AIモデルは、分子や創薬標的、生物学的仮説を、従来の研究室では追いつきにくい速度で提案できるようになった。だが、予測は薬ではない。タンパク質構造、結合性、有効性、毒性、臨床反応についての予測は、現実世界で検証されて初めて創薬上の意味を持つ。

MegaRoboの主張は、この速度差がAI for Science（AI4S、科学研究にAIを活用する取り組み）における決定的な制約になるというものだ。必要なのは計算資源やアルゴリズムを増やすことだけではなく、AIが提案した仮説を物理世界で検証し、その結果を次の判断へ自動的に戻す実験インフラである。 59

本当のボトルネックは「検証済みの生物学的データ」

創薬で価値を持つデータは、分子構造の一覧だけではない。どの条件で実験し、どのような測定値が得られ、スクリーニングから用量反応、有効性、安全性、薬理、さらには臨床結果へどうつながったのかを追跡できる、連続性のある記録だ。

生物学的な証拠は、標準化も段階間の移転も難しい。単純化されたアッセイ（測定系）で得られた結果が、より複雑な生体システム、動物、患者で同じように再現されるとは限らないからだ。

そのため、AIが必要とするのは単発の測定値ではない。実験条件、サンプル、装置、品質管理、測定結果を文脈ごと結び付けた、再利用可能で信頼性のあるデータである。MegaRoboはこの課題を、データとワークフローを一体で設計し直す問題として捉えている。 59

なぜ計算能力を増やすだけでは足りないのか

高性能なモデルは、従来の研究室が合成・測定できる数をはるかに上回る候補を生成し、順位付けできる。しかし候補一つひとつには、対照実験、再現性のあるサンプル処理、校正された装置、品質確認、追跡可能なメタデータが必要だ。

人間の研究者は、科学的な判断や例外への対応に不可欠である。一方、人手中心の実験は、労働力、装置の予約、スケジュール、処理能力、作業者によるばらつきに制約される。

自動化は、この規模の問題に対応するための手段になる。あるロボット式の定量ハイスループットスクリーニング基盤は、3年間で120を超えるアッセイから600万件以上の濃度–反応曲線を生成した。 33

もちろん、すべての実験を自動化できるわけではなく、測定数が多ければ自動的に有用な知識になるわけでもない。それでもこの例は、AIモデルのレイヤーと同じくらい、実験を安定して実行し、解析可能な形式で記録する物理レイヤーが重要になっていることを示している。

MegaRoboの「認識・構想・実行」アーキテクチャ

MegaRoboは、自社のシステムを次の3層からなるループとして説明している。

• Perception（認識）：分析装置、イメージング、マシンビジョン、サンプル識別、センサーなどで研究室の状態と実験結果を取得する。
• Conception（構想）：AIモデルやエージェントが結果を解釈し、次に行う実験を選び、試すべき条件を検討する。
• Execution（実行）：ロボットアーム、液体ハンドラー、インキュベーター、アッセイ装置、工程管理システムが実験を実施する。

重要なのは、個々のロボットやAIモデルではなく、それらの接続だ。結果が機械可読な形で記録され、計画を担うAIが短いサイクルで次の実験に反映できれば、手作業による転記や解釈、スケジューリングに伴う情報損失を減らせる。

MegaRoboの昆鵬（Kunpeng）ラボは、ロボット、オートメーション、AIを統合しながら、AI for Scienceに活用できるデータも蓄積する施設として説明されている。 9

同社の施設に関する近年の説明でも、AIエージェントがロボットアーム、インキュベーター、液体処理ワークステーションを連携させ、物理的な実験結果を次の実験判断へ反映する仕組みが示されている。 4

研究室の自動化から「機械のための装置」へ

MegaRoboの発展は、作業の自動化から、機械が自律的に動くことを前提とした研究室の再設計へ進む段階論として理解できる。

Stage 1.0：繰り返し作業を自動化する

最初の段階は、従来型の研究室自動化だ。反復的な手順を標準化・自動化し、処理能力、作業の一貫性、データ取得を改善する。これは、自律性を高めるための運用上の土台になる。

Stage 2.0：厳しい産業現場で信頼性を証明する

次の段階では、認識、制御、実行が厳格な産業要件を満たせることを示す。MegaRoboは生命科学だけでなく製造業にも事業を広げ、産業環境向けのマシンビジョンや自動化システムにも取り組んでいる。公開資料では、同社の事業領域は研究室自動化、ライフサイエンス、先端製造まで広がっているとされる。 68

