המרוץ ל-AI במדע לא יוכרע רק במודלים גדולים — אלא במעבדה

מודלים של בינה מלאכותית מסוגלים להציע מולקולות, מטרות ביולוגיות והשערות מחקריות בקצב שמרבית המעבדות המסורתיות מתקשות להשיג. לפי התזה של MegaRobo, הפער הזה הופך את התשתית הניסויית — ולא רק כוח החישוב או האלגוריתמים — למגבלה המכרעת של AI למדעים ושל גילוי תרופות. 59

הפתרון שהחברה מציעה הוא מעבדה במעגל סגור (lab-in-the-loop): מערכת משולבת שבה מכשירים ורובוטים מפיקים ראיות אמינות, בינה מלאכותית מפרשת אותן, והתוצאות מעצבות באופן אוטומטי את הניסוי הבא.

צוואר הבקבוק האמיתי: נתונים ביולוגיים מאומתים

תחזית לגבי מבנה חלבון, קישור למטרה, יעילות, רעילות או תגובה קלינית אינה עדיין תוצאה של פיתוח תרופה. זו השערה שצריך לבדוק בעולם הפיזי.

ההבדל הזה חשוב במיוחד בביולוגיה, משום שקשה לתקנן את הראיות הניסויית וקשה להעביר אותן באופן אמין משלב לשלב. תוצאה שהתקבלה במבחן מעבדתי פשוט אינה בהכרח מנבאת מה יתרחש במערכת ביולוגית מורכבת יותר, בבעל חיים או אצל מטופל.

לכן, מאגר הנתונים בעל הערך אינו רק אוסף של מבנים מולקולריים. מדובר ברשומה מקושרת, המתעדת תנאי ניסוי ומדידות לאורך שרשרת שלמה: סריקה, תגובה למינונים, יעילות, בטיחות, פרמקולוגיה ולבסוף תוצאות קליניות.

MegaRobo מציגה את האתגר כבעיה של נתונים ושל תהליכי עבודה: הניסויים צריכים להפיק מידע אמין, מובנה ועשיר בהקשר — כזה שמודלים יכולים להשתמש בו בלי שהמידע יאבד בתמלול ידני או בהליכים לא עקביים. 59

למה עוד כוח חישוב לא פותר את פער האימות

מודלים חזקים יותר יכולים לייצר ולדרג מועמדים רבים בהרבה מכפי שמעבדה מסורתית מסוגלת לסנתז ולבדוק. אבל כל מועמד עדיין דורש אימות פיזי, כולל קבוצות ביקורת, טיפול עקבי בדגימות, מכשירים מכוילים, בדיקות איכות ומטא־דאטה שניתן לעקוב אחריו.

חוקרים אנושיים ימשיכו להיות חיוניים לשיקול דעת מדעי, לפרשנות ולהתמודדות עם חריגים. עם זאת, עבודה ידנית מוגבלת בכוח אדם, בלוחות זמנים, בזמינות מכשירים ובשונות בין מפעילים.

אוטומציה משנה את סדר הגודל האפשרי. פלטפורמה רובוטית אחת לסריקה כמותית בתפוקה גבוהה הפיקה יותר משישה מיליון עקומות תגובה לריכוז, ביותר מ-120 מבחנים, בתוך שלוש שנים. 33

הדוגמה אינה אומרת שכל ניסוי ניתן לאוטומציה, או שכמות לבדה מייצרת ידע שימושי. היא ממחישה מדוע השכבה הפיזית נעשית חשובה לא פחות משכבת המודל: AI יכול ללמוד רק מניסויים שבוצעו באופן עקבי ותועדו בפורמט שמתאים לניתוח.

ארכיטקטורת Perception–Conception–Execution

MegaRobo מתארת את המערכת שלה כלולאה בת שלושה חלקים:

• Perception — תפיסה: מכשירים, הדמיה, ראייה ממוחשבת, זיהוי דגימות וחיישנים צופים במצב המעבדה ולוכדים את תוצאות הניסוי.
• Conception — תכנון והסקה: מודלים וסוכני AI מפרשים את התוצאות, בוחרים ניסויים ומחליטים מה כדאי לנסות בהמשך.
• Execution — ביצוע: זרועות רובוטיות, מערכות לטיפול בנוזלים, אינקובטורים, מערכות בדיקה ובקרות תהליך מבצעים את ההליך שנבחר.

