Edisi Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# Google mengusulkan tumpukan agen tiga lapis untuk bioteknologi

> Desain acuan bioteknologi Google memisahkan perencanaan agen, komputasi ilmiah GPU, dan kontrol akses. Alur kerja gabungannya masih berupa usulan yang belum diukur.

By BIG CHANGE Editorial

Published: 2026-10-18T17:10:34.892Z
Updated: 2026-10-18T17:10:34.892Z
Canonical: https://bigchange.ai/blog/google-biotech-agent-architecture

![Conceptual charcoal illustration of a researcher examining a ball-and-stick molecular model, with generic compute racks in a separate room behind glass.](https://bigchange.ai/api/media/file/google-biotech-compute-concept-v2.png)
AI-generated conceptual illustration by BIG CHANGE; no actual Google facility, completed biotech workflow, drug candidate or test result is depicted.

Google Cloud menerbitkan arsitektur acuan untuk agen bioteknologi yang memisahkan agen perencana dari komputasi ilmiah yang membutuhkan banyak GPU serta kontrol di sekitar keduanya. [Tulisan desain 16 Oktober](https://cloud.google.com/blog/topics/healthcare-life-sciences/architecting-scalable-agentic-biotech-workloads) itu menjelaskan cara tim penemuan obat dapat mengoordinasikan pelipatan protein, pembuatan molekul, dan peninjauan senyawa unggulan di Google Cloud. Tulisan tersebut menyajikan pola dan contoh tumpukan teknologi, tanpa penerapan pelanggan yang diukur, hasil laju pemrosesan, atau kandidat obat yang tervalidasi.

Perbedaan ini penting bagi tim yang mengevaluasi sistem agen untuk riset. Model bahasa dapat mengarahkan pekerjaan dan merangkum hasil, tetapi struktur protein atau lintasan docking terlalu besar untuk diperlakukan sebagai konteks percakapan biasa. Komputasi ilmiah juga memiliki runtime, antrean, dan kontrol akses sendiri. Usulan Google menempatkan bagian-bagian itu di balik batas yang jelas agar tim dapat memeriksa masing-masing sebelum mengandalkan alur kerja gabungan.

## Tiga lapisan dengan tugas berbeda

Lapisan pertama adalah orkestrator utama pada [Agent Runtime](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime). Contoh Google memberinya dua subagen khusus: satu untuk optimasi senyawa unggulan dan satu lagi untuk penyaringan keamanan. Agen utama menguraikan permintaan, mengarahkan pekerjaan, dan menyusun jawaban. Dalam desain yang diusulkan ini, serah terima internal antaragen berlangsung dalam proses yang sama. Agent Runtime adalah lingkungan penerapan terkelola; dokumentasi Google menjelaskan penyiapan proyek, Agent Platform SDK for Python, pengembangan agen, dan penerapan sebelum agen dapat dipanggil. Agen dalam kontainer harus memenuhi [kontrak runtime](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime)-nya.

Lapisan kedua menjalankan pekerjaan ilmiah yang mahal. Contoh Google menempatkan layanan mikro inferensi ESMFold dan GenMol dari NVIDIA di Google Kubernetes Engine menggunakan mesin virtual G4 dengan GPU RTX PRO 6000 Blackwell. Pelipatan protein dan pembuatan molekul merupakan contoh pekerjaan yang akan diminta orkestrator, bukan komputasi yang dilakukan model bahasa serbaguna. Tulisan itu menyarankan agar sedikitnya satu node GKE tetap aktif dan bobot model dimuat saat pod mulai berjalan untuk mengurangi penundaan cold start. Node yang siap dan bobot yang sudah dimuat mengonsumsi sumber daya; tulisan itu tidak memberikan perbandingan latensi, utilisasi, atau biaya untuk pilihan tersebut.

Lapisan ketiga mengatur akses. [Agent Identity](https://docs.cloud.google.com/iam/docs/agent-identity-overview) memberi agen identitas SPIFFE dan sertifikat X.509 terkelola, yang dapat digunakan bersama izin IAM dan log audit. [Agent Gateway](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/gateways/agent-gateway-overview) dapat menerapkan aturan akses pada jalur masuk dan keluar yang didukung. [Agent Registry](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/agent-registry) membuat katalog agen, server MCP, alat, dan endpoint. Google juga mengusulkan pemeriksaan Model Armor serta persetujuan manusia untuk langkah yang berdampak penting. Kontrol ini memerlukan penerapan dan konfigurasi kebijakan; keberadaannya dalam diagram arsitektur tidak membuktikan bahwa jalur data tertentu bersifat privat atau setiap keputusan diaudit.

## Pindahkan berkas melalui penyimpanan, bukan melalui prompt

Bagian desain yang paling mudah diterapkan di tempat lain adalah penanganan muatan data ilmiah berukuran besar. Alur kerja yang diusulkan menulis berkas PDB, pose docking, dan log lintasan ke Cloud Storage. Agen bertukar referensi objek dan ringkasan singkat, lalu mengambil data dasarnya ketika alat memerlukannya. Cara ini menghindari pengiriman larik koordinat melalui jendela konteks LLM dan memberi tim tempat terpisah untuk mengontrol akses serta masa penyimpanan berkas.

