איך סינגפור מחברת בין בינה מלאכותית, ניסויים ומוצרים מהעולם האמיתי

סינגפור אינה מתייחסת ל־AI למדע רק ככלי מהיר יותר לחיפוש מאמרים או לחיזוי מולקולות. הקרן הלאומית למחקר של סינגפור (NRF) הקצתה 120 מיליון דולר סינגפורי לשמונה פרויקטים שנועדו לשלב בינה מלאכותית בתוך תהליך המחקר עצמו — מגיבוש השערות ובחירת ניסויים, דרך ניתוח תוצאות ואימות תוכנה, ועד פיתוח טכנולוגיות שניתן לבחון מחוץ למעבדה. התוכנית הושקה רשמית ב־16 ביוני 2026.

ההבדל החשוב הוא בין האצת הגילוי לבין הוכחת היכולת ליישם ולייצר. הפרויקטים נועדו לצמצם את הפער הזה, אך החומרים, הזרזים, כלי האבחון והתוכנות שהוזכרו הם עדיין יעדי מחקר — לא מוצרים מסחריים מוכחים. חלק מהפרויקטים צפויים להימשך ארבע עד חמש שנים.

Materials Data Foundry: מהתחזית של המודל למתכון ייצור

AI יכול לזהות חומר שנראה מבטיח בסימולציה. אבל מכאן עדיין לא נובע שאפשר לייצר אותו באופן אמין, בקנה מידה גדול ובביצועים שהמודל חזה. מעבדת Materials Data Foundry, שהוקמה במשותף על ידי האוניברסיטה הלאומית של סינגפור (NUS) ואוניברסיטת טורונטו, בתקציב של 10 מיליון דולר סינגפורי, מתמקדת בדיוק בצוואר הבקבוק הזה.

המעבדה המתוכננת תשלב AI, רובוטיקה ומדידות בזמן אמת במעבדה אוטונומית ופתוחה. במקום להסתמך רק על נתונים שפורסמו בעבר, היא תייצר נתונים ניסויים שיקשרו בין תנאי הסינתזה לבין הביצועים של החומר בעולם האמיתי. הנתונים יוכלו לשפר את המודלים ולהנחות את הניסוי הבא — לולאת משוב רציפה בין תחזית לבין בדיקה פיזית.

היעדים שהוצגו כוללים מספר גדול של ניסויים ומתכוני סינתזה מעשיים וניתנים לשחזור, בתחומים כמו חומרים מעבר לסיליקון או חומרים קוונטיים, אלקטרוקטליזטורים הרלוונטיים למימן נקי וציפויים עמידים בפני קורוזיה. לכן התוצר המבוקש אינו רק רשימה של מועמדים שהציע AI, אלא ראיות לכך שניתן לייצר ולבחון את החומרים המבטיחים בפועל.

חיפוש ממוחשב אחר זרזים לדלקים ולכימיקלים נקיים יותר

תוכנית נפרדת, בהיקף של 10 מיליון דולר סינגפורי ובהובלת A*STAR ואימפריאל קולג' בלונדון, תפתח מודל יסוד למדעי פני השטח ופלטפורמת ענן לחיזוי תכונות של זרזים ותנאי הסינתזה שלהם. המחקר מכוון בין היתר לדלקים נקיים יותר, לחומרי גלם שמקורם בפחמן דו־חמצני ולכימיקלים מבוססי ביומסה.

תיאור התוכנית מציב יעד של האצה פי 500 בסריקה חישובית. זהו יעד לסינון ממוחשב — לא הוכחה שתהליך ייצור דלק או כימיקל מוגמר יגיע לשוק מהר פי 500. גם טענות שלפיהן המחקר יהיה "כמעט פי חמישה מהיר וזול יותר" דורשות זהירות, אלא אם הן מתייחסות למדד נפרד בשלבים מאוחרים יותר. המבחן האמיתי יהיה ביצועי הזרזים בניסויים והיכולת להפוך אותם לתהליכים כדאיים.