החידוש המרכזי אינו רכיב בודד, אלא החיבור ביניהם. במעבדה במעגל סגור, תוצאות הניסוי נקראות על ידי מכונה וזמינות לשכבת התכנון במהירות שמאפשרת להן להשפיע על הסבב הבא.

החברה מתארת את מעבדת Kunpeng של MegaRobo כמערכת המשלבת רובוטיקה, אוטומציה ובינה מלאכותית — ובמקביל צוברת נתונים עבור יישומי AI למדעים. 9

תיאורים עדכניים של מתקני MegaRobo מציגים באופן דומה סוכני AI המתאמים בין זרועות רובוטיות, אינקובטורים ועמדות לטיפול בנוזלים, כאשר תוצאות הבדיקות הפיזיות מזינות את החלטות הניסוי הבאות. 4

מאוטומציה של מעבדה למכשירים שנולדו עבור מכונות

אפשר להבין את התפתחות MegaRobo כתהליך שעובר מאוטומציה של משימות לעיצוב מחדש של המעבדה סביב פעולה אוטונומית של מכונות.

שלב 1.0: אוטומציה של תהליכים חוזרניים

השלב הראשון הוא אוטומציה מעבדתית קלאסית: תקנון ואוטומציה של פעולות חוזרות כדי לשפר תפוקה, עקביות ולכידת נתונים. זהו הבסיס התפעולי למערכות אוטונומיות יותר.

שלב 2.0: הוכחת אמינות בסביבות תעשייתיות תובעניות

בשלב השני נדרש להראות שמערכות תפיסה, שליטה וביצוע מסוגלות לעמוד בדרישות תעשייתיות מחמירות. MegaRobo מיישמת את יכולותיה במדעי החיים ובייצור, כולל מערכות ראייה ממוחשבת ואוטומציה לסביבות תעשייתיות. החומרים הציבוריים של החברה מתארים פעילות רחבה יותר, הכוללת אוטומציה מעבדתית, מדעי החיים וייצור מתקדם. 68

ההיגיון האסטרטגי פשוט: מערכת מדעית אוטונומית צריכה לעשות יותר מאשר להציג הדגמה מרשימה. עליה לזהות דגימות נכון, לבצע נהלים בעקביות, לאתר תקלות ולשמור תיעוד אמין של כל מה שהתרחש.

שלב 3.0: כלים שנבנו עבור מכונות, לא עבור בני אדם

השלב האחרון הוא יצירת מכשירים שסוכני AI יכולים להשתמש בהם באופן טבעי. במקום לראות ברובוטיקה תוספת לציוד שתוכנן עבור בני אדם, החזון של MegaRobo הוא לבנות כלים שמציגים מצב הניתן לקריאה על ידי מכונה, מקבלים הוראות ישירות, מתאוששים מתקלות שגרתיות ופועלים כחלק מלולאה ניסויית רציפה. 5

זהו שינוי עמוק יותר מהחלפת פעולת פיפטציה ידנית בזרוע רובוטית. המשמעות היא עיצוב מחדש של הממשקים, הפרוטוקולים וארכיטקטורת הנתונים של המעבדה סביב פעולה אוטונומית.

כשהמעבדה הופכת ל״מחשוב ניסויי״

במודל הזה, מעבדה אינה רק מקום שבו מדענים מבצעים נהלים. היא מערכת שממירה הצעות חישוביות לראיות — ואת הראיות להצעות טובות יותר.

מכאן נובעת חשיבותה האסטרטגית של התשתית הפיזית, וגם האפשרות שתהפוך למקור ליתרון תחרותי שקשה להעתיק. היתרון שמציעה MegaRobo אינו בהכרח בעלות על כל מודל מדעי, אלא בשליטה בממשק שבאמצעותו מודלים יכולים:

1. לצפות בתנאי המעבדה;
2. לתרגם מטרות מדעיות לנהלים שניתן לבצע;
3. לקבל תוצאות עקביות ומאומתות; ו-
4. לצבור מאגרי נתונים ניסויים איכותיים וקנייניים.