自律的な科学システムには、見栄えのよいデモ以上のものが求められる。サンプルを正しく識別し、手順を安定して実行し、失敗を検知し、何が起きたかを信頼できる記録として残さなければならないからだ。

Stage 3.0：人ではなく機械を前提に道具を設計する

最終段階は、AIエージェントが装置を本来の利用者として扱えるようにすることだ。人間向けに設計された装置へロボットを付け足すのではなく、機械可読な状態情報を提供し、直接命令を受け、定型的な例外から復旧し、連続的な実験ループの一部として動く装置を設計する。 5

これは、手作業のピペッティングをロボットに置き換えるだけの話ではない。インターフェース、プロトコル、データ構造そのものを、自律運転に適した形へ再設計するという、より深い変化である。

研究室が「実験コンピューティング」になる理由

このモデルでは、研究室は単に研究者が手順を実行する場所ではない。計算上の提案を証拠へ変換し、その証拠をより良い提案へ変換するシステムになる。

その結果、物理インフラは戦略上のボトルネックであると同時に、競争優位の源泉にもなり得る。MegaRoboが主張する優位性は、すべての科学モデルを所有することではなく、モデルが次のことを行うための接点を握ることにある。

1. 研究室の状態を観測する。
2. 科学的な目的を実行可能な手順へ変換する。
3. 一貫性があり、検証済みの結果を得る。
4. 独自性のある高品質な実験データを蓄積する。

これらが密接に統合されるほど、各実験サイクルの価値は高まる。分断されたAIモデルは「何を試すべきか」を提案できるが、接続されたシステムなら、それを試し、結果を解釈し、次のサイクルを立ち上げられる。時間の遅れと情報の欠落を抑えながら、仮説検証を繰り返せるわけだ。

AI創薬への投資が示すもの

AI創薬をめぐる資金の流入は、投資家の関心の強さを示す。しかし、有望な候補化合物と、臨床的に成功した医薬品との間には、なお長い距離がある。

AI創薬企業のInsilico Medicineは2025年12月、香港上場で約2億9,300万ドルを調達した。一方、同社の上場関連資料では、記載された基準日時点で、同社の候補薬はいずれも商業化されていないとされた。 1719

これはAI創薬が失敗したことを意味しない。資本、計算による設計、臨床開発、商業化が、創薬という長い工程の異なる地点にあることを示している。MegaRoboはこの隔たりを、候補を生み出す技術だけでなく、信頼性のある検証とトランスレーショナル研究（基礎研究の成果を臨床へ橋渡しする研究）に投資する必要性の根拠としている。

自律研究室にも限界はある

閉ループ型の研究室が高速化しても、トランスレーショナル医療における最も難しい不確実性が消えるわけではない。モデルの生物学的妥当性、動物実験の結果が人に適用できるか、臨床試験で成功するかを、自律システムだけで保証することはできない。

自律化には固有の要件もある。安全管理、異常処理、監査証跡、そして人間による監督が必要だ。人が装置の横に立たずにプロトコルを実行できるだけでは、科学研究室が完全に自律化したとは言えない。より高い自律性とは、定型的な結果の解釈を含む科学的サイクルを完了し、異常だけを人間へ引き継げる状態を指す。 1

したがって、MegaRoboの主張は、薬を自動的に承認へ導くという約束ではなく、AI創薬を可能にする基盤についての主張として読むべきだ。AIが生み出す仮説の数と速度が実験検証を上回り続けるなら、再現可能で、連続性があり、機械可読な証拠を生み出せる組織が、どのモデルを科学的に役立つものへ変えられるかを左右する可能性がある。

結論：次の競争領域はモデルと現実世界の間にある

MegaRoboの核心的な見方は、AI for Scienceにおける次の競争領域が、モデルそのものではなく、モデルと物理世界の間に位置するということだ。計算資源は探索空間を広げ、アルゴリズムは候補の優先順位付けを改善する。しかし、仮説が正しいかを確かめる実験を代替することはできない。

同社が示す解決策が「ラボ・イン・ザ・ループ」だ。認識、AIによる構想、ロボットによる実行、継続的なデータ取得を一つのフィードバックシステムに統合する。十分な規模と信頼性で機能すれば、研究室は一種の「実験コンピューティング」になる。

AIモデルがどれほど賢くなっても、現実世界から質の高いフィードバックを受け取れなければ、科学的な価値にはつながらない。将来のAI for Scienceでは、仮説を生成するモデルだけでなく、その仮説を安定して検証し、次の問いへ変換するインフラを誰が握るかが重要になる。

