Proč může AI ve vědě potřebovat spíš experimentální infrastrukturu než větší modely

Modely umělé inteligence dokážou navrhovat molekuly, biologické cíle a vědecké hypotézy tempem, kterému běžné laboratoře jen obtížně stačí. Podle teze společnosti MegaRobo proto nebude rozhodující omezení AI pro vědu a vývoj léčiv spočívat pouze ve výpočetním výkonu nebo sofistikovanějších algoritmech, ale v experimentální infrastruktuře. 59

Navrhovaným řešením je koncept laboratoře v uzavřené smyčce (lab-in-the-loop): přístroje a roboti vytvářejí spolehlivé důkazy, AI je interpretuje a výsledky automaticky určují, jaký experiment přijde na řadu dál.

Skutečným úzkým hrdlem jsou ověřená biologická data

Předpověď struktury proteinu, vazby, účinnosti, toxicity nebo reakce pacienta ještě není výsledkem vývoje léku. Je to hypotéza, kterou je nutné otestovat ve fyzickém světě.

To je důležité, protože biologická data se obtížně standardizují a výsledky se mezi jednotlivými fázemi vývoje nemusí přenášet. Jednoduchý laboratorní test například nemusí předpovědět, co se stane ve složitějším biologickém systému, u zvířete nebo u člověka. Cenný datový soubor proto nepředstavuje jen sbírku molekulárních struktur. Musí propojovat podmínky experimentů a měření z fáze screeningu, testování dávkování, účinnosti, bezpečnosti a farmakologie až po klinické výsledky.

MegaRobo tento problém popisuje jako výzvu týkající se dat a pracovních postupů: experimenty musí vytvářet důvěryhodné a strukturované informace, které modely využijí bez ztráty kontextu při ručním přepisování nebo kvůli nejednotným postupům. 59

Proč samotný vyšší výpočetní výkon mezeru nevyplní

Výkonnější modely dokážou vytvořit nebo seřadit mnohem více kandidátů, než kolik jich tradiční laboratoř zvládne syntetizovat a otestovat. Každý kandidát však stále vyžaduje fyzické ověření, včetně kontrolních vzorků, reprodukovatelné manipulace se vzorky, kalibrovaných přístrojů, kontroly kvality a dohledatelných metadat.

Lidé zůstávají pro vědecký úsudek a řešení nestandardních situací nezbytní. Laboratoře řízené člověkem však narážejí na omezení pracovní síly, plánování, kapacity i variability jednotlivých postupů. Automatizace mění měřítko celého problému. Jedna robotická platforma pro kvantitativní vysokokapacitní screening například za tři roky vytvořila více než 6 milionů křivek závislosti účinku na koncentraci z více než 120 testů. 33

Tento příklad neznamená, že lze automatizovat každý experiment nebo že samotné množství dat automaticky vytváří užitečné poznatky. Ukazuje ale, proč je fyzická vrstva stále důležitější: AI se může učit jen z experimentů, které jsou provedeny konzistentně a zaznamenány ve formě vhodné pro další analýzu.

Architektura MegaRobo: vnímání, koncepce a provedení

MegaRobo svůj systém popisuje jako tři propojené části:

• Vnímání (Perception): přístroje, zobrazování, strojové vidění, identifikace vzorků a senzorové systémy sledují stav laboratoře a zachycují výsledky.
• Koncepce (Conception): modely nebo agenti AI výsledky interpretují, vybírají další experimenty a uvažují o tom, co vyzkoušet příště.
• Provedení (Execution): robotická ramena, dávkovací systémy, inkubátory, testovací zařízení a řídicí systémy uskutečňují zvolené postupy.

Podstatou není žádná jednotlivá součást, ale jejich propojení. V laboratoři s uzavřenou smyčkou jsou výsledky čitelné pro stroje a dostávají se k plánovací vrstvě dostatečně rychle na to, aby ovlivnily další experiment. MegaRobo uvádí, že jeho laboratoř Kunpeng kombinuje robotiku, automatizaci a AI a zároveň shromažďuje data pro aplikace AI ve vědě. 9

Nedávné popisy zařízení MegaRobo podobně hovoří o agentech AI, kteří koordinují robotická ramena, inkubátory a pracoviště pro manipulaci s kapalinami. Výsledky fyzických testů mají následně ovlivňovat výběr dalších experimentů. 4

Od automatizace laboratoře k přístrojům vytvořeným pro stroje

Vývojový příběh MegaRobo lze chápat jako postup od automatizace jednotlivých úkonů k laboratoři navržené pro autonomní provoz.

Fáze 1.0: automatizace opakovatelných pracovních postupů

Prvním krokem je standardní laboratorní automatizace: opakující se procesy se sjednotí a zautomatizují, aby se zvýšila kapacita, konzistence a kvalita záznamů. Vzniká tak provozní základ pro autonomnější systémy.

