자율 실험실, 디지털 트윈으로 현실을 배우다

회사 기술보고서 · 초기 개념 증명. 물리 장치의 상태를 확인하고 실험 기록으로 오류를 찾는 연구다. 사람의 승인·감독이 있는 실험이며, 완성된 무인 생물학 실험실이나 임상 성과가 아니다.

선정 기록과 열람 범위

기준일 2026년 10월 17일(KST), 순위 2, 점수 87/100, 증거 등급 EARLY_SIGNAL. 공식 발표를 확인했으나 세 기술보고서 전문·도판·코드 검수는 미완료다.

#기록

rank: 2
contentId: 2026-10-17-autonomous-wet-lab-verid
status: BACKLOG_CANDIDATE
title: Grounding AI agents in biological reality: Building blocks for autonomous wet labs
normalizedTitle: grounding ai agents in biological reality building blocks for autonomous wet labs
date / venue: 2026-10-16 / Google Research Blog 및 company technical reports
DOI: 확인되지 않음
arxivId: 확인되지 않음
officialUrl: https://research.google/blog/grounding-ai-agents-in-biological-reality-building-blocks-for-autonomous-wet-labs/
evidenceGrade: EARLY_SIGNAL
score: 87

#한 문장 결론

VERID는 에이전트가 작성한 액체 취급 코드를 바로 로봇에 보내지 않고, 실시간 3D 상태·질량수지·기구 형상을 가진 디지털 트윈에서 먼저 검증하며 실행 기록을 다음 실험에 되먹이는 기반을 제시했다.

#먼저 알아둘 것

액체 취급 로봇은 작은 용기에 액체를 옮기는 장치다. 코딩 문법이 맞아도 빈 용기에서 액체를 빨아들이거나 기구가 들어가지 않는 곳으로 이동하라는 명령일 수 있다. 따라서 ‘코드가 실행된다’와 ‘현실에서 타당하다’는 다르다.

디지털 트윈(digital twin)은 여기서 단순한 3D 그림이 아니라, 장치 배치와 용기 속 액체량 같은 현재 상태를 함께 추적하는 모형을 뜻한다. 모형에 넣지 않은 현상까지 자동으로 보장하지는 않는다. 시뮬레이션은 실행 전 오류를 찾는 단계이고, 영상·실행 로그는 실제 결과를 돌아보는 근거다.

#중요성과 차이

기존 자동화는 검증된 고정 프로토콜을 빠르게 반복하지만, 우물 부피·팁 재고·뚜껑·meniscus·장애 이후 상태를 에이전트가 계속 추적하기 어렵다. VERID는 introspection, time-compressed simulation, safe execution, synchronized trace dossier를 하나의 semantic layer로 묶는다. PyLabRobot 위에 구축됐지만 VERID 자체 코드 공개는 확인되지 않았다.

#가장 강한 증거와 비교조건

염료와 탈이온수 사례에서 바닥 높이 z=0 mm의 혼합은 목표 2배 희석 대신 약 1.4~~1.8배에 머물렀다. 1.5mm clearance와 수직 혼합으로 바꾸자 평균 step dilution factor가 1.92~~1.99배로 회복됐다. 여기서 단계 희석 배수는 연속한 단계의 농도 비 C_k/C_(k+1)이며 목표는 2.00배다. 다른 사례에서는 8채널 팁의 폭 72.0mm가 71.2mm trough를 넘는 동작을 simulator가 막았다.

blind mixture self-play의 307 mnats와 58 mnats는 같은 실행의 단순 전후 값이 아니다. VERID Figure 4의 MC-2A는 초기 학습 없이 시작한 4주기의 최종 손실 307이고, MC-2B는 앞선 시험에서 배운 내용을 이어받은 별도 2주기의 평균 손실 58이다. 실험 계보와 집계 범위를 함께 읽어야 한다.

별도 aptamer 보고서의 myoglobin 33.5%, α-thrombin 42.1%는 세 차례 설계·시험 뒤 보고한 표적 결합 적중률이다. VERID의 염료 실험 정확도도, 치료 성공률도 아니다. 단백질 결합체의 FAP 결과는 다시 별도의 사람–에이전트 협업 연구다. 세 보고서를 하나의 완성된 자율 시스템 성능으로 합치면 안 된다.

#한계·반대 증거

#혼합물의 점수는 ‘정확도 몇 %’가 아니다

보고서 §6.3은 색소의 상대적인 구성과 전체 농도를 따로 평가한다. 같은 빨강·파랑 비율이어도 물을 더 넣으면 농도는 달라진다. 반대로 농도가 같아도 색소의 비율은 틀릴 수 있다. 두 오류를 합친 손실이 작을수록 좋으며, 58 mnats를 정확도 58%로 읽을 수 없다. nat는 여기서 자연로그를 사용하는 점수의 단위이지 액체의 양이나 에너지가 아니다. 1 mnat는 0.001 nat다.

