Gå til indhold
Mickey Liechtenstein AI Foredrag Kurser & workshops Fortæl om jeres arrangement

Perspektiv

Google lader AI møde laboratoriets virkelighed – det er kontrollen mellem idé og handling, der tæller

Et forsøg kan se rigtigt ud i en computer og mislykkes ved laboratoriebordet. Google Research viser nye metoder til at forbinde AI-agenter med målinger og fysisk udstyr. Den vigtige nyhed er, at virkeligheden får mulighed for at sige nej.

En forsker i hvid kittel og beskyttelsesbriller betragter en pipetteringsrobot bag glas i et laboratorium.

Når en gyldig kommando er forkert i virkeligheden

Den 16. oktober 2026 præsenterede Google Research flere projekter, der skal forbinde AI-agenter med fysiske laboratorieforsøg. Et af dem er VERID: en digital repræsentation af forsøgsopstillingen, som holder styr på dens tilstand og kan kontrollere handlinger, før udstyret udfører dem. [1, 2]

Problemet er let at forstå uden en laboratorieuddannelse. En plan kan bede udstyret om at hente væske et sted, hvor der ikke er mere tilbage. Koden kan være korrekt skrevet, mens handlingen er forkert. Det er ikke et sprogproblem. Det er et problem med forbindelsen mellem planen og verden.

VERID-rapportens demonstrationer bruger farvestof og vand. Systemet kombinerer simulering, tilstandsoverblik og spor af udførte handlinger. Forsøgene illustrerer blandt andet, hvordan fejl kan opdages, og hvordan arbejdet kan genoptages efter et udstyrsproblem. Det er en afgrænset test af infrastrukturen, ikke en afprøvning af alle biologiske processer. [2]

Den afgrænsning gør ikke resultatet uvigtigt. Tværtimod peger det på et konkret stykke arbejde, der let forsvinder i fortællinger om intelligente agenter: Nogen skal beskrive, hvad udstyret faktisk kan, hvad der står på bordet, og hvilke handlinger der skal afvises. En velformuleret plan er først nyttig, når den kan møde de oplysninger.

Et bedre måletal kan skjule et dårligere forsøg

Et separat studie undersøger AI-styret design af aptamerer, små DNA-strukturer, der kan binde til bestemte mål. Forskerne gennemførte tre runder, hvor forslag blev testet i laboratoriet, og resultaterne blev brugt i næste runde. [3]

På målet myoglobin faldt den korrigerede træfrate først fra 10,2 til 3,7 procent og steg derefter til 33,5 procent. I den problematiske runde havde systemet favoriseret strukturer, som bandt uspecifikt. Et signal, der kunne ligne fremgang, var derfor ikke det samme som den ønskede præcision. [3]

Det er studiets mest lærerige pointe for en bredere læser: Mere af det, man måler, kan være mindre af det, man ønsker. Hvis opgaven er at ramme et bestemt mål, hjælper det ikke blot at være god til at binde til mange ting.

Vores fortolkning er, at evalueringen skal kunne afsløre de forkerte genveje. I et kontor kan parallellen være en assistent, der afslutter flere sager, fordi den stiller færre opklarende spørgsmål. I laboratoriet er det et målesignal, der skal udfordres med andre kontroller. Parallellen er ikke dokumentation for kontorproduktivitet; den viser, hvorfor et enkelt succestal sjældent bør stå alene.

En mikroplade med blå væske i brøndene på en stålbænk ved siden af pipettespidser.
Illustration, AI-genereret: En mikroplade med farvet væske. Motivet illustrerer afgrænsede forsøg, ikke forskningsdata.

Det er endnu ikke et generelt selvkørende laboratorium

Det er vigtigt at læse projekterne hver for sig. En demonstration af et kontrollag med vand og farvestof og et studie af molekyledesign er ikke tilsammen bevis for, at en vilkårlig AI-agent kan overtage et laboratorium. De undersøger forskellige dele af en større ambition.

Googles samlede præsentation omtaler også proteinbindere med relevans for kræftforskning. Det er ikke det samme som dokumenteret effekt hos patienter. Denne artikel vurderer ikke en behandling, og materialet giver ikke grundlag for at gøre det. [1]

De to læste tekniske rapporter er forskerholdenes egne offentliggjorte beskrivelser. De giver mere indblik end en produktmeddelelse, men den dokumentation, vi har gennemgået, fastslår ikke uafhængig gentagelse af resultaterne. Et yderligere spørgsmål er, hvor godt metoderne fungerer på andre opstillinger, med andre materialer og under andre fejlforhold.

For en laboratorieleder er det derfor mere nyttigt at spørge til en præcis arbejdsgang end til et generelt løfte om autonomi. Hvilket udstyr og hvilke forsøg er afprøvet? Hvilke fejl opdages? Hvad sker der, når den digitale beskrivelse er forkert? Og hvor skal et menneske tage over?

Det sidste spørgsmål skal have et praktisk svar. En besked om, at noget gik galt, hjælper ikke meget, hvis ingen kan se, hvilke trin der allerede er udført.

To forskere i laboratoriekitler arbejder side om side med prøverør og en bærbar computer.
Illustration, AI-genereret: Menneskelig gennemgang af en forsøgsopstilling. Ikke navngivne forskere.

En nyttig lektie også uden for laboratoriet

NIST’s ramme for AI-risici lægger op til, at organisationer arbejder med risici i den sammenhæng, systemet faktisk bruges i. Det er en relevant baggrund for at vurdere agenters handlinger, men ikke en certificering af Googles metode. [4]

Vores praktiske anbefaling er at begynde med en lille, afgrænset handling og gøre fire ting synlige. Først det aktuelle udgangspunkt: Hvilke data eller ressourcer findes faktisk? Dernæst de tilladte handlinger: Hvad må systemet ændre? Så kontrollen: Hvilken regel eller observation kan afvise et dårligt forslag? Til sidst sporet: Hvad skal gemmes, så et menneske kan forstå forløbet?

Et konstrueret kontoreksempel er en agent, der reserverer udstyr. Den skal ikke bare læse en gammel liste og skrive en overbevisende bekræftelse. Den skal kontrollere den aktuelle tilgængelighed, håndtere en samtidig reservation og kunne dokumentere, hvad der blev ændret. Er der konflikt, skal den stoppe eller sende sagen videre.

Det er ikke så spektakulært som en fortælling om en maskine, der forsker alene. Til gengæld er det en mere anvendelig måde at forstå fremskridtet på: Et system bliver mere værdifuldt, når det kan møde modstand fra virkeligheden, lære af den og efterlade et spor, andre kan kontrollere.

Læs også

Kilder og videre læsning

Læs også

Vil I arbejde videre med emnet sammen?

Fortæl kort om deltagerne og anledningen – så finder vi det foredrag eller kursus, der passer.

Fortæl om jeres arrangementSkriv til mig