AI Boleh Menjana Hipotesis, Tetapi Makmal Perlu Membuktikan Kesahihannya

Model AI kini boleh mencadangkan molekul, sasaran biologi dan hipotesis penyelidikan pada kadar yang sukar ditandingi oleh makmal konvensional. Bagi MegaRobo, ketidakseimbangan ini menunjukkan bahawa kekangan penentu dalam AI untuk sains dan penemuan ubat mungkin bukan sekadar kuasa pengkomputeran atau algoritma yang lebih canggih, tetapi infrastruktur eksperimen. 59

Jawapan yang dicadangkan syarikat itu ialah konsep makmal dalam gelung (lab-in-the-loop): sistem bersepadu yang membolehkan instrumen dan robot menghasilkan bukti yang boleh dipercayai, AI mentafsir bukti tersebut, dan hasilnya secara automatik menentukan eksperimen seterusnya.

Kekangan sebenar ialah data biologi yang telah disahkan

Ramalan tentang struktur protein, pengikatan, keberkesanan, ketoksikan atau tindak balas klinikal belum boleh dianggap sebagai hasil pembangunan ubat. Ia masih merupakan andaian yang perlu diuji di dunia fizikal.

Perbezaan ini penting kerana bukti biologi sukar diseragamkan dan tidak semestinya boleh dipindahkan dengan mudah dari satu peringkat ke peringkat lain. Keputusan daripada ujian yang dipermudah, misalnya, mungkin tidak meramalkan dengan tepat apa yang berlaku dalam sistem biologi yang lebih kompleks, haiwan atau pesakit.

Justeru, set data yang benar-benar bernilai bukan sekadar himpunan struktur molekul. Ia perlu menjadi rekod berhubung yang memautkan keadaan eksperimen dan hasil pengukuran merentas saringan, tindak balas dos, keberkesanan, keselamatan, farmakologi dan hasil klinikal.

MegaRobo membingkaikan isu ini sebagai cabaran data dan aliran kerja: eksperimen perlu menghasilkan maklumat berstruktur yang boleh dipercayai dan boleh digunakan oleh model tanpa kehilangan konteks akibat transkripsi manual atau prosedur yang tidak konsisten. 59

Mengapa kuasa pengkomputeran tambahan tidak mencukupi

Model yang lebih berkuasa boleh menjana atau menyusun kedudukan jauh lebih banyak calon berbanding jumlah yang mampu disintesis dan diuji oleh makmal tradisional. Namun, setiap calon masih memerlukan pengesahan fizikal—termasuk kawalan ujian, pengendalian sampel yang boleh diulang, instrumen yang ditentukur, pemeriksaan kualiti dan metadata yang boleh dijejaki.

Penyelidik manusia tetap penting untuk membuat pertimbangan saintifik dan menangani keadaan luar biasa. Tetapi aliran kerja yang digerakkan manusia terikat pada tenaga kerja, jadual, kapasiti dan variasi pelaksanaan.

Automasi mengubah skala masalah ini. Sebagai contoh, satu platform saringan kuantitatif berdaya pemprosesan tinggi yang menggunakan robot telah menghasilkan lebih 6 juta lengkung tindak balas kepekatan daripada lebih 120 ujian dalam tempoh tiga tahun. 33

Contoh itu bukan bermaksud semua eksperimen boleh diautomatikkan atau kuantiti semata-mata akan menghasilkan pengetahuan berguna. Ia menunjukkan mengapa lapisan fizikal semakin penting seperti lapisan model: AI hanya boleh belajar daripada eksperimen yang dilaksanakan secara konsisten dan direkodkan dalam format yang sesuai untuk dianalisis.

Seni bina Perception–Conception–Execution MegaRobo

MegaRobo menerangkan sistemnya sebagai satu gelung tiga bahagian:

• Perception (Persepsi): instrumen, pengimejan, penglihatan mesin, pengenalpastian sampel dan sistem penderia memerhati keadaan makmal serta merekodkan keputusan.
• Conception (Konsepsi): model atau ejen AI mentafsir keputusan, memilih eksperimen dan menentukan perkara yang patut dicuba seterusnya.
• Execution (Pelaksanaan): lengan robotik, pengendali cecair, inkubator, sistem ujian dan kawalan proses menjalankan prosedur yang dipilih.

Ciri pentingnya bukan mana-mana komponen secara berasingan, tetapi hubungan antara semuanya. Dalam makmal gelung tertutup, hasil eksperimen boleh dibaca oleh mesin dan tersedia kepada lapisan perancangan dengan cukup pantas untuk mempengaruhi kitaran berikutnya.

