Mengapa AI untuk Sains Membutuhkan Infrastruktur Eksperimen, Bukan Sekadar Model yang Lebih Besar

Model AI kini dapat mengusulkan molekul, target biologis, dan hipotesis penelitian dengan kecepatan yang sulit diimbangi laboratorium konvensional. Menurut tesis MegaRobo, ketimpangan inilah yang menjadikan infrastruktur eksperimen—bukan sekadar komputasi yang lebih besar atau algoritma yang lebih canggih—sebagai kendala penentu bagi AI untuk sains dan penemuan obat. 59

Solusi yang ditawarkan adalah konsep lab-in-the-loop: sistem terpadu ketika instrumen dan robot menghasilkan bukti yang dapat diandalkan, AI menafsirkan bukti tersebut, lalu hasilnya secara otomatis menentukan eksperimen berikutnya.

Hambatan sebenarnya adalah data biologis yang terverifikasi

Prediksi tentang struktur protein, kemampuan berikatan, efektivitas, toksisitas, atau respons klinis belum bisa disebut sebagai hasil pengembangan obat. Prediksi itu masih berupa dugaan yang harus diuji di dunia fisik.

Perbedaannya penting karena bukti biologis sulit distandardisasi dan tidak selalu dapat dipindahkan dari satu tahap ke tahap lain. Hasil dari uji yang sederhana belum tentu mampu memprediksi apa yang terjadi dalam sistem biologis yang lebih kompleks, hewan, atau pasien.

Karena itu, dataset yang paling bernilai bukan hanya kumpulan struktur molekul. Yang dibutuhkan adalah rekam data terpadu yang menghubungkan kondisi eksperimen dan hasil pengukuran mulai dari penyaringan awal, respons terhadap dosis, efikasi, keamanan, farmakologi, hingga hasil klinis.

MegaRobo membingkai masalah ini sebagai tantangan data sekaligus alur kerja: eksperimen harus menghasilkan informasi yang tepercaya dan terstruktur, tanpa kehilangan konteks akibat pencatatan manual atau prosedur yang tidak konsisten. 59

Mengapa komputasi yang lebih besar tidak cukup?

Model yang lebih kuat dapat menghasilkan dan memeringkat kandidat jauh lebih banyak daripada yang mampu disintesis dan diuji oleh laboratorium tradisional. Namun, setiap kandidat tetap memerlukan validasi fisik—dengan kontrol yang tepat, penanganan sampel yang konsisten, instrumen terkalibrasi, pemeriksaan mutu, serta metadata yang dapat ditelusuri.

Peneliti manusia tetap penting untuk mengambil keputusan ilmiah dan menangani kondisi di luar pola. Namun, laboratorium yang sepenuhnya dioperasikan manusia dibatasi oleh tenaga kerja, jadwal, kapasitas, dan variasi pelaksanaan.

Otomasi mengubah skala persoalan. Sebagai contoh, satu platform penyaringan kuantitatif berkapasitas tinggi berbasis robot menghasilkan lebih dari 6 juta kurva respons terhadap konsentrasi dari lebih dari 120 jenis pengujian dalam tiga tahun. 33

Angka itu bukan berarti semua eksperimen dapat diotomatisasi atau bahwa jumlah data semata-mata akan menghasilkan pengetahuan yang berguna. Contoh tersebut menunjukkan mengapa lapisan fisik menjadi sama pentingnya dengan lapisan model: AI hanya dapat belajar dari eksperimen yang dijalankan secara konsisten dan dicatat dalam format yang siap dianalisis.

Arsitektur Perception–Conception–Execution MegaRobo

MegaRobo menjelaskan sistemnya sebagai sebuah siklus tiga bagian:

• Perception (persepsi): instrumen, pencitraan, visi mesin, identifikasi sampel, dan sensor mengamati kondisi laboratorium serta merekam hasil.
• Conception (perumusan): model atau agen AI menafsirkan hasil, memilih eksperimen, dan menentukan langkah berikutnya.
• Execution (eksekusi): lengan robot, perangkat penanganan cairan, inkubator, sistem pengujian, dan pengendali proses menjalankan prosedur yang dipilih.

