Hvorfor AI til videnskab kan få mere brug for laboratorier end større modeller

AI-modeller kan foreslå molekyler, målproteiner og biologiske hypoteser i et tempo, som traditionelle laboratorier har svært ved at følge med i. MegaRobos grundidé er, at denne ubalance gør den eksperimentelle infrastruktur – ikke bare mere computerkraft eller mere avancerede algoritmer – til den afgørende flaskehals for AI til videnskab og lægemiddeludvikling. 59

Virksomhedens foreslåede svar er et lab-in-the-loop: et integreret system, hvor instrumenter og robotter producerer pålidelige data, AI fortolker dem, og resultaterne automatisk er med til at bestemme det næste forsøg.

Den egentlige flaskehals er verificerede biologiske data

En models forudsigelse af proteinstruktur, binding, effekt, toksicitet eller klinisk respons er ikke i sig selv et lægemiddeludviklingsresultat. Det er en hypotese, der skal afprøves i den fysiske verden.

Det er vigtigt, fordi biologisk evidens både er vanskelig at standardisere og vanskelig at føre sikkert videre fra ét udviklingstrin til det næste. Et resultat fra et forenklet assay – altså en laboratorietest – kan vise sig ikke at forudsige, hvad der sker i et mere komplekst biologisk system, i et dyr eller hos en patient.

Det værdifulde datasæt er derfor ikke blot en samling molekylstrukturer. Det er en sammenhængende registrering, der forbinder forsøgsbetingelser og målinger på tværs af screening, dosis-respons, effekt, sikkerhed, farmakologi og kliniske resultater.

MegaRobo fremstiller problemet som en udfordring inden for data og arbejdsgange: Forsøg skal skabe troværdig, struktureret information, som modeller kan bruge uden at miste kontekst gennem manuel indtastning eller uensartede procedurer. 59

Hvorfor mere computerkraft ikke lukker hullet til den fysiske validering

Mere kapable modeller kan generere eller rangere langt flere kandidater, end et traditionelt laboratorium kan syntetisere og teste. Men hver kandidat skal stadig valideres fysisk – med kontrolforsøg, reproducerbar prøvehåndtering, kalibrerede instrumenter, kvalitetskontrol og sporbare metadata.

Menneskelige forskere er fortsat afgørende for den videnskabelige vurdering og for håndteringen af undtagelser. Men manuelt drevne arbejdsgange er begrænset af arbejdskraft, tidsplaner, kapacitet og variation fra person til person.

Automation ændrer skalaen. Én robotbaseret platform til kvantitativ high-throughput-screening genererede eksempelvis over 6 millioner koncentrations-respons-kurver fra mere end 120 assays på tre år. 33

Det betyder ikke, at alle eksperimenter kan automatiseres, eller at store datamængder automatisk bliver til nyttig viden. Eksemplet viser snarere, hvorfor det fysiske lag bliver lige så vigtigt som modellaget: AI kan kun lære af forsøg, der gennemføres ensartet og registreres i en form, der kan analyseres.

MegaRobos arkitektur: Perception–Conception–Execution

MegaRobo beskriver sit system som en løkke i tre dele:

• Perception: Instrumenter, billeddannelse, maskinsyn, prøveidentifikation og sensorsystemer observerer laboratoriets tilstand og registrerer resultater.
• Conception: AI-modeller eller AI-agenter fortolker resultaterne, udvælger forsøg og vurderer, hvad der skal prøves bagefter.
• Execution: Robotarme, væskehåndteringssystemer, inkubatorer, assaysystemer og proceskontroller udfører de valgte procedurer.

Det afgørende er ikke den enkelte komponent, men forbindelsen mellem dem. I et lukket laboratorieloop er forsøgsresultater maskinlæsbare og tilgængelige for planlægningslaget hurtigt nok til at påvirke den næste cyklus.

MegaRobo beskriver Kunpeng Laboratory som en kombination af robotteknologi, automation og AI, der samtidig opsamler data til anvendelser inden for AI til videnskab. 9

Omtaler af MegaRobos faciliteter beskriver tilsvarende AI-agenter, der koordinerer robotarme, inkubatorer og arbejdsstationer til væskehåndtering, mens de fysiske testresultater indgår i beslutningen om de næste eksperimenter. 4

Fra laboratorieautomation til instrumenter, der er bygget til maskiner

MegaRobos udvikling kan ses som en bevægelse fra automatisering af enkeltopgaver til en gentænkning af laboratoriet omkring selvstændig maskindrift.

Trin 1.0: Automatisér gentagelige arbejdsgange

Første trin er klassisk laboratorieautomation: Gentagne procedurer standardiseres og automatiseres for at øge kapacitet, ensartethed og kvaliteten af dataopsamlingen. Det skaber det driftsmæssige fundament for mere selvstændige systemer.

Trin 2.0: Dokumentér pålidelighed i krævende industrimiljøer

Næste trin er at vise, at perception, styring og udførelse kan leve op til strenge industrielle krav. MegaRobo anvender sine teknologier inden for både life science og produktion, blandt andet i maskinsyns- og automationssystemer til industrielle miljøer. Virksomhedens offentlige materiale beskriver en bredere forretning, der spænder over laboratorieautomation, life science og avanceret produktion. 68

Den strategiske logik er enkel: Et autonomt videnskabeligt system skal kunne mere end at levere en imponerende demonstration. Det skal identificere prøver korrekt, udføre procedurer ensartet, opdage fejl og bevare en pålidelig registrering af, hvad der faktisk skete.

