Warum KI für die Wissenschaft eher bessere Labore als größere Modelle braucht

KI-Modelle können Moleküle, Angriffspunkte und biologische Hypothesen in einem Tempo vorschlagen, mit dem klassische Labore kaum Schritt halten. Für MegaRobo verschiebt sich damit der entscheidende Engpass: Nicht mehr nur Rechenleistung oder ausgefeiltere Algorithmen seien ausschlaggebend, sondern die Infrastruktur, die diese Vorschläge in belastbare Experimente übersetzt. 59

Die Antwort des Unternehmens lautet „Lab-in-the-Loop“ – ein integriertes System, in dem Instrumente und Roboter verlässliche Daten erzeugen, KI diese interpretiert und die Ergebnisse automatisch in die Planung des nächsten Versuchs einfließen.

Der eigentliche Engpass: überprüfbare biologische Daten

Eine Vorhersage über die Struktur eines Proteins, seine Bindung an ein Molekül, die Wirksamkeit, mögliche Toxizität oder eine klinische Reaktion ist noch kein Ergebnis der Arzneimittelentwicklung. Sie ist zunächst eine überprüfbare Annahme.

Genau hier liegt die Schwierigkeit: Biologische Daten lassen sich nur schwer standardisieren und von einer Entwicklungsstufe auf die nächste übertragen. Ein Ergebnis aus einem vereinfachten Test sagt nicht zwangsläufig voraus, was in einem komplexeren biologischen System, in einem Tier oder bei einem Menschen passiert.

Der wertvolle Datensatz besteht deshalb nicht bloß aus einer Sammlung von Molekülstrukturen. Er muss die gesamte Kette miteinander verknüpfen: Versuchsbedingungen und Messwerte aus Screening, Dosis-Wirkungs-Analysen, Wirksamkeit, Sicherheit, Pharmakologie und schließlich klinischen Ergebnissen. MegaRobo beschreibt das Problem daher vor allem als Daten- und Workflow-Herausforderung: Experimente müssen strukturierte, vertrauenswürdige Informationen liefern, ohne dass Kontext durch manuelle Übertragung oder uneinheitliche Abläufe verloren geht. 59

Warum mehr Rechenleistung die Lücke nicht schließt

Leistungsfähigere Modelle können deutlich mehr Kandidaten erzeugen und priorisieren, als ein herkömmliches Labor synthetisieren und testen kann. Jeder einzelne Kandidat muss jedoch weiterhin physisch überprüft werden – mit Kontrollen, reproduzierbarer Probenhandhabung, kalibrierten Geräten, Qualitätskontrollen und lückenlos dokumentierten Metadaten.

Menschliche Forscher bleiben für wissenschaftliche Entscheidungen und den Umgang mit Ausnahmen unverzichtbar. Ihre Arbeitsabläufe sind aber durch Personal, Terminplanung, verfügbare Geräte und natürliche Schwankungen begrenzt. Automatisierung verändert daher die Größenordnung des Problems. Eine robotergestützte Plattform für quantitative Hochdurchsatztests erzeugte beispielsweise in drei Jahren mehr als sechs Millionen Konzentrations-Wirkungs-Kurven aus über 120 Testverfahren. 33

Das bedeutet nicht, dass sich jedes Experiment automatisieren lässt oder dass eine größere Datenmenge automatisch zu besserer Wissenschaft führt. Es zeigt vielmehr, warum die physische Ebene immer wichtiger wird: KI kann nur aus Experimenten lernen, die konsistent durchgeführt und so dokumentiert werden, dass sie zuverlässig ausgewertet werden können.

MegaRobos Architektur: Wahrnehmen, konzipieren, ausführen

MegaRobo beschreibt sein System als dreiteiligen Kreislauf:

• Perception – Wahrnehmung: Instrumente, Bildgebung, maschinelles Sehen, Probenidentifikation und Sensoren erfassen den Zustand des Labors und die Ergebnisse.
• Conception – Konzeption: KI-Modelle oder -Agenten interpretieren die Resultate, wählen Experimente aus und überlegen, was als Nächstes getestet werden soll.
• Execution – Ausführung: Roboterarme, Flüssigkeitshandling-Systeme, Inkubatoren, Assay-Anlagen und Prozesssteuerungen führen die ausgewählten Abläufe durch.