Hal terpenting bukanlah salah satu komponennya secara terpisah, melainkan hubungan di antara semuanya. Dalam laboratorium tertutup, hasil eksperimen dapat dibaca mesin dan tersedia cukup cepat bagi lapisan perencanaan untuk memengaruhi siklus berikutnya.

Laboratorium Kunpeng milik MegaRobo disebut menggabungkan robotika, otomasi, dan AI, sekaligus mengakumulasi data untuk aplikasi AI untuk sains. 9

Gambaran terbaru mengenai fasilitas MegaRobo juga menunjukkan agen AI yang mengoordinasikan lengan robot, inkubator, dan stasiun penanganan cairan. Hasil pengujian fisik kemudian digunakan untuk menentukan keputusan eksperimen selanjutnya. 4

Dari otomasi laboratorium menuju instrumen yang “berbahasa mesin”

Perjalanan MegaRobo dapat dipahami sebagai pergeseran dari mengotomatisasi tugas menuju merancang ulang laboratorium agar beroperasi secara otonom.

Tahap 1.0: mengotomatisasi alur kerja berulang

Langkah awalnya adalah otomasi laboratorium konvensional: menstandarkan dan mengotomatisasi prosedur berulang untuk meningkatkan kapasitas, konsistensi, dan kualitas pencatatan data. Tahap ini menjadi fondasi operasional bagi sistem yang lebih mandiri.

Tahap 2.0: membuktikan keandalan di lingkungan industri

Tahap kedua adalah menunjukkan bahwa kemampuan persepsi, pengendalian, dan eksekusi dapat memenuhi tuntutan industri yang ketat. MegaRobo menerapkan teknologinya di bidang ilmu hayati dan manufaktur, termasuk sistem visi mesin dan otomasi untuk lingkungan industri. Materi publik perusahaan menggambarkan bisnis yang mencakup otomasi laboratorium, ilmu hayati, dan manufaktur maju. 68

Logikanya cukup jelas: sistem ilmiah otonom tidak boleh hanya menghasilkan demonstrasi yang mengesankan. Sistem tersebut harus mampu mengidentifikasi sampel dengan benar, menjalankan prosedur secara konsisten, mendeteksi kegagalan, dan menyimpan catatan tepercaya mengenai setiap langkah.

Tahap 3.0: membuat alat untuk mesin, bukan manusia

Tahap terakhir adalah merancang instrumen yang sejak awal dapat digunakan oleh agen AI. Robotika tidak lagi diposisikan sebagai tambahan bagi peralatan yang dirancang untuk manusia. Dalam visi MegaRobo, instrumen harus menyediakan status yang dapat dibaca mesin, menerima instruksi langsung, menangani pengecualian rutin, dan beroperasi sebagai bagian dari siklus eksperimen berkelanjutan. 5

Perubahan ini lebih besar daripada sekadar mengganti proses pemipetan manual dengan robot. Ini berarti merancang ulang antarmuka, protokol, dan arsitektur data laboratorium dengan mempertimbangkan operasi otonom sejak awal.

Mengapa laboratorium dapat menjadi “komputasi eksperimen”?

Dalam model ini, laboratorium bukan hanya tempat ilmuwan menjalankan prosedur. Laboratorium menjadi sistem yang mengubah usulan komputasi menjadi bukti, lalu mengubah bukti tersebut menjadi usulan yang lebih baik.

Dengan demikian, infrastruktur fisik berpotensi menjadi hambatan strategis sekaligus sumber keunggulan yang sulit ditiru. Keunggulan yang dibidik MegaRobo bukan berarti memiliki setiap model ilmiah. Keunggulannya adalah menguasai antarmuka yang memungkinkan model untuk:

1. mengamati kondisi laboratorium;
2. menerjemahkan tujuan ilmiah menjadi prosedur yang dapat dijalankan;
3. memperoleh hasil yang konsisten dan tervalidasi; serta
4. mengakumulasi data eksperimen yang berkualitas tinggi dan bersifat eksklusif.

