Perché nell’AI per la scienza il vero limite potrebbe essere il laboratorio, non il modello

I modelli di intelligenza artificiale possono proporre molecole, bersagli biologici e ipotesi scientifiche a una velocità che i laboratori tradizionali faticano a sostenere. La tesi di MegaRobo è che questo squilibrio sposti il vero collo di bottiglia: non servirebbero soltanto più potenza di calcolo o algoritmi più sofisticati, ma un’infrastruttura sperimentale capace di trasformare rapidamente le previsioni in prove verificabili. 59

La risposta proposta dall’azienda è il modello lab-in-the-loop, cioè un laboratorio inserito direttamente nel ciclo decisionale dell’AI. In questo sistema gli strumenti e i robot producono dati affidabili, l’intelligenza artificiale li interpreta e i risultati determinano automaticamente quale esperimento eseguire dopo.

Il vero collo di bottiglia sono i dati biologici verificati

Una previsione sulla struttura di una proteina, sull’affinità di legame, sull’efficacia, sulla tossicità o sulla risposta clinica non è ancora un risultato di sviluppo farmaceutico. È un’ipotesi che deve essere verificata nel mondo fisico.

La distinzione è cruciale perché le prove biologiche sono difficili da standardizzare e da trasferire da una fase all’altra. Un risultato ottenuto in un test semplificato potrebbe non anticipare ciò che accade in un sistema biologico più complesso, in un animale o in un paziente.

Il dataset davvero utile, quindi, non è soltanto un archivio di strutture molecolari. È una traccia collegata che mette in relazione condizioni sperimentali e misurazioni lungo tutta la filiera: screening, risposta alla dose, efficacia, sicurezza, farmacologia e risultati clinici.

MegaRobo descrive il problema come una sfida di dati e di flussi di lavoro: gli esperimenti devono produrre informazioni affidabili e strutturate, utilizzabili dai modelli senza perdere il contesto a causa di trascrizioni manuali o procedure incoerenti. 59

Perché più potenza di calcolo non basta

Modelli più capaci possono generare o classificare molti più candidati di quanti un laboratorio tradizionale riesca a sintetizzare e analizzare. Ma ogni candidato deve comunque essere validato fisicamente, con controlli adeguati, gestione riproducibile dei campioni, strumenti calibrati, verifiche di qualità e metadati tracciabili.

I ricercatori restano indispensabili per il giudizio scientifico e per gestire le eccezioni. Tuttavia, i flussi di lavoro condotti manualmente sono limitati da personale, turni, programmazione, tempi di attesa e variabilità operativa.

L’automazione cambia la scala del problema. Una piattaforma robotica per lo screening quantitativo ad alta produttività, per esempio, ha generato oltre 6 milioni di curve concentrazione-risposta a partire da più di 120 saggi in tre anni. 33

Questo non significa che ogni esperimento possa essere automatizzato o che la quantità, da sola, produca conoscenza utile. Dimostra però perché il livello fisico sta diventando importante quanto quello dei modelli: l’AI può imparare soltanto da esperimenti eseguiti in modo coerente e registrati in una forma adatta all’analisi.

L’architettura Perception–Conception–Execution

MegaRobo descrive il proprio sistema come un ciclo articolato in tre livelli:

• Perception, o percezione: strumenti, sistemi di imaging, visione artificiale, identificazione dei campioni e sensori osservano lo stato del laboratorio e acquisiscono i risultati.
• Conception, o concezione: modelli e agenti AI interpretano i dati, selezionano gli esperimenti e ragionano su ciò che conviene provare in seguito.
• Execution, o esecuzione: bracci robotici, sistemi di dosaggio dei liquidi, incubatori, piattaforme per i saggi e controlli di processo realizzano le procedure scelte.

Il punto centrale non è il singolo componente, ma il collegamento tra tutti i componenti. In un laboratorio a ciclo chiuso, i risultati sono leggibili dalle macchine e arrivano al livello di pianificazione abbastanza rapidamente da influenzare la fase successiva.

Il Kunpeng Laboratory di MegaRobo viene descritto come una combinazione di robotica, automazione e AI, con la capacità di accumulare dati per applicazioni di AI for Science. 9

Anche le descrizioni più recenti delle strutture MegaRobo presentano agenti AI che coordinano bracci robotici, incubatori e stazioni per la gestione dei liquidi; i risultati dei test fisici alimentano poi le decisioni sugli esperimenti successivi. 4

Dall’automazione del laboratorio agli strumenti pensati per le macchine

Il percorso di MegaRobo può essere letto come un passaggio dall’automazione di singole attività alla riprogettazione del laboratorio per un funzionamento autonomo.

Fase 1.0: automatizzare i flussi ripetitivi

Il primo passo è l’automazione di laboratorio più tradizionale: standardizzare ed eseguire automaticamente le procedure ripetitive per aumentare produttività, uniformità e qualità della raccolta dati. È la base operativa necessaria per costruire sistemi più autonomi.