Entscheidend ist nicht ein einzelnes Gerät, sondern die Verbindung zwischen allen Komponenten. In einem geschlossenen Labor-Kreislauf liegen Versuchsergebnisse maschinenlesbar vor und stehen schnell genug für die nächste Planungsrunde zur Verfügung. MegaRobos Kunpeng Laboratory wird als Verbindung von Robotik, Automatisierung und KI beschrieben, die zugleich Daten für Anwendungen der wissenschaftlichen KI sammelt. 9

Auch neuere Beschreibungen von MegaRobo-Einrichtungen zeichnen das Bild von KI-Agenten, die Roboterarme, Inkubatoren und Flüssigkeitshandling-Stationen koordinieren. Die Ergebnisse der physischen Tests fließen dabei in die Entscheidung über die nächsten Experimente ein. 4

Vom automatisierten Labor zum „Machine-native“-Instrument

Die Entwicklung von MegaRobo lässt sich als Übergang von der Automatisierung einzelner Aufgaben zu einem Labor verstehen, das von Grund auf für autonome Maschinen konzipiert ist.

Stufe 1.0: Wiederholbare Abläufe automatisieren

Am Anfang steht die klassische Laborautomatisierung: Wiederkehrende Prozesse werden standardisiert und automatisiert, um Durchsatz, Konsistenz und Datenerfassung zu verbessern. Das schafft die betriebliche Grundlage für autonomere Systeme.

Stufe 2.0: Zuverlässigkeit in anspruchsvollen Industrieumgebungen beweisen

Im nächsten Schritt muss sich zeigen, dass Wahrnehmung, Steuerung und Ausführung auch unter strengen industriellen Anforderungen funktionieren. MegaRobo setzt seine Technologien nach eigenen öffentlichen Angaben sowohl in den Biowissenschaften als auch in der Fertigung ein, unter anderem bei Bildverarbeitungs- und Automatisierungssystemen für industrielle Anwendungen. 68

Die Logik dahinter ist nachvollziehbar: Ein autonomes wissenschaftliches System darf nicht nur in einer eindrucksvollen Demonstration funktionieren. Es muss Proben korrekt identifizieren, Abläufe zuverlässig ausführen, Fehler erkennen und nachvollziehbar dokumentieren, was tatsächlich passiert ist.

Stufe 3.0: Werkzeuge für Maschinen statt für Menschen

Der letzte Schritt besteht in Instrumenten, die nativ von KI-Agenten bedient werden können. Robotik wäre dann nicht länger nur ein Zusatz zu Geräten, die ursprünglich für Menschen entwickelt wurden. Stattdessen sollen die Werkzeuge maschinenlesbare Zustände bereitstellen, direkte Anweisungen akzeptieren, mit routinemäßigen Ausnahmen umgehen und Teil eines kontinuierlichen Experimentierkreislaufs sein. 5

Das geht weit über den Ersatz eines manuellen Pipettierschritts durch einen Roboter hinaus. Schnittstellen, Protokolle und Datenarchitektur des gesamten Labors müssten auf autonome Abläufe ausgerichtet werden.

Warum das Labor zu „experimenteller Rechenleistung“ wird

In diesem Modell ist ein Labor nicht lediglich ein Ort, an dem Wissenschaftler Verfahren durchführen. Es ist ein System, das rechnerisch entwickelte Vorschläge in Belege und Belege wiederum in bessere Vorschläge umwandelt.

Damit wird die physische Infrastruktur zu einem möglichen strategischen Engpass – und zu einem möglichen Wettbewerbsvorteil. MegaRobos vorgeschlagene Stärke besteht nicht zwingend darin, jedes wissenschaftliche Modell selbst zu besitzen. Sie liegt vielmehr in der Kontrolle der Schnittstelle, über die Modelle:

1. den Zustand des Labors beobachten;
2. wissenschaftliche Ziele in ausführbare Abläufe übersetzen;
3. konsistente und validierte Ergebnisse erhalten; und
4. hochwertige, eigene experimentelle Datensätze aufbauen.