Semakin erat keempat langkah tersebut terintegrasi, semakin bernilai setiap siklus eksperimen. Model yang tidak terhubung hanya dapat menyarankan apa yang perlu diuji. Sistem yang terhubung dapat mengujinya, menafsirkan hasilnya, lalu memulai siklus berikutnya dengan jeda dan kehilangan informasi yang lebih kecil.

Apa yang ditunjukkan oleh siklus investasi AI untuk penemuan obat?

Momentum pendanaan di sekitar penemuan obat berbasis AI menunjukkan tingginya minat investor. Namun, hal itu tidak menghapus perbedaan antara kandidat yang menjanjikan dan obat yang berhasil secara klinis.

IPO Insilico Medicine di Hong Kong pada Desember 2025 menghimpun sekitar 293 juta dolar AS. Dalam dokumen pencatatan perusahaan, tidak satu pun kandidat obatnya disebut telah dikomersialkan hingga batas waktu yang relevan. 1719

Kombinasi tersebut bukan bukti bahwa penemuan obat berbasis AI telah gagal. Ini menunjukkan bahwa modal, desain komputasional, dan komersialisasi klinis berada pada tahap yang berbeda dalam jalur pengembangan yang panjang.

MegaRobo menggunakan celah tersebut untuk memperkuat argumen infrastrukturnya: menghasilkan kandidat hanyalah satu bagian dari proses, sementara pengujian yang andal dan validasi translasi tetap mutlak diperlukan.

Batasan laboratorium otonom

Laboratorium tertutup yang lebih cepat tidak otomatis menghapus ketidakpastian tersulit dalam pengembangan obat. Sistem tersebut tidak dapat dengan sendirinya menjamin bahwa sebuah model valid secara biologis, hasil pada hewan akan berlaku pada manusia, atau kandidat akan berhasil dalam uji klinis.

Sistem otonom juga memiliki persyaratannya sendiri, termasuk pengendalian keselamatan yang kuat, penanganan anomali, jejak audit, dan pengawasan manusia. Laboratorium penemuan ilmiah belum dapat disebut sepenuhnya otonom hanya karena mampu menjalankan protokol tanpa seseorang berdiri di samping instrumen.

Tingkat otonomi yang lebih tinggi menuntut kemampuan menyelesaikan siklus ilmiah dan menafsirkan hasil rutin, sementara kondisi yang tidak biasa tetap harus diteruskan kepada manusia. 1

Karena itu, argumen MegaRobo sebaiknya dipahami sebagai klaim tentang infrastruktur pendukung, bukan janji bahwa obat dapat disetujui secara otomatis. Jika hipotesis yang dihasilkan AI terus melampaui kemampuan verifikasi eksperimen, organisasi yang mampu menghasilkan bukti yang reproduktif, terhubung, dan dapat dibaca mesin mungkin akan menentukan model mana yang benar-benar berguna bagi sains.

Kesimpulan

Tesis MegaRobo adalah bahwa lapisan persaingan berikutnya dalam AI untuk sains akan berada di antara model dan dunia fisik. Komputasi dapat memperluas ruang pencarian, sementara algoritma dapat memperbaiki prioritas. Namun, keduanya tidak dapat menggantikan eksperimen yang diperlukan untuk membuktikan apakah sebuah hipotesis benar.

Konsep lab-in-the-loop menjadi jawaban yang ditawarkan perusahaan: menggabungkan persepsi, perumusan berbasis AI, eksekusi robotik, dan pencatatan data berkelanjutan dalam satu sistem umpan balik.

Jika infrastruktur ini dapat beroperasi pada skala dan tingkat keandalan yang memadai, laboratorium akan berubah menjadi bentuk komputasi eksperimen. Dalam kondisi tersebut, penguasaan atas lapisan fisik ini dapat menjadi sama pentingnya dengan penguasaan atas model yang menghasilkan hipotesis.