ככל שהשלבים הללו משולבים יותר, כך כל סבב ניסוי נעשה שימושי יותר. מודל מנותק יכול להציע מה לבדוק; מערכת מחוברת יכולה לבדוק זאת, לפרש את התוצאה ולהפעיל את הסבב הבא עם פחות עיכוב ופחות אובדן מידע.

מה מלמד גל ההשקעות בגילוי תרופות באמצעות AI

התנופה הפיננסית סביב גילוי תרופות באמצעות AI מוכיחה שיש עניין רב מצד משקיעים, אך אינה מבטלת את ההבדל בין מועמד מבטיח לבין תרופה שהצליחה בניסויים קליניים והגיעה לשוק.

ההנפקה הראשונית של Insilico Medicine בהונג קונג, בדצמבר 2025, גייסה כ-293 מיליון דולר. עם זאת, במסמכי הרישום של החברה נכתב כי נכון למועד הקובע, אף אחת מהמועמדויות התרופתיות שלה לא שווקה. 1719

השילוב הזה אינו הוכחה לכך שגילוי תרופות באמצעות AI נכשל. הוא ממחיש שהון, תכנון חישובי של תרופות ומסחור קליני נמצאים בנקודות שונות לאורך מסלול פיתוח ארוך. MegaRobo משתמשת בפער הזה כדי לתמוך בטיעון התשתיתי שלה: יצירת מועמדים היא רק חלק אחד מהתהליך, בעוד בדיקות אמינות ואימות המעבר מהמעבדה לטיפול רפואי נשארים הכרחיים.

גם למעבדות אוטונומיות יש גבולות

מעבדה מהירה יותר במעגל סגור אינה מעלימה את אי־הוודאויות הקשות ביותר ברפואה תרגומית. היא אינה יכולה להבטיח לבדה שהמודל נכון מבחינה ביולוגית, שתוצאה בבעל חיים תתרגם לתוצאה בבני אדם, או שמועמד מסוים יצליח בניסויים קליניים.

מערכות אוטונומיות דורשות גם אמצעי בטיחות חזקים, טיפול בחריגים, מסלולי ביקורת ופיקוח אנושי. מעבדת גילוי אינה הופכת לאוטונומית באמת רק מפני שהיא מסוגלת להריץ פרוטוקול בלי שאדם יעמוד לצד המכשיר. רמות אוטונומיה גבוהות יותר מחייבות מערכת שמסוגלת להשלים מחזורים מדעיים, לפרש תוצאות שגרתיות ולהעביר חריגים להתערבות אנושית. 1

לכן כדאי לקרוא את הטענה של MegaRobo כטענה על תשתית מאפשרת, ולא כהבטחה לאישור אוטומטי של תרופות. אם השערות שמייצר AI ימשיכו להקדים את קצב האימות הניסויי, הארגונים שיוכלו להפיק ראיות עקביות, מקושרות וניתנות לקריאה על ידי מכונה עשויים לקבוע אילו מודלים יהפכו לשימושיים מבחינה מדעית.

השורה התחתונה

לפי התזה של MegaRobo, השכבה התחרותית הבאה של AI למדעים תמוקם בין המודל לבין העולם הפיזי. כוח חישוב יכול להרחיב את מרחב החיפוש, ואלגוריתמים יכולים לשפר את סדרי העדיפויות — אך אף אחד מהם אינו מחליף את הניסויים הדרושים כדי לברר אם השערה נכונה.

המעבדה במעגל סגור היא הפתרון שהחברה מציעה: שילוב של תפיסה, תכנון מונחה AI, ביצוע רובוטי ולכידת נתונים רציפה במערכת משוב אחת. אם התשתית הזו תפעל בהיקף ובאמינות מספקים, המעבדה תהפוך לסוג של מחשוב ניסויי — והשליטה בשכבה הזו עשויה להיות חשובה לא פחות מהשליטה במודל שמייצר את ההשערות.