Google menjelaskan URI objek bertanda tangan dalam pola ini. URL bertanda tangan itu sendiri merupakan kredensial akses untuk cakupan dan masa berlaku yang dinyatakan, sehingga tim tetap perlu menetapkan kedaluwarsa, izin, dan pencatatan untuk alur kerja sebenarnya. Tulisan desain itu tidak mendokumentasikan kebijakan penyimpanan lengkap, konfigurasi lokasi penyimpanan data, atau model ancaman untuk pipeline bioteknologi produksi. Klaim bahwa kontainer komputasi yang dihosting secara privat menjaga struktur milik perusahaan tetap di dalam batas perusahaan bergantung pada setiap komponen yang menerima atau meneruskan struktur tersebut, termasuk penyimpanan, panggilan model, log, dan endpoint keluar.

Tulisan itu juga menyarankan agar rangkaian simulasi panjang dibungkus di balik antarmuka alat yang jelas dan melaporkan kemajuan pada tahap yang telah selesai. Pilihan desain ini perlu dinilai berdasarkan antrean backend yang sebenarnya. Mengirim lebih banyak permintaan secara paralel tidak akan membantu bila layanan ilmiah memprosesnya berurutan secara internal. Artikel itu tidak menawarkan tolok ukur yang menunjukkan bahwa konfigurasi usulannya memiliki laju pemrosesan deterministik.

## Di mana keputusan manusia ditempatkan

Usulan Google membiarkan agen menangani persiapan yang dapat dibatalkan, seperti mencari struktur atau mengidentifikasi nama kimia, sambil mewajibkan persetujuan seseorang untuk tindakan berbiaya tinggi atau berdampak penting. Contohnya mencakup proses docking multi-GPU, membawa senyawa unggulan menuju sintesis di laboratorium basah, dan mengarsipkan program riset. Organisasi riset perlu menetapkan gerbang persetujuan, pemberi persetujuan, dan bukti yang ditampilkan pada setiap gerbang. Tulisan itu tidak melaporkan hasil penyaringan keamanan yang tervalidasi atau membuktikan bahwa model dapat membuat penilaian farmakologis tanpa tinjauan ahli.

Dokumentasi tata kelola mempersempit sebagian pernyataan luas dalam blog. Gateway mendukung jalur masuk dan keluar dengan Agent Runtime, sedangkan dukungannya untuk Gemini Enterprise hanya mencakup jalur keluar. Tujuan yang tidak terdaftar masih dapat diakses ketika kebijakan IAM eksplisit menargetkan URL-nya; karena itu, pendaftaran sendiri bukan penghalang universal bagi alat yang tidak dikenal. Pemeriksaan Model Armor termasuk pagar pengaman yang *dapat dikonfigurasi* oleh tim. Keterbatasan Agent Identity yang didokumentasikan mencakup ketidakmampuan memberikan peran bucket Cloud Storage lama kepada prinsipal agen, dan binding IAM perlu dibersihkan secara manual ketika agen dihapus.

Untuk validasi, [empat pelajaran evaluasi dari plugin agen](https://cloud.google.com/blog/topics/developers-practitioners/four-eval-engineering-lessons/) yang diterbitkan secara terpisah oleh Google Cloud memberi konteks berguna, meskipun plugin itu merupakan sistem berbeda. Tim menemukan bahwa menilai hanya jawaban akhir agen melewatkan tindakan yang terlihat dalam log panggilan alat. Mereka menyarankan mempertahankan struktur panggilan serentak, membandingkan proses langsung dengan proses yang hanya membuat rencana, serta menyimpan tugas acuan yang dikurasi ahli. Bila diterapkan pada usulan bioteknologi ini, pelajaran itu mengarah pada pemeriksaan penulisan penyimpanan, endpoint model, keputusan izin, perilaku antrean, dan persetujuan manusia yang sebenarnya. BIG CHANGE belum membangun atau menguji arsitektur ini.

Laporan kami sebelumnya tentang [pemilahan awal peptida antimikroba dengan Google Antigravity](https://bigchange.ai/blog/google-antigravity-antimicrobial-peptide-candidate-triage) membahas tugas agen ilmiah yang berbeda. Laporan itu tidak membuktikan bahwa infrastruktur yang diusulkan di sini telah dibangun atau divalidasi.

## Akses, biaya, dan status rilis

Tim memerlukan proyek Google Cloud, API terkait dan penyiapan IAM, penerapan Agent Runtime, kapasitas GPU GKE, penyimpanan, serta komponen tata kelola yang telah dikonfigurasi. Ketersediaan dan batas bergantung pada wilayah, kuota, dan konfigurasi produk yang dipilih. [Dokumentasi Agent Runtime](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime) mengarahkan pembaca ke daftar wilayah dan kuota serta menyatakan bahwa tingkat gratis tersedia. [Halaman harga Agent Platform](https://cloud.google.com/products/gemini-enterprise-agent-platform/pricing) menetapkan biaya komputasi dan memori runtime serta menjelaskan penagihan jalur keluar Gateway; penggunaan model, infrastruktur GPU, dan Cloud Storage menambah biaya masing-masing. [Kalkulator harga](https://cloud.google.com/products/calculator) Google dapat membantu memperkirakan konfigurasi yang dipilih. Kumpulan GPU yang terus disiagakan harus dimasukkan dalam perkiraan tersebut.

