索改进后续方案。

同期，非营利研究机构 Biohub 宣布扩大“虚拟生物学计划”，美国能源部和美国国立卫生研究院加入。DeepMind、Alphabet 旗下药物研发公司 Isomorphic Labs 与 Meta 合计投入 3 亿美元，用于生物学数据和测量技术。这项投入关注的是基础数据：要让模型预测细胞和生命系统的行为，需要先测量它们在不同条件下的表现。

10 月中旬，DeepMind 又展示了在 Antigravity 平台上寻找抗菌肽的流程。智能体从数据库中功能尚未明确的蛋白质序列出发，结合功能预测、结构分析和文献检索挑选候选物，再生成实验方案。主要候选目前仍在湿实验验证中。

几项工作各有侧重：酶设计尝试创造新分子，抗菌肽搜索从已有序列中寻找线索，数据计划为模型补充实验资料。它们背后的思路却很相似：计算机给出越来越多的可能性之后，实验必须及时跟上，才能判断哪些值得继续投入。

为什么是现在

Google 在博客中提到，智能体生成假设和分子设计的速度提升很快，实验却跟不上。过去，把这些步骤接起来主要依靠研究人员：查资料、选择工具、写控制程序，再处理读数，安排下一轮实验。如今，AI 可以承担其中一部分工作，开源框架也降低了连接仪器的难度。于是，Google 开始逐步尝试让智能体持续进入完整过程，而不是仅停留在预测或者分析。

其他巨头也在下注这一领域。今年 4 月，OpenAI 推出面向生命科学研究的 GPT-Rosalind，覆盖实验规划和数据分析等任务。9 月，Anthropic 公布自建生物学实验室的早期成果，由 Claude 寻找新型酶系统，再由科学家做实验检验。

同样是让 AI 走进实验台，Google 和 Anthropic 各有侧重。对于如何控制仪器的问题，Google“由实入虚”，更关注具体的工作站，VERID 负责为设备、试剂和样本的状态进行完整建模，智能体的每条指令都要先经过模拟和校验。Anthropic 则选择“虚实结合”，其参与制定模型硬件标准，试图用统一接口将显微镜、移液设备、机械臂等不同仪器接入 AI，实现跨设备的通用连接。

在 AI 参与实验的深度上，Anthropic 依然由科学家动手开展实验，Claude 负责从海量数据中找线索、调度外部专业模型完成设计，以此加快验证、积累一手研究经验。Google 更进一步，希望 AI 开展实验，读数直接回流模型，让智能体在循环中修正自己的策略。

至于商业转化，Anthropic 曾明确表示不会亲自开展商业化临床试验，避免与药企客户的正面竞争；在 Google 体系内，药物研发已由分拆出来的 Isomorphic Labs 负责，总部更多承担方法开发。

AI 厂商在生命科学领域动作频频，几乎同时给出了一致的判断：实验数据的价值正在快速上升。一个分子没有效果，究竟是设计不好、没能成功制备，还是检测出了问题？只拿到最后结果，很难归因。但如果能保留下操作和测量过程，研究者就容易判断哪些失败可以重新检验，哪些路线应当放弃。这些信息很难凭借公开论文补齐：论文会交代重要方法和结果，却很少完整呈现一次研究中走过的所有弯路。

制药研发会因此改变吗

AI 智能体走进实验室，最先受益的很可能是早期发现阶段：候选分子的设计和优化需要反复试错，每轮实验结束，还要分析数据、解释异常，再安排下一轮。智能体若能接手其中一部分工作，可以减少等待时间，也让研究者有余力尝试更多方案，并有可能帮助团队更早放弃无效路线。

但从结合靶点到成为药物，还有很长一段路要走：分子能否产生需要的作用，在体内是否稳定，能否到达目标位置，以及是否安全，都要继续验证。Google 目前的结果并不足以说明整条研发链会大幅节省时间，也尚未证明这些早期分子已经具备治疗效果。

自动化程度提高后，研究者还需要分辨哪些结果值得相信。机器人能够按步骤完成操作，不代表检测方法一定充分；智能体能够解释一组数据，也不代表解释没有遗漏。实验做得更快，对照、复核和异常处理也得跟上，否则一个误判就可能被带进后续设计。

目前来说，Google 仍然保留着人工介入，研究人员审核序列、核验方案并监督机器人运行。对照怎样设置，哪些结果需要换一种方法验证，下一轮是否值得继续投入，仍需要研究人员的亲自判断。现阶段更现实的分工，是让智能体承担更多设计、操作和分析，让研究者把时间精力花在判断上。Google 把 AI 带进实验室，可以压缩从预测到验证之间那段常常费时费力的工作流程。它能否让药物研发更快，还需要由接下来的实验回答。