Google Research показала ИИ-агентов, которые учатся на результатах лабораторных опытов
16 октября Google Research рассказала о проектах, которые связывают языковых агентов, модели молекул и лабораторные роботы. В опубликованном описании агент перед запуском протокола сверяется с цифровой моделью рабочей станции: расположением посуды, объемом жидкости и доступностью наконечников. Затем результаты реального эксперимента возвращаются в следующий цикл проектирования. Google приводит примеры поиска ДНК-аптамеров и белковых связующих. Это исследовательские системы и лабораторные эксперименты под наблюдением ученых, а не готовый автономный медицинский или производственный продукт.
Что изменилось
Агент учитывает физическое состояние рабочего места
Google описывает VERID как цифровую модель лабораторной станции, которая отслеживает геометрию роботов, содержимое лунок, реагенты и запас наконечников. Это важно потому, что программно правильная команда может физически не поместиться в емкость или запросить жидкость из пустой лунки. Система сначала моделирует протокол, а затем блокирует часть недопустимых действий до отправки команды роботу. По замыслу исследователей, такое состояние связывает рассуждение модели с ограничениями реального оборудования.
В протокол добавили симуляцию и журнал действий
Перед реальным запуском VERID проводит быструю виртуальную проверку. Google также описывает синхронные видео и журналы действий, чтобы после опыта можно было восстановить, что происходило с растворами и оборудованием. В сообщении приводится случай, когда симулятор заметил, что многоканальная пипетка не помещается в узкий резервуар, и агент изменил план. В другом эпизоде журнал помог восстановить ход эксперимента после сбоя считывателя. Эти примеры относятся к конкретному исследовательскому стенду и не подтверждают работу на любом лабораторном оборудовании.
Агенты участвовали в нескольких циклах поиска аптамеров
Команда использовала аптамеры как относительно быстрый тестовый процесс: синтезировать наборы ДНК, проверить связывание с белком, секвенировать результат и передать измерения в следующий цикл. В описанных опытах было три раунда дизайна и тестирования. Google сообщает о росте доли подтвержденных связующих для двух мишеней, но также показывает, как один из раундов привел к множеству неспецифичных последовательностей. По опубликованным данным, агентам пришлось изменить правила дизайна после получения лабораторного сигнала, а не просто продолжать оптимизацию прежней метрики.
В белковом проекте заявлена высокая аффинность кандидатов
В отдельном проекте команда проверяла белковые связующие для мишени FAP, связанной с рядом солидных опухолей. Google сообщает, что лучшие из нескольких экспериментально проверенных кандидатов показали однозначные наномолярные значения аффинности. Компания также описывает вычислительное сокращение части этапа сворачивания структуры более чем в восемь раз. Эти результаты относятся к раннему лабораторному исследованию. Они не означают, что получены лекарства, подтверждена безопасность для человека или найден способ лечения рака.
В публикации оставлены ограничения и участие человека
Google пишет, что для ранних проверок выбирались контролируемые неинфекционные биологические системы, а последовательности проходили биобезопасностный скрининг. Ученые разрешали и проверяли дизайн, протоколы и работу роботов. Исследователи отдельно отмечают нерешенные вопросы: проверку целей оптимизации, надежность многошаговых инструкций и контроль исполнения. Это ограничивает трактовку слова «автономный»: в описании речь о замкнутом цикле эксперимента с участием специалистов и защитами, а не о лаборатории, работающей без человеческого надзора.
Публикация описывает прототипы с участием научной команды
Google Research опубликовала описание VERID и двух исследовательских циклов с аптамерами и белковыми кандидатами. Компания сообщает о физических проверках, симуляции лабораторных действий и результатах для конкретных тестовых систем. Это выводы авторов исследования и не независимая оценка универсальности системы.
Читайте сообщение как пример архитектуры для агентной лаборатории. Важные элементы - цифровая модель состояния рабочего места, проверка протокола до запуска, журналы и обратная связь из опыта. При оценке аналогичной системы запросите измерения на собственном оборудовании, тесты на ошибочные команды и отчет о вмешательстве оператора.
Описанные кандидаты не являются лекарствами, а показанные лабораторные циклы не доказывают готовность автономного производства. Google указывает на участие человека и продолжающиеся вопросы по надежности и безопасности.
Что это дает пользователю
Исследователям показана архитектура связи агента, симулятора, робота и измерений.
Журналы и цифровое состояние помогают воспроизводить лабораторные циклы.
Публикация показывает, зачем проверять метрику по реальному эксперименту.
Что нужно учитывать
Данные получены на конкретных прототипах и не подтверждают универсальную совместимость.
Кандидаты и наблюдения находятся на стадии лабораторного исследования.
Результаты публикует сама исследовательская группа Google.
Коротко
Google Research описала подход, при котором ИИ-агент сверяет план с цифровой моделью лабораторной станции и получает обратную связь из физического эксперимента. Главный практический результат публикации - не обещание автоматического открытия лекарства, а проверяемая связка симуляции, журналов и итераций. Сами авторы оставляют человека в контуре и отмечают, что безопасность и надежность таких систем еще предстоит исследовать.