Pourquoi l’infrastructure expérimentale pourrait devenir le vrai facteur limitant de l’IA scientifique

Les modèles d’IA peuvent aujourd’hui proposer des molécules, des cibles thérapeutiques et des hypothèses biologiques à un rythme que les laboratoires classiques peinent à suivre. Pour MegaRobo, ce décalage déplace le centre de gravité de l’IA scientifique — ou AI for Science — et de la découverte de médicaments : le facteur limitant ne serait plus uniquement la puissance de calcul ou la sophistication des algorithmes, mais l’infrastructure capable de produire des preuves expérimentales fiables. 59

La réponse défendue par l’entreprise est celle d’un laboratoire « dans la boucle » (lab-in-the-loop). Dans ce modèle intégré, des instruments et des robots produisent des données, l’IA les interprète, puis les résultats déterminent automatiquement la prochaine expérience.

Le véritable goulot d’étranglement : des données biologiques vérifiées

Une prédiction sur la structure d’une protéine, son affinité de liaison, l’efficacité d’une molécule, sa toxicité ou sa réponse clinique n’est pas encore un résultat de développement pharmaceutique. C’est une hypothèse qui doit être confrontée au monde physique.

Cette distinction est essentielle, car les données biologiques sont difficiles à standardiser et à relier d’une étape à l’autre. Un résultat obtenu dans un test simplifié ne permet pas nécessairement de prévoir ce qui se passera dans un système biologique plus complexe, chez l’animal ou chez le patient.

La donnée réellement précieuse n’est donc pas une simple collection de structures moléculaires. C’est un dossier relié qui associe les conditions expérimentales et les mesures issues du criblage, des courbes dose-réponse, de l’efficacité, de la sécurité, de la pharmacologie et, au bout de la chaîne, des résultats cliniques.

MegaRobo présente ainsi le problème comme un enjeu de données et de flux de travail : les expériences doivent produire des informations fiables et structurées, exploitables par les modèles sans perdre leur contexte à cause de transcriptions manuelles ou de protocoles variables. 59

Pourquoi davantage de puissance de calcul ne suffit pas

Des modèles plus performants peuvent générer ou classer bien plus de candidats qu’un laboratoire traditionnel ne peut en synthétiser et en tester. Mais chaque candidat doit toujours être validé physiquement, avec des témoins appropriés, une manipulation reproductible des échantillons, des instruments étalonnés, des contrôles qualité et des métadonnées traçables.

Les chercheurs restent indispensables pour le jugement scientifique et la gestion des cas imprévus. Les laboratoires opérés principalement par des humains sont toutefois limités par la main-d’œuvre disponible, les plannings, les délais et la variabilité d’exécution.

L’automatisation change l’échelle du problème. Une plateforme robotisée de criblage quantitatif à haut débit a par exemple généré plus de 6 millions de courbes concentration-réponse à partir de plus de 120 essais en trois ans. 33

Cet exemple ne signifie pas que toutes les expériences peuvent être automatisées, ni que l’accumulation de résultats suffit à produire des connaissances utiles. Il montre en revanche pourquoi la couche physique devient aussi importante que la couche algorithmique : l’IA ne peut apprendre qu’à partir d’expériences exécutées de manière cohérente et enregistrées dans un format analysable.

L’architecture « Perception–Conception–Exécution » de MegaRobo

MegaRobo décrit son système comme une boucle en trois parties :

• Perception : instruments, imagerie, vision industrielle, identification des échantillons et capteurs observent l’état du laboratoire et enregistrent les résultats.
• Conception : des modèles ou des agents d’IA interprètent les résultats, sélectionnent les expériences et déterminent les prochaines étapes.
• Exécution : bras robotisés, robots de manipulation de liquides, incubateurs, systèmes d’analyse et dispositifs de contrôle réalisent les procédures choisies.

L’élément déterminant n’est pas chacun de ces composants pris séparément, mais leur interconnexion. Dans un laboratoire en boucle fermée, les résultats expérimentaux sont lisibles par machine et transmis assez rapidement au système de planification pour influencer le cycle suivant.

MegaRobo présente son laboratoire Kunpeng comme une combinaison de robotique, d’automatisation et d’intelligence artificielle, destinée à fournir des outils automatisés pour les sciences de la vie tout en accumulant des données pour l’IA scientifique. 9

Des descriptions plus récentes de ses installations évoquent également des agents d’IA coordonnant des bras robotisés, des incubateurs et des postes de manipulation de liquides, les résultats des tests physiques alimentant ensuite les décisions expérimentales. 4

De l’automatisation du laboratoire aux instruments conçus pour les machines

Le parcours de MegaRobo peut être lu comme une progression : d’abord automatiser les tâches, puis fiabiliser les opérations, avant de repenser le laboratoire pour une utilisation autonome par des machines.

Étape 1.0 : automatiser les procédures répétitives

La première étape correspond à l’automatisation classique des laboratoires : standardiser et mécaniser les procédures répétitives afin d’améliorer le débit, la régularité et la collecte des données. Elle constitue le socle opérationnel de systèmes plus autonomes.