Trin 3.0: Byg værktøjer til maskiner – ikke mennesker

Det sidste trin er at gøre instrumenter naturligt anvendelige for AI-agenter. I stedet for at se robotter som et ekstra lag oven på udstyr, der er designet til mennesker, er visionen at skabe værktøjer, som viser maskinlæsbar status, modtager direkte instruktioner, kan håndtere almindelige afvigelser og indgår i en kontinuerlig eksperimentel løkke. 5

Det er en større forandring end blot at erstatte manuel pipettering med en robot. Det indebærer at redesigne laboratoriets grænseflader, protokoller og dataarkitektur med autonom drift som udgangspunkt.

Derfor bliver laboratoriet til “eksperimentel computerkraft”

I denne model er et laboratorium ikke kun et sted, hvor forskere udfører procedurer. Det er et system, der omsætter beregningsmæssige forslag til evidens – og evidens til bedre forslag.

Det gør den fysiske infrastruktur til både en mulig strategisk flaskehals og en mulig kilde til en stærk markedsposition. MegaRobos foreslåede fordel er ikke nødvendigvis at eje alle de videnskabelige modeller. Den er at kontrollere grænsefladen, hvor modeller kan:

1. observere laboratoriets tilstand;
2. omsætte videnskabelige mål til udførbare procedurer;
3. modtage ensartede, validerede resultater; og
4. opbygge proprietære datasæt af høj kvalitet.

Jo tættere disse trin er integreret, desto mere værdifuld bliver hver eksperimentel cyklus. En isoleret model kan foreslå, hvad der bør testes. Et sammenkoblet system kan teste forslaget, fortolke resultatet og starte næste cyklus med mindre forsinkelse og mindre tab af information.

Hvad investeringerne i AI til lægemiddeludvikling viser

Den finansielle interesse for AI-baseret lægemiddeludvikling viser investorernes tro på området, men den ændrer ikke forskellen mellem en lovende kandidat og et lægemiddel, der faktisk virker og bliver godkendt.

Insilico Medicines børsnotering i Hongkong i december 2025 rejste omkring 293 millioner dollar, mens selskabets børsdokumenter oplyste, at ingen af dets lægemiddelkandidater var kommercialiseret på det relevante skæringstidspunkt. 1719

Den kombination er ikke et bevis på, at AI-baseret lægemiddeludvikling er slået fejl. Den viser, at kapital, beregningsbaseret design og klinisk kommercialisering befinder sig på forskellige trin i en lang udviklingsproces.

MegaRobo bruger dette mellemrum til at understøtte sit infrastrukturargument: At generere kandidater er kun én del af arbejdet. Pålidelig afprøvning og validering på tværs af vejen fra laboratoriet til patienten er fortsat uundværlig.

De autonome laboratoriers begrænsninger

Et hurtigere lukket laboratorieloop fjerner ikke de vanskeligste usikkerheder i udviklingen af nye behandlinger. Det kan ikke i sig selv garantere, at en model er biologisk gyldig, at et resultat i dyr kan overføres til mennesker, eller at en kandidat klarer kliniske forsøg.

Autonome systemer skaber også deres egne krav. De skal have robuste sikkerhedskontroller, håndtering af afvigelser, revisionsspor og menneskeligt tilsyn.

Et forskningslaboratorium er ikke fuldt autonomt, blot fordi det kan køre en protokol uden en person stående ved siden af instrumentet. Højere autonominiveauer kræver, at systemet kan gennemføre videnskabelige cyklusser og fortolke rutineresultater, mens usædvanlige hændelser sendes videre til mennesker. 1

MegaRobos argument bør derfor forstås som et argument for muliggørende infrastruktur, ikke som et løfte om automatisk lægemiddelgodkendelse. Hvis AI-genererede hypoteser fortsat vokser hurtigere end den eksperimentelle verifikation, kan de organisationer, der kan producere reproducerbar, sammenhængende og maskinlæsbar evidens, blive afgørende for, hvilke modeller der faktisk får videnskabelig værdi.

Konklusionen

MegaRobos tese er, at det næste konkurrenceparameter inden for AI til videnskab vil ligge mellem modellen og den fysiske verden. Computer##Bigger Modeller\n\nAI kan udvide søgefeltet, og algoritmer kan forbedre prioriteringen, men ingen af delene kan erstatte de forsøg, der skal afgøre, om en hypotese holder vand.

“Lab-in-the-loop” er virksomhedens foreslåede løsning: at samle perception, AI-drevet planlægning, robotbaseret udførelse og løbende dataopsamling i ét feedbacksystem. Hvis infrastrukturen kan fungere med tilstrækkelig skala og pålidelighed, bliver laboratoriet en form for eksperimentel computerkraft – og kontrollen over dette lag kan blive lige så vigtig som kontrollen over den model, der genererer hypoteserne.