מי יאמת את הקוד ש־AI כותב?

AI4S מתייחסת גם לאמינות תוכנה כאל בעיה מדעית והנדסית. NUS ואימפריאל מפתחות כלים להסיק על התנהגות תוכניות, לנתח ולבדוק קוד, לאמת תכונות באופן פורמלי ולהוכיח נכונות כאשר הדבר אפשרי. הכלים מיועדים לתוכנות מורכבות או בעלות השלכות משמעותיות, ובהן פרוטוקולי תקשורת ורכיבים של ליבת Linux.

אחד השימושים המוצעים הוא לאפשר למערכות AI לבדוק את הקוד שנוצר בידי מערכות AI אחרות. הדבר עשוי להפוך תכנות בסיוע AI לאמין יותר, אך ניתוח אוטומטי אינו ערובה אוניברסלית לבטיחות. שיטות פורמליות יכולות להוכיח תכונות מסוימות תחת הנחות מוגדרות; האמינות הכוללת עדיין תלויה באיכות המפרטים, הבדיקות והמערכות שבהן הקוד פועל.

בריאות: שילוב שכבות מידע ביולוגיות וקליניות

בתחום הביו־רפואה כוללת התוכנית פרויקטים שמנסים לחבר נתונים שחוקרים נוהגים לנתח בנפרד.

MultiOmicsFM, פרויקט של NUS ו־A*STAR, מתוכנן להיות מודל יסוד שישלב נתוני DNA, RNA ופעילות גנים ממאגרי נתונים רב־אתניים בסינגפור. מטרות המחקר כוללות בחינת סיכון למחלות ושיפור התכנון וההעברה של טיפולי mRNA.

פרויקט BloodCounts! נוקט גישה אחרת: הוא יפתח מודל בשם DeepCBC, שישתמש בכל הפרמטרים הגולמיים של ספירת דם מלאה ובתמונות של משטחי דם. המטרה היא להפיק מידע אבחוני נוסף מבדיקה נפוצה ולבדוק אם שילוב הנתונים יכול לסייע בחיזוי סיכונים הקשורים למצבים כמו שבץ וסרטן.

מדובר ביישומי מחקר עתידיים — לא בטענה שבדיקת דם שגרתית יכולה כיום לאבחן את המחלות הללו. כל שימוש קליני יחייב תיקוף, בחינה רגולטורית והוכחה שהמודל פועל באופן אמין באוכלוסיות ובמסגרות טיפול רלוונטיות.

תאומים דיגיטליים לחקלאות ולעמידות בפני שינויי אקלים

פרויקט נוסף יפתח תאומים דיגיטליים לחקלאות בדרום־מזרח אסיה. אלה ייצוגים וירטואליים של שטחים חקלאיים, שאמורים לשלב נתונים שנצפו בשטח עם עקרונות ממדע הגידולים כדי להפיק תחזיות וכלי החלטה בנושאי זריעה, שימוש במשאבים ושרשראות אספקה.

הדגש על ידע מדעי משמעותי במיוחד. תאום דיגיטלי שמביא בחשבון מגבלות אגרונומיות עשוי להיות מובן יותר וקל יותר לביקורת מאשר תחזית אטומה. עם זאת, התועלת שלו עדיין תהיה תלויה באיכות, בכיסוי ובעדכניות של הנתונים שעליהם הוא נשען.

תיק שמונת הפרויקטים כולל גם ממשקים שתוכננו בעזרת AI במטרה לשפר את העברת האנרגיה. בסך הכול, היוזמה משתרעת על פני חומרים, מחשוב, גנומיקה, בריאות, אנרגיה, חקלאות ועמידות אקלימית — ולא מתמקדת בענף מסחרי יחיד.

