Google กับแล็บ AI: VERID, aptamer และ FAP ยังเป็น 3 งานแยกกัน

คำตอบสั้น: Google Research รายงานความคืบหน้า 3 สายที่เกี่ยวกับห้องแล็บอัตโนมัติ แต่ยังไม่ได้แสดงระบบเดียวที่รับโจทย์ ออกแบบการทดลอง ทำงานกับตัวอย่างชีวภาพ และยืนยันผลตั้งแต่ต้นจนจบด้วยตัวเอง งาน VERID สาธิตการควบคุมหุ่นยนต์ด้วยสีย้อมและน้ำปราศจากไอออน ส่วนงาน aptamer และโปรตีนจับเป้าหมายเป็นการทดลองอีกชุดหนึ่งที่มีขอบเขตและตัวชี้วัดต่างกัน

นี่คือรายงานจาก Google เอง ไม่ใช่การทำซ้ำโดยทีมอิสระที่เราแยกตรวจพบในเอกสารชุดนี้ ประเด็นสำคัญจึงอยู่ที่สิ่งที่แต่ละงานแสดงจริง และช่องว่างที่บริษัทยังระบุว่าเป็นขั้นต่อไป

สามงาน สามชุดหลักฐาน

บทความ Google Research วันที่ 16 ตุลาคม 2026 เชื่อมงานระบบหุ่นยนต์ VERID เข้ากับงานค้นหาโมเลกุลทางชีววิทยา แต่เอกสารวิจัยอธิบายการทดลองเหล่านี้เป็นคนละสาย ไม่ใช่การทดลอง end-to-end เดียวกัน

ภาพสรุปขอบเขตจากรายงานต้นทาง: งานทั้งสามใช้หลักฐานคนละแบบ และ Google ระบุว่าการเชื่อม VERID กับการค้นพบโปรตีนเป็นขั้นถัดไป

VERID: ทดสอบพื้นฐานหุ่นยนต์ ไม่ใช่การค้นพบชีวโมเลกุล

รายงาน VERID อธิบาย digital twin ที่เก็บสถานะของอุปกรณ์และภาชนะในแล็บ เปิดให้ระบบตรวจสอบสภาพงาน และใช้การจำลองก่อนลงมือจริงเพื่อช่วยคัดกรองคำสั่ง รายงานแสดงกรณีทดสอบสามแบบด้วยสีย้อมในน้ำปราศจากไอออน เพื่อดูการจัดการของเหลวและการทำงานร่วมกันของระบบ

ข้อจำกัดสำคัญคือการทดสอบดังกล่าวไม่ได้ใช้ตัวอย่างชีวภาพเพื่อค้นพบสารหรือพิสูจน์ฤทธิ์ทางชีววิทยา จึงรองรับข้อสรุปเรื่องการควบคุมและการตรวจสอบขั้นตอนของหุ่นยนต์ในสภาพทดสอบนั้น ไม่ได้ยืนยันว่า VERID ทำวิจัยชีวภาพได้ครบวงจร

Aptamer: feedback ช่วยปรับการออกแบบ แต่ชุดควบคุมยังขาด

รายงานอีกฉบับศึกษาการออกแบบ aptamer สำหรับ myoglobin และ α-thrombin ผ่านการทดลองสามรอบ รวมราว 4,400 constructs อัตรา hit ที่ปรับตามการคัดกรอง bead ของ myoglobin คือ 10.2%, 3.7% และ 33.5% ในรอบ 1–3; α-thrombin คือ 0%, 26% และ 42.1% ตามลำดับ (37.1% สำหรับตัวเลือกที่ผู้เขียนจัดว่า de novo อย่างเคร่งครัด) ตัวเลขเหล่านี้เป็นอัตรา hit ภายใน assay และนิยามของงานนี้ ไม่ใช่ความแม่นยำทั่วไปของ AI

ค่าจากรายงาน aptamer; การเปลี่ยน hit rate บอกผลของ screening ภายใต้เงื่อนไขนี้ ไม่ได้แปลว่า affinity หรือประสิทธิผลทางการแพทย์เพิ่มตามสัดส่วน

ตัวอย่างข้อแลกเปลี่ยนเกิดใน myoglobin รอบ 2: แนวทาง G-quadruplex เพิ่มสัญญาณ pull-down ดิบ แต่ความจำเพาะลดจาก 75.0% เหลือ 19.1% และ hit rate ที่แก้ด้วย bead control ลดเหลือ 3.7% รอบ 3 ผู้เขียนปรับกฎการออกแบบและรายงาน specificity 72.4% กับ hit rate 33.5% นี่เป็นตัวอย่างของการปรับกฎ/บริบทจาก feedback ไม่ใช่หลักฐานว่าโมเดลเปลี่ยนน้ำหนักหรือเรียนรู้ถาวร

ผู้เขียนยังระบุว่าไม่มีชุดควบคุมแบบใช้งบเท่ากันที่ตัด feedback หรือส่วน reasoning ออก จึงยังแยกไม่ได้ว่าผลดีขึ้นมาจากองค์ประกอบใด Aptamer ที่มีค่า KD ระดับนาโนโมลาร์ในรายงานส่วนใหญ่สืบสายจาก motif ที่เคยมีในวรรณกรรม ส่วนตัวเลือก de novo เคร่งครัดยังอ่อนกว่าใน assay ที่รายงาน

FAP: สัญญาณการจับในห้องทดลองไม่ใช่ผลรักษา

งาน FAP ใช้การออกแบบด้วยคอมพิวเตอร์และ yeast-display/FACS ตรวจตัวอย่างโปรตีนจับเป้าหมาย ผู้เขียนรายงาน apparent K_D 3.0–9.1 nM ในโคลนตัวแทน 4 ตัว แต่ยังต้องทดสอบการแสดงออกในรูป soluble, ความจำเพาะต่อโดเมน และการยับยั้งการทำงานต่อไป จึงไม่มีหลักฐานในชุดนี้ว่ามีประสิทธิผลในคนหรือเป็นการรักษา