Étape 2.0 : démontrer la fiabilité dans l’industrie

La deuxième étape consiste à montrer que la perception, le contrôle et l’exécution peuvent répondre à des exigences industrielles élevées. MegaRobo applique ses technologies aux sciences de la vie et à la fabrication, notamment à travers des systèmes de vision et d’automatisation destinés aux environnements industriels. Ses documents publics décrivent une activité plus large couvrant l’automatisation des laboratoires, les sciences de la vie et la fabrication avancée. 68

La logique stratégique est simple : un système scientifique autonome doit faire davantage que réussir une démonstration impressionnante. Il doit identifier correctement les échantillons, exécuter les procédures de façon constante, détecter les erreurs et conserver une trace fiable de chaque opération.

Étape 3.0 : concevoir des outils pour les machines plutôt que pour les humains

La dernière étape consiste à rendre les instruments utilisables nativement par des agents d’IA. Plutôt que d’ajouter des robots à des équipements conçus pour un opérateur humain, MegaRobo veut créer des outils capables d’exposer leur état sous une forme lisible par machine, de recevoir directement des instructions, de gérer les incidents courants et de fonctionner dans une boucle expérimentale continue. 5

Il s’agit d’un changement plus profond que le simple remplacement d’une étape de pipetage manuel par un robot. Les interfaces, les protocoles et l’architecture des données du laboratoire sont repensés autour de l’exploitation autonome.

Pourquoi le laboratoire devient une forme de « calcul expérimental »

Dans ce modèle, un laboratoire n’est plus seulement un lieu où des scientifiques exécutent des protocoles. C’est un système qui transforme des propositions informatiques en preuves, puis les preuves en propositions améliorées.

L’infrastructure physique devient ainsi à la fois un goulot d’étranglement stratégique et une source potentielle d’avantage concurrentiel. L’avantage revendiqué par MegaRobo ne repose pas nécessairement sur la possession de tous les modèles scientifiques. Il résiderait plutôt dans le contrôle de l’interface qui permet aux modèles de :

1. observer l’état du laboratoire ;
2. traduire un objectif scientifique en procédure exécutable ;
3. obtenir des résultats cohérents et validés ;
4. accumuler des données expérimentales propriétaires et de haute qualité.

Plus ces étapes sont étroitement intégrées, plus chaque cycle expérimental devient utile. Un modèle isolé peut suggérer ce qu’il faudrait tester. Un système connecté peut effectuer le test, interpréter le résultat et lancer le cycle suivant en limitant les délais et les pertes d’information.

Ce que révèle l’investissement dans la découverte de médicaments par IA

L’intérêt financier pour la découverte de médicaments assistée par l’IA témoigne de l’optimisme des investisseurs, mais ne supprime pas la différence entre un candidat prometteur et un médicament effectivement commercialisé.

L’introduction en Bourse d’Insilico Medicine à Hong Kong, en décembre 2025, a permis de lever environ 293 millions de dollars. Dans ses documents d’introduction, l’entreprise indiquait qu’aucun de ses candidats-médicaments n’avait encore été commercialisé à la date de référence. 1719

Ce contraste ne prouve pas l’échec de l’IA dans la découverte de médicaments. Il rappelle plutôt que le financement, la conception informatique, la validation clinique et la commercialisation se situent à des étapes différentes d’un parcours long et incertain.

MegaRobo s’appuie sur cet écart pour défendre sa thèse sur l’infrastructure : générer des candidats n’est qu’une partie du processus. Des tests fiables et une validation capable de rapprocher les résultats de laboratoire de la clinique restent indispensables.

Les limites des laboratoires autonomes

Une boucle expérimentale plus rapide ne supprime pas les incertitudes les plus difficiles de la médecine translationnelle. Elle ne peut pas garantir à elle seule la validité biologique d’un modèle, la transposition d’un résultat animal à l’être humain ou le succès d’un candidat dans les essais cliniques.

Les systèmes autonomes ont également leurs propres exigences : contrôles de sécurité robustes, gestion des anomalies, pistes d’audit et supervision humaine. Un laboratoire de recherche n’est pas totalement autonome simplement parce qu’il peut exécuter un protocole sans personne à côté de l’instrument. Les niveaux d’autonomie les plus élevés supposent qu’un système puisse mener un cycle scientifique complet, interpréter les résultats courants et solliciter une intervention humaine en cas d’anomalie. 1

L’argument de MegaRobo doit donc être compris comme une thèse sur une infrastructure habilitante, et non comme la promesse de médicaments automatiquement approuvés. Si les hypothèses générées par l’IA continuent de dépasser la capacité de vérification expérimentale, les organisations capables de produire des preuves reproductibles, connectées et lisibles par machine pourraient déterminer quels modèles deviennent réellement utiles à la science.

En résumé

La thèse de MegaRobo est que la prochaine couche de concurrence dans l’IA scientifique se situera entre le modèle et le monde physique. La puissance de calcul peut élargir l’espace de recherche et les algorithmes améliorer la sélection des candidats, mais ni l’une ni les autres ne remplacent les expériences nécessaires pour établir la validité d’une hypothèse.

Le « laboratoire dans la boucle » constitue la réponse proposée : réunir perception, conception pilotée par l’IA, exécution robotisée et collecte continue des données dans un même système de rétroaction. Si cette infrastructure atteint une échelle et une fiabilité suffisantes, le laboratoire deviendra une forme de calcul expérimental — et le contrôle de cette couche pourrait compter autant que celui du modèle qui génère les hypothèses.