심화: 보고서의 다섯 평가식 읽기 (§6.3, 13쪽)

아래는 해당 보고서에 인쇄된 식 (1)~(5)다. 색소 i의 원액 환산 분율을 f_i, 네 색소의 합을 F, 물 분율을 w라고 한다. 모두 무차원 비율이다. i와 j는 네 색소, k는 네 목표 용기를 세는 첨자다. f_i는 음수가 아니며 전체 성분 분율의 합이 1인 혼합물을 대상으로 한다.

식 (1): 물을 빼고 색소끼리의 비율 보기

s_i=\begin{cases}f_i/F,&F>0\\1/4,&F=0\end{cases},\qquad F=\sum_{i=1}^{4}f_i

기호·연산·계산 과정 펼치기

식 (2): 작은 성분도 평가에 남기는 변환

\tau_i(f)=\frac{(s_i+\varepsilon)^\beta}{\sum_{j=1}^{4}(s_j+\varepsilon)^\beta},\qquad\beta=0.5,\quad\varepsilon=0.03

기호·연산·계산 과정 펼치기

식 (3): 참 구성과 추정 구성의 차이

L_{\mathrm{comp}}=D_{\mathrm{KL}}(\tau^{\mathrm{true}}\Vert\tau^{\mathrm{scored}})=\sum_{i=1}^{4}\tau_i^{\mathrm{true}}\ln\!\left(\frac{\tau_i^{\mathrm{true}}}{\tau_i^{\mathrm{scored}}}\right)

식이 길면 좌우로 이동해 읽으세요. 키보드는 수식에 초점을 둔 뒤 방향키를 사용합니다. 기호·연산·계산 과정 펼치기

true는 정답, scored는 에이전트가 제출한 추정이다. KL 발산은 두 분포가 얼마나 다른지 평가한다. ln은 자연로그이고, 방향을 바꿔도 같은 값인 대칭 거리는 아니다. 두 분포가 같으면 이 항은 0이다. 앞의 평활화가 각 성분을 양수로 만들어 로그의 분모가 0이 되는 문제를 피한다.

식 (4): 색 비율과 별개로 희석 정도 평가하기

L_{\mathrm{total}}=\lambda_{\mathrm{total}}\bigl(\operatorname{logit}\widetilde w_{\mathrm{scored}}-\operatorname{logit}\widetilde w_{\mathrm{true}}\bigr)^2,\qquad\lambda_{\mathrm{total}}=\beta^2/8=0.03125

식이 길면 좌우로 이동해 읽으세요. 키보드는 수식에 초점을 둔 뒤 방향키를 사용합니다. 기호·연산·계산 과정 펼치기

물 분율은 w=1−F다. 물결표가 붙은 w는 이를 0.0001~0.9999로 제한한 값이다. logit(w)는 ln(w/(1−w))이며 양 끝에서 발산하므로 먼저 범위를 제한한다. 두 logit의 차이를 제곱하고 가중치 λ를 곱한다. 저자들은 β=0.5에 대해 λ_total=β²/8=0.03125로 정의한다. 이는 서로 다른 오류 항을 합칠 때의 점수 가중치이며, 자연법칙의 상수가 아니다. 별도의 유도나 최적성 증명을 이 관계만으로 주장하지 않는다.

식 (5): 용기별 두 오류를 더한 뒤 네 용기 평균

\mathrm{Score}_{\mathrm{target}}=L_{\mathrm{comp}}+L_{\mathrm{total}},\qquad\mathrm{Score}_{\mathrm{run}}=\frac14\sum_{k=1}^{4}\mathrm{Score}_{\mathrm{target},k}

식이 길면 좌우로 이동해 읽으세요. 키보드는 수식에 초점을 둔 뒤 방향키를 사용합니다. 기호·연산·계산 과정 펼치기

용기별 점수는 nat로 계산하고, 보고할 때 1,000을 곱해 mnat로 표시한다. ‘네 용기의 평균’과 ‘실험 주기들의 평균’은 집계 단계가 다르다. 이 식만으로 MC-2A와 MC-2B의 서로 다른 실행 계보가 같은 조건으로 바뀌지는 않는다.

조건을 바꿔 보기: 색소끼리의 상대 비율은 정확하지만 물 분율만 틀렸다면? 앞의 분율·변환 결과가 같으므로 구성 손실은 0이지만 전체 농도 손실은 남을 수 있다. 따라서 색소의 종류와 비율만 맞혔다고 전체 점수가 0인 것은 아니다. 이는 식을 읽는 설명 예이며 새 실험 결과가 아니다.

