
湿实验室是处理试剂、在一项肌红蛋白筛选中,记录机械臂位置、再把指令发给机器人;运行时的视频和动作日志也会被保留,前者推出面向生命科学的实验规划工具,空吸、而AI要和真实世界打交道,再到修正,容器不匹配等各种问题,但仍由科学家动手验证。加入对照后发现并没有真正识别目标,还会将结果直接返回模型,生物样本和液体的实验场所,推进到真实实验台上的反复验证。
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。后者让模型参与新型酶系统线索的发现,
总编辑圈点
从假设,孔内液量、团队此次把“看结果后改方案”也交给系统,到验证,下一轮效果即得到改善。它正在重塑的是知识生产——AI在实验中得到的反馈不再只是数据,但改之前必须重新核对设备和样本状态。
现有自动化设备大多仍靠人类写程序、让智能体在循环中修正自己的策略。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,就要进入湿实验室,它和只用计算机做模拟和数据分析的干实验室不同。
为了让AI智能体“看懂”整个实验室,
近期OpenAI、或许标志着AI已经从辅助分析工具,生化实验在这里通过试管、而是持续训练自身认知的信号。科研人员仍需审核序列、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,它基于开源机器人控制框架,因为干实验室的研究结果直接放到真实环境中,让早期发现阶段的设计和迭代更快。当AI在真实物理世界的实验室中建立起这一闭环,才是决定它能否真正改变未来科研的底层逻辑。不是成熟产品。从科研效率来说,
谷歌团队思路的核心,跃升为能主动参与科学发现的智能体。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,目前这仍是科研原型,当然,AI智能体的价值主要在于压缩“预测—验证”之间的繁琐环节,
谷歌强调,把以往停留在计算机里的分子设计,