Je enger diese Schritte verbunden sind, desto wertvoller wird jeder einzelne Experimentierzyklus. Ein isoliertes Modell kann vorschlagen, was getestet werden sollte. Ein integriertes System kann den Versuch durchführen, das Ergebnis interpretieren und den nächsten Zyklus mit weniger Verzögerung und weniger Informationsverlust starten.

Was der KI-Wirkstoff-Boom über den Engpass verrät

Die Dynamik bei Investitionen in KI-gestützte Wirkstoffforschung zeigt das Interesse der Kapitalmärkte. Sie hebt jedoch den Unterschied zwischen einem vielversprechenden Kandidaten und einem klinisch erfolgreichen Medikament nicht auf.

Der Börsengang von Insilico Medicine in Hongkong brachte im Dezember 2025 rund 293 Millionen US-Dollar ein. In den Unterlagen zur Börsennotierung hieß es zugleich, dass bis zum maßgeblichen Stichtag keiner der Wirkstoffkandidaten kommerzialisiert worden war. 1719

Das ist kein Beleg dafür, dass KI in der Wirkstoffforschung gescheitert ist. Es macht vielmehr sichtbar, dass Kapital, computergestütztes Design und klinische Vermarktung an unterschiedlichen Punkten eines langen Entwicklungswegs liegen. MegaRobo nutzt diese Lücke für sein Infrastrukturargument: Kandidaten zu erzeugen ist nur ein Teil des Prozesses. Verlässliche Tests und die Übertragung der Ergebnisse in die klinische Entwicklung bleiben unverzichtbar.

Wo autonome Labore an Grenzen stoßen

Ein schnellerer geschlossener Labor-Kreislauf beseitigt nicht die schwierigsten Unsicherheiten der medizinischen Entwicklung. Er garantiert weder, dass ein Modell biologisch korrekt ist, noch dass ein Ergebnis aus einem Tierversuch auf den Menschen übertragbar ist oder ein Kandidat klinische Studien erfolgreich durchläuft.

Auch autonome Systeme bringen zusätzliche Anforderungen mit sich: robuste Sicherheitsvorkehrungen, Anomalieerkennung, Prüfpfade und menschliche Aufsicht. Ein Forschungslabor ist nicht schon deshalb vollständig autonom, weil es ein Protokoll ohne direkt danebenstehende Person ausführen kann. Höhere Autonomiestufen setzen voraus, dass ein System wissenschaftliche Zyklen abschließt und Routineergebnisse interpretiert, während es Auffälligkeiten an Menschen weitergibt. 1

MegaRobos Argument sollte deshalb als Plädoyer für ermöglichende Infrastruktur verstanden werden – nicht als Versprechen einer automatischen Arzneimittelzulassung. Wenn KI-generierte Hypothesen die experimentelle Überprüfung weiterhin überholen, könnten jene Organisationen den Ausschlag geben, die reproduzierbare, verknüpfte und maschinenlesbare Belege erzeugen können.

Das Fazit

MegaRobos These lautet: Die nächste entscheidende Wettbewerbsebene der wissenschaftlichen KI liegt zwischen dem Modell und der physischen Welt. Rechenleistung kann den Suchraum vergrößern, Algorithmen können die Priorisierung verbessern. Beide ersetzen jedoch nicht die Experimente, mit denen sich feststellen lässt, ob eine Hypothese tatsächlich stimmt.

Das „Lab-in-the-Loop“ ist die vorgeschlagene Lösung: Wahrnehmung, KI-gestützte Konzeption, robotische Ausführung und kontinuierliche Datenerfassung werden zu einem Feedbacksystem verbunden. Funktioniert diese Infrastruktur in ausreichender Größenordnung und Zuverlässigkeit, wird das Labor zu einer Form experimenteller Rechenleistung – und die Kontrolle über diese Ebene könnte ebenso wichtig werden wie die Kontrolle über das Modell, das die Hypothesen erzeugt.