הלולאה שסינגפור מנסה לבנות בין AI לניסויים

המודל המשותף לפרויקטים נראה כך:

1. ה־AI מחפש או מציע השערות, חומרים, זרזים, עיצובים מולקולריים, קוד או התערבויות חקלאיות.
2. ניסויים פיזיים או דיגיטליים בודקים את ההצעות באמצעות מעבדות אוטומטיות, מדידות, ניתוח תוכנה או מודלים הרלוונטיים לשטח.
3. הראיות החדשות משפרות את המערכת, וכך התחזיות הבאות נשענות יותר על תוצאות שנצפו בפועל.
4. המומחים בתחום קובעים מה חשוב, ובכלל זה האם התוצר ניתן לייצור, אמין, שימושי מבחינה קלינית או רלוונטי לסביבה.

Materials Data Foundry ממחישה את הלולאה הזו באופן הברור ביותר, משום שהיא מחברת במפורש בין תחזיות AI לבין סינתזה ומדידה אוטומטיות. אותו עיקרון מופיע גם בחיפוש אחר זרזים, באימות תוכנה ובמודלים ביו־רפואיים: תחזיות מהירות יותר מועילות רק כאשר הן מובילות לראיות שאפשר לסמוך עליהן.

לא רק טכנולוגיה: גם אסטרטגיית כוח אדם ותשתיות

היוזמה היא גם השקעה בכישרונות ובתשתיות. NRF מיצבה את AI4S סביב שיתוף פעולה בין חוקרי AI לבין מדענים בתחומים כמו מדעי החומרים, מדעי החיים ומדע הקוונטים. השאיפה המוצהרת היא להכשיר חוקרים "דו־לשוניים" — כאלה שמבינים גם שיטות חישוביות וגם את הבעיות המדעיות שאליהן הן מיושמות.

הפרויקטים מחברים בין מוסדות סינגפוריים, ובהם NUS, האוניברסיטה הטכנולוגית נאניאנג (NTU) ו־A*STAR, לבין שותפים בינלאומיים כגון אוניברסיטת טורונטו, אימפריאל קולג' לונדון, אוניברסיטת קיימברידג' ואוניברסיטת קיוטו. שתי התוכניות של אימפריאל מתארחות דרך Imperial Global Singapore בקמפוס CREATE, ומדגישות שיתוף פעולה בינלאומי וגישה לחוקרים.

המבנה הזה מאפשר לסינגפור להתחרות על מחקר מונחה־AI באמצעות מימון פרויקטים שאפתניים, בניית תשתיות ניסוי ודיגיטל משותפות, משיכת שותפים מכל העולם והכשרת חוקרים שמסוגלים לתרגם בין מודלים למעבדות.

איך ייראה הצלחה?

AI4S תיבחן פחות לפי מספר התחזיות שהמודלים מייצרים ויותר לפי מה שישרוד את המפגש עם המציאות. התוצאות החזקות ביותר יהיו עשויות לכלול:

• מתכוני ייצור ניתנים לשחזור לחומרים מתקדמים;
• זרזים שפועלים בתנאי הפעלה מציאותיים;
• כלים תוכנתיים שמציגים ערבויות משמעותיות של נכונות או אמינות;
• מודלים ביו־רפואיים שתוקפו במאגרי נתונים ובמסגרות קליניות מתאימים; וכן
• כלי החלטה חקלאיים שמשפרים בפועל תחזיות או תכנון משאבים.

סינגפור, אם כן, מהמרת על AI שמחובר לניסויים, לאימות ולמומחיות בתחום. ההשקעה של 120 מיליון דולר סינגפורי עשויה להפוך את הגילוי המדעי לשיטתי יותר ולקצר את הדרך מרעיון לאב־טיפוס. אך השאלה המרכזית עדיין פתוחה: האם שמונת פרויקטי המחקר יצליחו להפוך תחזיות מבטיחות בסיוע AI לטכנולוגיות ניתנות להרחבה, בטוחות ושימושיות.