KI-Agenten steuern echte Laborroboter

KI verlässt den Bildschirm. Google zeigt KI-Agenten, die Experimente planen und an echte Laborroboter übergeben, und eine niederländische Maschine setzt per Bilderkennung selbst Stecklinge. Dazu kommen DeepSeeks neue Suchwerkzeuge für Agenten, ein Physikmodell-Plan von CERN und Mistral und eine Studie über Agenten, die denken, ohne jeden Gedanken auszuschreiben.

1. Googles KI-Agenten steuern echte Laborroboter

Am 16. Oktober stellte Google Research VERID vor (VERified Infrastructure for Discovery Laboratories), einen digitalen Zwilling einer Laborstation auf Basis des Open-Source-Frameworks PyLabRobot. Er verfolgt den Roboterarm, die Flüssigkeit in jedem Well, die Reagenzien und die übrigen Pipettenspitzen. Ein KI-Agent kann ein Protokoll erst in diesem Modell durchspielen; Sicherheitsprüfungen blockieren Befehle, die die Hardware nicht ausführen kann.

Die Ergebnisse sind konkret: Bei Aptameren gegen Alpha-Thrombin stieg die Trefferquote in drei Runden von 0 % über 26,0 % auf 42,1 %. Ein Protein-Design-Ablauf lieferte Binder mit einstellig nanomolarer Affinität gegen FAP, ein Protein, das in vielen soliden Tumoren vermehrt vorkommt.

Die Einschränkung: Es ist ein Forschungsprototyp ohne Peer-Review. Menschen geben jede Sequenz frei, prüfen die Protokolle und überwachen die Roboterläufe.

▶ Googles VERID-Video im Originalbeitrag ansehen

2. Niederländischer KI-Roboter setzt bis zu 3.000 Stecklinge pro Stunde

Die niederländische Firma TTA-ISO hat die CuttingPlanter 2.0 im Juli 2026 vorgestellt, also keine Eilmeldung, aber derselbe Trend. Die Software CuttingVision prüft die Stecklinge auf einem breiten Förderband und wählt die pflanzfertigen aus. Ein elektrischer Kippgreifer setzt jeden in gleicher Tiefe; verfehlte Stecklinge laufen erneut durch.

TTA-ISO nennt bis zu 3.000 Stecklinge pro Stunde. Das ist der Höchstwert des Herstellers, keine unabhängige Messung, und das echte Tempo hängt von der Kultur ab. In vielen Gewächshäusern ist das Stecken noch Handarbeit.

▶ CuttingPlanter 2.0 in Aktion ansehen (TTA-ISO) · LinkedIn

3. DeepSeek öffnet die Websuche für KI-Agenten

Am 19. Oktober startete DeepSeek zwei Schnittstellen, Search und Fetch, mit denen KI-Agenten über DeepSeek im Web suchen und Seiten lesen. Laut TechNode kosten 1.000 erfolgreiche Anfragen 5 Yuan (rund 0,70 Dollar); Fehlschläge, leere Ergebnisse und Timeouts sind kostenlos.

Zwei Tage zuvor aktualisierte DeepSeek sein Modell auf V4.1 Flash-1017, laut Firma mit besserem Schlussfolgern, Programmieren und Agentenaufgaben. Die Gewichte liegen unter MIT-Lizenz auf Hugging Face. Die Verbesserungen sind Angaben von DeepSeek.

4. CERN und Mistral planen ein KI-Modell für die Physik

Am 15. Oktober unterzeichneten das CERN und das französische KI-Unternehmen Mistral eine Absichtserklärung für eine langfristige Partnerschaft. Erstes Ziel ist ein „Large Physics Model“, laut CERN das erste Foundation-Modell für Collider-Physik, trainiert auf Milliarden simulierter Proton-Proton-Kollisionen des LHC. Es soll Kollisionen rekonstruieren, Teilchen erkennen und unerwartete Signale melden.

Noch ist das ein Plan, kein laufendes System. In derselben Woche veröffentlichte Mistral Timestral, Prognosemodelle mit 5 bis 209 Millionen Parametern; das größte liegt laut Mistral auf GIFT-Eval, TIME und fev-bench vorn, nach eigenen Angaben.

5. KI-Agenten, die ohne Worte denken

Ein Preprint auf arXiv, „Hybrid Reasoning Agents“ von Jiaru Zou, James Zou und Kollegen, lässt einen Agenten in einer verborgenen internen Form denken und nur seine Aktionen ausschreiben. Die Autoren melden 35,5 bis 54,7 % weniger Ausgabe-Tokens und 1,8- bis 2,6-mal schnellere Inferenz. Auf Hacker News gehörte die Arbeit am 19. Oktober zu den meistdiskutierten.

Das sind die Zahlen der Autoren, ein Peer-Review steht aus. Wichtig ist die Idee trotzdem: Billigere, schnellere Agenten machen Roboter und Laborsysteme wie oben erst praktikabel.

Außerdem heute auf Hacker News

Linux 7.3 ist da, ein Rekord-Release mit 18.765 Commits von 3.021 Entwicklern. Construction Physics fragt, was es wirklich braucht, einen Roboter zu trainieren. Und 3Blue1Brown meint, es sei nie eine bessere Zeit gewesen, Mathematik zu studieren:

Quellen

• Google Research: Grounding AI agents in biological reality (16 Oct 2026)
• PyLabRobot documentation
• TSN Media: Google AI wet-lab agents
• TTA-ISO: CuttingPlanter 2.0
• TTA-ISO: Introducing our newest CuttingPlanter 2.0 (July 2026)
• TechNode: DeepSeek launches web search and page-fetching APIs (19 Oct 2026)
• TechNode: DeepSeek releases V4.1 Flash-1017 (19 Oct 2026)
• CERN: CERN and Mistral join forces to accelerate AI for science (15 Oct 2026)
• Mistral AI: Timestral (15 Oct 2026)
• arXiv 2610.18861: Hybrid Reasoning Agents
• LWN: Linux 7.3 released
• Construction Physics: How to train your robot
• 3Blue1Brown on YouTube