AIモデルは、分子や創薬標的、生物学的仮説を、従来の研究室では追いつきにくい速度で提案できるようになった。だが、予測は薬ではない。タンパク質構造、結合性、有効性、毒性、臨床反応についての予測は、現実世界で検証されて初めて創薬上の意味を持つ。

MegaRoboの主張は、この速度差がAI for Science（AI4S、科学研究にAIを活用する取り組み）における決定的な制約になるというものだ。必要なのは計算資源やアルゴリズムを増やすことだけではなく、AIが提案した仮説を物理世界で検証し、その結果を次の判断へ自動的に戻す実験インフラである。 59

本当のボトルネックは「検証済みの生物学的データ」

創薬で価値を持つデータは、分子構造の一覧だけではない。どの条件で実験し、どのような測定値が得られ、スクリーニングから用量反応、有効性、安全性、薬理、さらには臨床結果へどうつながったのかを追跡できる、連続性のある記録だ。

生物学的な証拠は、標準化も段階間の移転も難しい。単純化されたアッセイ（測定系）で得られた結果が、より複雑な生体システム、動物、患者で同じように再現されるとは限らないからだ。

そのため、AIが必要とするのは単発の測定値ではない。実験条件、サンプル、装置、品質管理、測定結果を文脈ごと結び付けた、再利用可能で信頼性のあるデータである。MegaRoboはこの課題を、データとワークフローを一体で設計し直す問題として捉えている。 59

なぜ計算能力を増やすだけでは足りないのか

高性能なモデルは、従来の研究室が合成・測定できる数をはるかに上回る候補を生成し、順位付けできる。しかし候補一つひとつには、対照実験、再現性のあるサンプル処理、校正された装置、品質確認、追跡可能なメタデータが必要だ。

人間の研究者は、科学的な判断や例外への対応に不可欠である。一方、人手中心の実験は、労働力、装置の予約、スケジュール、処理能力、作業者によるばらつきに制約される。

自動化は、この規模の問題に対応するための手段になる。あるロボット式の定量ハイスループットスクリーニング基盤は、3年間で120を超えるアッセイから600万件以上の濃度–反応曲線を生成した。 33

もちろん、すべての実験を自動化できるわけではなく、測定数が多ければ自動的に有用な知識になるわけでもない。それでもこの例は、AIモデルのレイヤーと同じくらい、実験を安定して実行し、解析可能な形式で記録する物理レイヤーが重要になっていることを示している。

MegaRoboの「認識・構想・実行」アーキテクチャ

MegaRoboは、自社のシステムを次の3層からなるループとして説明している。

• Perception（認識）：分析装置、イメージング、マシンビジョン、サンプル識別、センサーなどで研究室の状態と実験結果を取得する。
• Conception（構想）：AIモデルやエージェントが結果を解釈し、次に行う実験を選び、試すべき条件を検討する。
• Execution（実行）：ロボットアーム、液体ハンドラー、インキュベーター、アッセイ装置、工程管理システムが実験を実施する。

重要なのは、個々のロボットやAIモデルではなく、それらの接続だ。結果が機械可読な形で記録され、計画を担うAIが短いサイクルで次の実験に反映できれば、手作業による転記や解釈、スケジューリングに伴う情報損失を減らせる。

MegaRoboの昆鵬（Kunpeng）ラボは、ロボット、オートメーション、AIを統合しながら、AI for Scienceに活用できるデータも蓄積する施設として説明されている。 9

同社の施設に関する近年の説明でも、AIエージェントがロボットアーム、インキュベーター、液体処理ワークステーションを連携させ、物理的な実験結果を次の実験判断へ反映する仕組みが示されている。 4

研究室の自動化から「機械のための装置」へ

MegaRoboの発展は、作業の自動化から、機械が自律的に動くことを前提とした研究室の再設計へ進む段階論として理解できる。

Stage 1.0：繰り返し作業を自動化する

最初の段階は、従来型の研究室自動化だ。反復的な手順を標準化・自動化し、処理能力、作業の一貫性、データ取得を改善する。これは、自律性を高めるための運用上の土台になる。

Stage 2.0：厳しい産業現場で信頼性を証明する

次の段階では、認識、制御、実行が厳格な産業要件を満たせることを示す。MegaRoboは生命科学だけでなく製造業にも事業を広げ、産業環境向けのマシンビジョンや自動化システムにも取り組んでいる。公開資料では、同社の事業領域は研究室自動化、ライフサイエンス、先端製造まで広がっているとされる。 68