Dokumentasi komponen menjelaskan layanan yang dapat digunakan, tetapi tidak mengubah pola bioteknologi gabungan ini menjadi produk yang tersedia secara umum dan telah diukur. Skill mandiri Registry secara eksplisit ditandai Preview, sedangkan halaman yang diperiksa di sini tidak memberikan satu label tahap rilis menyeluruh untuk setiap unsur dalam tumpukan usulan. Kecocokan antara kontainer model, kontrol jaringan, dan aplikasi riset yang tepat harus diperiksa untuk wilayah serta penerapan yang dituju. Artikel ini merupakan telaah berbasis dokumentasi atas usulan 16 Oktober, bukan panduan penyiapan atau laporan instalasi yang berfungsi.

## Perubahan besar

Google menguraikan cara membagi alur kerja agen bioteknologi menjadi perencanaan, komputasi ilmiah khusus, dan akses yang diatur, dengan struktur besar diteruskan melalui referensi serta persetujuan manusia disisakan untuk tindakan mahal atau berdampak penting. Desain ini memberi tim infrastruktur riset serangkaian batas konkret untuk dievaluasi. Kecepatan, isolasi, keandalan ilmiah, dan biaya operasinya tetap menjadi pertanyaan yang perlu dijawab melalui penerapan terkonfigurasi dan pengujian terukur.

## Sumber dan bacaan lanjutan

- [Google Cloud, “Merancang otonomi”](https://cloud.google.com/blog/topics/healthcare-life-sciences/architecting-scalable-agentic-biotech-workloads): Arsitektur acuan 16 Oktober beserta komponen, pola beban kerja, dan gerbang persetujuan yang diusulkan.
- [Dokumentasi Agent Runtime](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime): Penerapan agen terkelola, prasyarat, dukungan framework, tautan wilayah dan kuota, serta pintu masuk informasi harga.
- [Ringkasan Agent Identity](https://docs.cloud.google.com/iam/docs/agent-identity-overview): Mekanisme identitas dan kredensial, siklus hidup IAM, serta satu keterbatasan peran Cloud Storage.
- [Ringkasan Agent Gateway](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/gateways/agent-gateway-overview): Model penerapan aturan, mode runtime, pagar pengaman yang bergantung pada konfigurasi, dan keterbatasan yang dinyatakan.
- [Dokumentasi Agent Registry](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/agent-registry): Jenis sumber daya terdaftar dan status Preview skill mandiri.
- [Harga Agent Platform](https://cloud.google.com/products/gemini-enterprise-agent-platform/pricing): Dasar penagihan Runtime dan Gateway; perkirakan keseluruhan tumpukan secara terpisah.
- [Empat pelajaran evaluasi Google Cloud](https://cloud.google.com/blog/topics/developers-practitioners/four-eval-engineering-lessons/): Konteks dari plugin agen lain tentang pemeriksaan jejak eksekusi dan desain evaluasi.

Sumber diperiksa pada 18 Oktober 2026. BIG CHANGE tidak menerapkan atau menguji tolok ukur sistem bioteknologi yang diusulkan.

## Sources

- [Arsitektur agen bioteknologi Google Cloud](https://cloud.google.com/blog/topics/healthcare-life-sciences/architecting-scalable-agentic-biotech-workloads) — Usulan desain 16 Oktober dan penjelasan lapisannya.
- [Agent Runtime](https://docs.cloud.google.com/gemini-enterprise-agent-platform/build/runtime) — Alur penerapan, framework yang didukung, kontrak, kuota, dan tautan harga.
- [Ringkasan Agent Identity](https://docs.cloud.google.com/iam/docs/agent-identity-overview) — Kredensial identitas, siklus hidup IAM, audit, dan batas.
- [Ringkasan Agent Gateway](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/gateways/agent-gateway-overview) — Mode, kebijakan, tujuan yang tidak terdaftar, dan keterbatasan.
- [Agent Registry](https://docs.cloud.google.com/gemini-enterprise-agent-platform/govern/agent-registry) — Katalog dan label Preview untuk skill mandiri.
- [Harga Agent Platform](https://cloud.google.com/products/gemini-enterprise-agent-platform/pricing) — Dasar penagihan Runtime dan Gateway.
- [Kalkulator harga Google Cloud](https://cloud.google.com/products/calculator) — Perkiraan khusus konfigurasi.
- [Empat pelajaran rekayasa evaluasi](https://cloud.google.com/blog/topics/developers-practitioners/four-eval-engineering-lessons/) — Konteks dari plugin lain, bukan validasi desain bioteknologi.