ตัวเลข hit rate เป็นการเปรียบเทียบตามนิยามและงบในรายงาน FAP; ค่า K_D เป็นผลทดลองของโคลนตัวแทนและไม่ใช่ประสิทธิผลในมนุษย์

ตัวเลขเปรียบเทียบที่ใช้ scoring ใหม่ในรายงานคือ PI-only 5.06%, human-in-the-loop 9.33% และ autonomous 6.18% โดยการรัน autonomous หยุดที่ประมาณ 94% ของงบที่กำหนด ส่วนค่า PI-only 9.92% ในการคำนวณเดิมใช้ scoring คนละแบบ และ B-variant 32.62% เปลี่ยนอุปกรณ์การให้คะแนน จึงไม่ควรเอามาจัดอันดับรวมกัน รายงานกล่าวถึงการ refold ด้วย AlphaFold 3 เร็วขึ้น 8.6 เท่า ซึ่งหมายถึงเวลา/compute ของขั้น refolding ไม่ใช่ความเร็วของห้องทดลอง

มนุษย์กำกับงานอย่างไร

โพสต์ Google อธิบายว่ามนุษย์อนุมัติและทบทวนลำดับ ตรวจ protocol และกำกับการทำงานของหุ่นยนต์ ส่วนวิธีของงาน aptamer ระบุว่าส่ง pool ที่ออกแบบไปสังเคราะห์ตาม pipeline โดยไม่มีการคัดทีละลำดับด้วยมือ จึงควรเข้าใจการกำกับในระดับโครงการ protocol และรอบทำงานตามเอกสาร ไม่ใช่การยืนยันว่ามนุษย์ตรวจอนุมัติทุก sequence

ลองเปลี่ยนรอบทดลองเพื่อดู trade-off

เลือก target และรอบเพื่อดู hit rate ที่รายงานและ specificity (ถ้ามีรายงาน) ตารางด้านล่างเป็นข้อมูลต้นทางเดียวกันและยังอ่านได้หากสคริปต์ไม่ทำงาน.

Target Round

Myoglobin รอบ 1: hit rate 10.2%; specificity 75.0%.

ข้อมูลที่รายงาน (%)
Target	Round 1	Round 2	Round 3
Myoglobin hit	10.2	3.7	33.5
Myoglobin specificity	—	19.1	72.4
α-thrombin hit	0	26	42.1

สิ่งที่สรุปได้และสิ่งที่ยังไม่รู้

สรุปได้: มีหลักฐานรายงานการควบคุมหุ่นยนต์ในงานทดสอบของเหลวพื้นฐาน และมีผล screening/การจับโปรตีนจากชุดทดลองเฉพาะ การวน feedback สามารถนำไปสู่การเปลี่ยนกฎออกแบบในแต่ละรอบตามที่ผู้เขียนอธิบาย

ยังสรุปไม่ได้: ไม่มีหลักฐานในเอกสารเหล่านี้ว่ามีระบบเดียวทำงานชีววิทยาแบบอัตโนมัติครบวงจร ไม่มี matched-budget control ที่แยกสาเหตุของการปรับปรุง และไม่มีผลทดลองในคนหรือการยืนยันทางคลินิก การตรวจโดยทีมอิสระและการตีพิมพ์แบบ peer review ไม่ได้ระบุในชุดเอกสารที่ตรวจ

คำถามที่พบบ่อย

Google แสดงห้องแล็บ AI ที่ทำงานเองตั้งแต่ต้นจนจบแล้วหรือยัง?

ยัง รายงานนำเสนอ VERID, aptamer และ FAP เป็นคนละงาน และระบุการเชื่อม VERID กับ protein discovery เป็นขั้นถัดไป

อัตรา hit 42.1% หมายถึง AI ถูกต้อง 42.1% หรือไม่?

ไม่ใช่ เป็นอัตรา hit ของ α-thrombin ใน screening รอบ 3 ภายใต้นิยามและ assay ของรายงานนี้

ค่า K_D 3.0–9.1 nM หมายถึงยารักษาได้ผลหรือไม่?

ไม่ ค่า apparent K_D มาจากโคลนตัวแทนที่ตรวจด้วย yeast display; การทดสอบ soluble expression, specificity, inhibition และผลในคนยังไม่มีในหลักฐานนี้

โมเดลเรียนรู้ด้วยการเปลี่ยนน้ำหนักหรือไม่?

รายงานอธิบายการใช้ผลทดลองเพื่อปรับการออกแบบและกฎในรอบถัดไป แต่ไม่ได้รายงานการฝึกหรือเปลี่ยนน้ำหนักโมเดล

อ่านต่อใน HYBRID MIND

ก่อนนำผลวิจัยเกี่ยวกับ Agent ไปใช้จริง อ่านเปรียบเทียบกับ Data World: ขอบเขตของสภาพแวดล้อมข้อมูลจำลอง และ Approval Gate: หลักการผูกการอนุมัติกับการกระทำของ Agent ซึ่งเป็นบทความว่าด้วยการทดสอบและการกำกับระบบ ไม่ใช่ผลทดลองในห้องแล็บชีววิทยา

แหล่งอ้างอิง

ภาพปกเป็นภาพประกอบเชิงแนวคิด ไม่ใช่ภาพถ่ายห้องทดลองของ Google

Google ชู 3 ชิ้นส่วนสู่ห้องแล็บ AI: VERID ยังทดสอบด้วยสีย้อม ส่วนค้นพบโมเลกุลเป็นคนละระบบ