Fase 2.0: dimostrare l’affidabilità in contesti industriali

Il secondo passo consiste nel provare che percezione, controllo ed esecuzione possono rispettare requisiti industriali stringenti. MegaRobo applica le proprie competenze alle scienze della vita e alla produzione, inclusi sistemi di visione artificiale e automazione per ambienti industriali. I materiali pubblici dell’azienda descrivono un’attività più ampia, che comprende automazione di laboratorio, scienze della vita e manifattura avanzata. 68

La logica strategica è semplice: un sistema scientifico autonomo non deve soltanto offrire una demo convincente. Deve identificare correttamente i campioni, eseguire le procedure in modo costante, rilevare gli errori e conservare una registrazione affidabile di ciò che è accaduto.

Fase 3.0: costruire strumenti per le macchine, non per le persone

Il passaggio finale è rendere gli strumenti nativamente utilizzabili dagli agenti AI. Invece di considerare la robotica come un’aggiunta a apparecchiature progettate per l’uso umano, la visione di MegaRobo punta a strumenti che espongano uno stato leggibile dalle macchine, accettino istruzioni dirette, gestiscano le eccezioni ordinarie e funzionino all’interno di un ciclo sperimentale continuo. 5

È un cambiamento più profondo della semplice sostituzione di una fase di pipettaggio manuale con un robot. Significa ripensare interfacce, protocolli e architettura dei dati del laboratorio attorno all’operatività autonoma.

Perché il laboratorio diventa una forma di “calcolo sperimentale”

In questo modello il laboratorio non è soltanto il luogo in cui i ricercatori eseguono procedure. È un sistema che converte le proposte computazionali in evidenze e le evidenze in proposte migliori.

L’infrastruttura fisica diventa così sia un possibile collo di bottiglia strategico sia una fonte di vantaggio competitivo. Il vantaggio rivendicato da MegaRobo non consiste necessariamente nel possedere ogni modello scientifico, ma nel controllare l’interfaccia attraverso cui i modelli possono:

1. osservare le condizioni del laboratorio;
2. trasformare gli obiettivi scientifici in procedure eseguibili;
3. ottenere risultati coerenti e validati;
4. accumulare dati sperimentali proprietari e di alta qualità.

Quanto più questi passaggi sono integrati, tanto più ogni ciclo sperimentale diventa utile. Un modello scollegato può suggerire cosa testare; un sistema connesso può eseguire il test, interpretarne l’esito e avviare il ciclo successivo con meno ritardi e meno perdita di informazioni.

Cosa mostra il ciclo degli investimenti nella scoperta di farmaci con l’AI

La spinta finanziaria attorno alla scoperta di farmaci basata sull’AI dimostra l’interesse degli investitori, ma non cancella la differenza tra un candidato promettente e un medicinale arrivato con successo sul mercato. L’IPO di Insilico Medicine a Hong Kong, nel dicembre 2025, ha raccolto circa 293 milioni di dollari; nei documenti di quotazione la società dichiarava che, alla data indicata, nessuno dei suoi candidati farmaceutici era stato commercializzato. 1719

Questa combinazione non dimostra che la scoperta di farmaci con l’AI abbia fallito. Mostra piuttosto che capitale, progettazione computazionale e commercializzazione clinica occupano punti diversi di un percorso lungo e complesso.

MegaRobo usa questa distanza per sostenere la propria tesi sull’infrastruttura: generare candidati è soltanto una parte del processo, mentre test affidabili e validazione traslazionale restano indispensabili.

I limiti dei laboratori autonomi

Un laboratorio a ciclo chiuso più veloce non elimina le incertezze più difficili della medicina traslazionale. Da solo non può garantire che un modello sia biologicamente valido, che un risultato sugli animali si trasferisca agli esseri umani o che un candidato superi con successo gli studi clinici.

I sistemi autonomi introducono inoltre requisiti propri: controlli di sicurezza robusti, gestione delle anomalie, registri verificabili e supervisione umana. Un laboratorio di ricerca non è pienamente autonomo soltanto perché riesce a eseguire un protocollo senza una persona accanto allo strumento. I livelli più avanzati di autonomia richiedono la capacità di completare cicli scientifici e interpretare i risultati ordinari, coinvolgendo l’essere umano quando emergono anomalie. 1

L’argomento di MegaRobo va quindi letto come una tesi sull’infrastruttura abilitante, non come una promessa di approvazione automatica dei farmaci. Se le ipotesi generate dall’AI continueranno a superare la velocità della verifica sperimentale, le organizzazioni capaci di produrre evidenze riproducibili, collegate e leggibili dalle macchine potrebbero determinare quali modelli diventeranno davvero utili alla scienza.

In sintesi

La tesi di MegaRobo è che il prossimo livello della competizione nell’AI per la scienza si troverà tra il modello e il mondo fisico. La potenza di calcolo può ampliare lo spazio di ricerca e gli algoritmi possono migliorare le priorità, ma nessuno dei due sostituisce gli esperimenti necessari per stabilire se un’ipotesi sia corretta.

Il laboratorio “nel ciclo” è la soluzione proposta dall’azienda: unire percezione, concezione guidata dall’AI, esecuzione robotica e raccolta continua dei dati in un unico sistema di feedback. Se questa infrastruttura funzionerà con sufficiente scala e affidabilità, il laboratorio diventerà una forma di calcolo sperimentale e il controllo di questo livello potrebbe contare quanto il controllo del modello che genera le ipotesi.