自律的な科学システムには、見栄えのよいデモ以上のものが求められる。サンプルを正しく識別し、手順を安定して実行し、失敗を検知し、何が起きたかを信頼できる記録として残さなければならないからだ。

Stage 3.0：人ではなく機械を前提に道具を設計する

最終段階は、AIエージェントが装置を本来の利用者として扱えるようにすることだ。人間向けに設計された装置へロボットを付け足すのではなく、機械可読な状態情報を提供し、直接命令を受け、定型的な例外から復旧し、連続的な実験ループの一部として動く装置を設計する。 5

これは、手作業のピペッティングをロボットに置き換えるだけの話ではない。インターフェース、プロトコル、データ構造そのものを、自律運転に適した形へ再設計するという、より深い変化である。

研究室が「実験コンピューティング」になる理由

このモデルでは、研究室は単に研究者が手順を実行する場所ではない。計算上の提案を証拠へ変換し、その証拠をより良い提案へ変換するシステムになる。

その結果、物理インフラは戦略上のボトルネックであると同時に、競争優位の源泉にもなり得る。MegaRoboが主張する優位性は、すべての科学モデルを所有することではなく、モデルが次のことを行うための接点を握ることにある。

1. 研究室の状態を観測する。
2. 科学的な目的を実行可能な手順へ変換する。
3. 一貫性があり、検証済みの結果を得る。
4. 独自性のある高品質な実験データを蓄積する。

これらが密接に統合されるほど、各実験サイクルの価値は高まる。分断されたAIモデルは「何を試すべきか」を提案できるが、接続されたシステムなら、それを試し、結果を解釈し、次のサイクルを立ち上げられる。時間の遅れと情報の欠落を抑えながら、仮説検証を繰り返せるわけだ。

AI創薬への投資が示すもの

AI創薬をめぐる資金の流入は、投資家の関心の強さを示す。しかし、有望な候補化合物と、臨床的に成功した医薬品との間には、なお長い距離がある。

AI創薬企業のInsilico Medicineは2025年12月、香港上場で約2億9,300万ドルを調達した。一方、同社の上場関連資料では、記載された基準日時点で、同社の候補薬はいずれも商業化されていないとされた。 1719

これはAI創薬が失敗したことを意味しない。資本、計算による設計、臨床開発、商業化が、創薬という長い工程の異なる地点にあることを示している。MegaRoboはこの隔たりを、候補を生み出す技術だけでなく、信頼性のある検証とトランスレーショナル研究（基礎研究の成果を臨床へ橋渡しする研究）に投資する必要性の根拠としている。

自律研究室にも限界はある

閉ループ型の研究室が高速化しても、トランスレーショナル医療における最も難しい不確実性が消えるわけではない。モデルの生物学的妥当性、動物実験の結果が人に適用できるか、臨床試験で成功するかを、自律システムだけで保証することはできない。

自律化には固有の要件もある。安全管理、異常処理、監査証跡、そして人間による監督が必要だ。人が装置の横に立たずにプロトコルを実行できるだけでは、科学研究室が完全に自律化したとは言えない。より高い自律性とは、定型的な結果の解釈を含む科学的サイクルを完了し、異常だけを人間へ引き継げる状態を指す。 1

したがって、MegaRoboの主張は、薬を自動的に承認へ導くという約束ではなく、AI創薬を可能にする基盤についての主張として読むべきだ。AIが生み出す仮説の数と速度が実験検証を上回り続けるなら、再現可能で、連続性があり、機械可読な証拠を生み出せる組織が、どのモデルを科学的に役立つものへ変えられるかを左右する可能性がある。

結論：次の競争領域はモデルと現実世界の間にある

MegaRoboの核心的な見方は、AI for Scienceにおける次の競争領域が、モデルそのものではなく、モデルと物理世界の間に位置するということだ。計算資源は探索空間を広げ、アルゴリズムは候補の優先順位付けを改善する。しかし、仮説が正しいかを確かめる実験を代替することはできない。

同社が示す解決策が「ラボ・イン・ザ・ループ」だ。認識、AIによる構想、ロボットによる実行、継続的なデータ取得を一つのフィードバックシステムに統合する。十分な規模と信頼性で機能すれば、研究室は一種の「実験コンピューティング」になる。

AIモデルがどれほど賢くなっても、現実世界から質の高いフィードバックを受け取れなければ、科学的な価値にはつながらない。将来のAI for Scienceでは、仮説を生成するモデルだけでなく、その仮説を安定して検証し、次の問いへ変換するインフラを誰が握るかが重要になる。