VERID의 세 사례는 생물학적 발견이 아니라 염료·물 기반 개념 증명이다. 공식 발표는 사람의 과학적 통제 아래 진행하는 연구로 설명하며, 무인 실험실 완성을 주장한 결과가 아니다. 일부 원인 교정에도 사람이 개입했다. 보고서와 블로그 모두 Google 자체 발표다. 별도 aptamer 연구의 myoglobin Round 2에서는 표적 특이성이 75.0%에서 19.1%, bead-corrected hit rate가 10.2%에서 3.7%로 낮아졌다. 자동 반복이 잘못된 기준을 강화할 수 있다는 한계이며, VERID 염료 실험의 실패율과 섞어 읽으면 안 된다.

#어디까지 자율적인가?

공식 발표의 Safety 절은 사람이 설계 결과를 직접 승인·검토하고 실험 절차를 확인하며 로봇 실행을 감독한다고 밝힌다. ‘에이전트가 수정했다’는 말과 ‘사람 없이 모든 실험을 결정했다’는 말은 같지 않다. 또한 발표 말미의 다음 목표는 VERID의 추적 가능한 자동화와 단백질 발견의 반복 학습을 결합하는 것이다. 현재 세 보고서의 지표를 이미 통합된 하나의 시스템 성능으로 합산해서는 안 된다.

확인 질문: 디지털 트윈에서 명령이 통과했다면 실제 생물학 실험의 정확성도 증명될까? 해설: 아니다. 모형이 검사하는 기구·상태 조건과 실제 실험 결과의 타당성은 별개이며, 관찰과 대조 실험, 사람의 검토가 남는다.

#미리 검사한 뒤에도 실행 직전에 다시 확인한다

보고서 §6.2(12쪽)는 실험 명령을 현재 디지털 트윈의 복제본에서 먼저 검사하고, 실제 장치에 보내기 직전에는 현재 상태를 기준으로 다시 검사한다고 설명한다. 사전 검사를 통과한 뒤에도 용기의 액체량이나 사용 가능한 팁 같은 상태가 달라질 수 있기 때문이다. 이것은 계획 시점의 검사와 실행 시점의 검사를 구분하는 설계다. 다만 실제 장치의 상태를 모형이 잘못 추적했다면 같은 검사를 반복해도 그 차이를 자동으로 없애지는 못한다.

안전 기능의 구현 범위도 나누어 읽어야 한다. §4.5.3(12쪽)의 합성 작업 계보 추적과 자동 생물보안 심사 연결은 확장 방향으로 서술된다. 이를 현재 염료 실험에서 위험한 생물학적 작업을 모두 차단했다고 검증한 결과로 소개하지 않는다. 시험한 재료는 §6.1에 명시된 물과 식용 색소이며, 실제 생물학적 시료의 안전성 평가를 대신하지 않는다.

#‘학습했다’는 말에서 무엇이 남았는지 확인하기

기술보고서 §4.3은 현재 구현에서 얻은 내용을 구조화한 자연어 운용 규칙과 분석 모형으로 지식 저장소에 보존한다고 설명한다. 이를 곧바로 신경망 가중치를 재학습해 새로운 모델을 만들었다는 결과로 읽으면 안 된다. 기록·규칙의 갱신과 모델 자체의 훈련은 서로 다른 작업이다.

§4.2는 누적 실행 기록을 대규모로 자동 색인하고 지식을 추출하는 일, 그리고 그 효과를 다음 실험들에서 체계적으로 비교하는 일을 미래 과제로 남긴다. 기록을 남길 수 있다는 기능과 그 기록이 여러 실험실에서 발견 성과를 높였다는 검증은 다르다.

확인 질문: 실행 로그가 자세하면 실험의 원인도 자동으로 밝혀질까? 아니다. 로그는 원인을 시험할 근거를 보존한다. 상관된 흔적을 인과로 판정하려면 대조와 추가 검증이 필요하다.

#code/data·이해관계

codeAvailable: 기반 프레임워크 PyLabRobot은 open source; VERID 전체 구현은 확인되지 않음.
dataAvailable: trace·영상·실험 데이터의 공개 저장 위치는 확인되지 않음.
conflictsOfInterest: 저자와 인프라가 Google Research/Cloud/DeepMind 소속인 회사 자체 연구.
sourceLocators: 공식 블로그 117~~169행; VERID PDF pp.3, 5~~9; Figure 1~4.

#재검토 트리거

동료평가, VERID 코드·trace dataset 공개, 다른 실험실의 독립 재현, 생물학적 assay에서의 blind benchmark, human intervention 비율과 실패 로그 공개, biosecurity 평가가 나오면 승격을 재검토한다.

자율 실험실, 디지털 트윈으로 현실을 배우다

#기록

#한 문장 결론

#먼저 알아둘 것

#중요성과 차이

#가장 강한 증거와 비교조건

#한계·반대 증거

#혼합물의 점수는 ‘정확도 몇 %’가 아니다

#어디까지 자율적인가?

#미리 검사한 뒤에도 실행 직전에 다시 확인한다

#‘학습했다’는 말에서 무엇이 남았는지 확인하기

#code/data·이해관계

#재검토 트리거

#출처·식별자

Connect