Fáze 2.0: ověření spolehlivosti v náročném průmyslu

Druhým krokem je prokázat, že vnímání, řízení a provedení dokážou splnit přísné průmyslové požadavky. MegaRobo uplatňuje své technologie v biologických vědách i ve výrobě, včetně systémů strojového vidění a automatizace pro průmyslové prostředí. Veřejné materiály společnosti popisují širší podnikání zahrnující laboratorní automatizaci, biologické vědy a pokročilou výrobu. 68

Logika této strategie je přímočará: autonomní vědecký systém nesmí být jen působivou ukázkou. Musí správně identifikovat vzorky, konzistentně provádět postupy, rozpoznat chyby a uchovat spolehlivý záznam o tom, co se stalo.

Fáze 3.0: nástroje pro stroje, nikoli pro člověka

Posledním krokem je vytvořit přístroje, které budou přirozeně použitelné pro AI agenty. Robotika by v takovém pojetí nebyla jen doplňkem zařízení navržených pro člověka. Přístroje by měly poskytovat strojově čitelný stav, přijímat přímé instrukce, zvládat běžné výjimky a fungovat jako součást nepřetržité experimentální smyčky. 5

Jde o hlubší změnu než o pouhé nahrazení ručního pipetování robotem. Laboratoř by musela nově uspořádat svá rozhraní, protokoly i datovou architekturu kolem autonomního provozu.

Proč se laboratoř může stát „experimentálním výpočetním výkonem“

V tomto modelu není laboratoř jen místem, kde vědci provádějí jednotlivé postupy. Je to systém, který převádí výpočetní návrhy na důkazy a důkazy zase na lepší návrhy.

Fyzická infrastruktura se tak může stát strategickým úzkým hrdlem i zdrojem konkurenční výhody. Navrhovaná výhoda MegaRobo nemusí spočívat ve vlastnictví každého vědeckého modelu. Může spočívat v kontrole rozhraní, přes které modely:

1. sledují podmínky v laboratoři;
2. převádějí vědecké cíle na proveditelné postupy;
3. získávají konzistentní a ověřené výsledky;
4. hromadí vlastní, kvalitní experimentální data.

Čím těsněji jsou tyto kroky propojené, tím užitečnější může být každý další experimentální cyklus. Izolovaný model dokáže navrhnout, co otestovat. Propojený systém to ale může skutečně otestovat, vyhodnotit výsledek a bez zbytečného prodlení spustit další kolo s menší ztrátou informací.

Co ukazuje investiční cyklus kolem AI ve vývoji léčiv

Finanční zájem o vývoj léčiv pomocí AI potvrzuje zájem investorů, neodstraňuje však rozdíl mezi slibným kandidátem a klinicky úspěšným lékem. Primární nabídka akcií společnosti Insilico Medicine v Hongkongu v prosinci 2025 vynesla přibližně 293 milionů dolarů. Podle dokumentů spojených s uvedením na burzu přitom k rozhodnému datu nebyl žádný z jejích kandidátů komercializován. 1719

Tato kombinace sama o sobě neznamená, že AI ve vývoji léčiv selhala. Ukazuje však, že kapitál, výpočetní návrh molekul a komerční uvedení léku představují různé body dlouhé vývojové cesty. MegaRobo tuto mezeru využívá jako argument pro infrastrukturu: vytvoření kandidátů je pouze jednou částí procesu, zatímco spolehlivé testování a ověření přenosu výsledků do praxe zůstávají nezbytné.

Limity autonomních laboratoří

Rychlejší laboratoř s uzavřenou smyčkou neodstraní největší nejistoty translační medicíny. Sama o sobě nezaručí biologickou správnost modelu, přenos výsledků ze zvířat na člověka ani úspěch kandidáta v klinických studiích.

Autonomní systémy navíc přinášejí vlastní požadavky. Potřebují robustní bezpečnostní kontrolu, řešení anomálií, auditní záznamy a lidský dohled. Výzkumná laboratoř není plně autonomní jen proto, že dokáže provést protokol bez člověka stojícího přímo u přístroje. Vyšší úrovně autonomie vyžadují, aby systém zvládl celý vědecký cyklus, interpretoval běžné výsledky a člověka přivolal až při nestandardní situaci. 1

Argument MegaRobo je proto vhodné chápat jako tezi o umožňující infrastruktuře, nikoli jako příslib automatického schválení léčiv. Pokud budou hypotézy generované AI i nadále předbíhat experimentální ověřování, mohou o tom, které modely se stanou skutečně užitečnými pro vědu, rozhodovat organizace schopné vytvářet reprodukovatelné, propojené a strojově čitelné důkazy.

Závěr

Teze MegaRobo zní, že další konkurenční vrstva AI ve vědě bude ležet mezi modelem a fyzickým světem. Výpočetní výkon může rozšířit prostor možností a algoritmy mohou zlepšit výběr kandidátů. Ani jedno ale nenahradí experimenty potřebné k ověření, zda je hypotéza pravdivá.

„Laboratoř v uzavřené smyčce“ je navrhovaným řešením: spojit vnímání, koncepci řízenou AI, robotické provedení a průběžný sběr dat do jediného zpětnovazebního systému. Pokud bude taková infrastruktura fungovat v dostatečném měřítku a s potřebnou spolehlivostí, laboratoř se stane formou experimentálního výpočetního výkonu. A kontrola této vrstvy může být stejně důležitá jako kontrola modelu, který vědecké hypotézy vytváří.