Makmal Kunpeng MegaRobo digambarkan sebagai gabungan robotik, automasi dan AI, di samping mengumpulkan data untuk aplikasi AI dalam sains. 9

Gambaran terkini tentang fasiliti MegaRobo turut menunjukkan ejen AI menyelaras lengan robotik, inkubator dan stesen pengendalian cecair. Keputusan ujian fizikal kemudiannya digunakan untuk menentukan eksperimen seterusnya. 4

Daripada automasi makmal kepada instrumen yang direka untuk mesin

Perkembangan MegaRobo boleh difahami sebagai peralihan daripada mengautomatikkan tugasan kepada mereka bentuk semula makmal untuk operasi autonomi oleh mesin.

Tahap 1.0: mengautomatikkan aliran kerja berulang

Langkah pertama ialah automasi makmal konvensional—menyeragamkan dan mengautomatikkan prosedur berulang untuk meningkatkan kadar pemprosesan, konsistensi dan rakaman data. Tahap ini menyediakan asas operasi bagi sistem yang lebih autonomi.

Tahap 2.0: membuktikan kebolehpercayaan dalam persekitaran industri

Langkah kedua ialah membuktikan bahawa keupayaan persepsi, kawalan dan pelaksanaan boleh memenuhi keperluan industri yang ketat. MegaRobo menggunakan keupayaannya dalam bidang sains hayat dan pembuatan, termasuk sistem penglihatan mesin serta automasi untuk persekitaran industri. Bahan awam syarikat itu menggambarkan perniagaan yang merangkumi automasi makmal, sains hayat dan pembuatan termaju. 68

Logiknya mudah: sistem saintifik autonomi bukan sekadar perlu menghasilkan demonstrasi yang mengagumkan. Ia perlu mengenal pasti sampel dengan tepat, melaksanakan prosedur secara konsisten, mengesan kegagalan dan mengekalkan rekod yang boleh dipercayai tentang perkara yang berlaku.

Tahap 3.0: membina alat untuk mesin, bukan manusia

Langkah terakhir ialah menghasilkan instrumen yang boleh digunakan secara semula jadi oleh ejen AI. Berbanding menganggap robotik sebagai tambahan kepada peralatan yang direka untuk manusia, visi MegaRobo adalah untuk membina alat yang mendedahkan status dalam format yang boleh dibaca mesin, menerima arahan terus, mengendalikan pengecualian rutin dan beroperasi sebagai sebahagian daripada gelung eksperimen berterusan. 5

Ini lebih besar daripada sekadar menggantikan kerja memindahkan cecair secara manual dengan robot. Ia bermaksud mereka bentuk semula antara muka, protokol dan seni bina data makmal berasaskan operasi autonomi.

Mengapa makmal menjadi “kuasa pengkomputeran eksperimen”

Dalam model ini, makmal bukan lagi sekadar tempat saintis menjalankan prosedur. Ia menjadi sistem yang menukar cadangan pengiraan kepada bukti, kemudian menukar bukti itu kepada cadangan yang lebih baik.

Hal ini menjadikan infrastruktur fizikal sebagai kemungkinan kekangan strategik, selain menjadi sumber kelebihan yang sukar ditiru. Kelebihan MegaRobo yang dicadangkan bukan semestinya pemilikan setiap model saintifik, tetapi kawalan terhadap antara muka yang membolehkan model:

1. memerhati keadaan makmal;
2. menterjemahkan matlamat saintifik kepada prosedur yang boleh dilaksanakan;
3. mendapatkan keputusan yang konsisten dan disahkan; dan
4. mengumpulkan data eksperimen berkualiti tinggi yang bersifat proprietari.

Semakin rapat langkah-langkah ini disepadukan, semakin bernilai setiap kitaran eksperimen. Model yang terpisah boleh mencadangkan perkara untuk diuji, tetapi sistem yang berhubung boleh mengujinya, mentafsir hasilnya dan memulakan kitaran berikutnya dengan kurang kelewatan serta kurang kehilangan maklumat.

Apa yang ditunjukkan oleh kitaran pelaburan AI dalam penemuan ubat

Momentum kewangan di sebalik penemuan ubat berasaskan AI menunjukkan minat pelabur, tetapi tidak menghapuskan perbezaan antara calon yang menjanjikan dengan ubat yang berjaya secara klinikal.

IPO Insilico Medicine di Hong Kong pada Disember 2025 mengumpulkan kira-kira AS$293 juta. Namun, bahan penyenaraian syarikat menyatakan bahawa tiada satu pun calon ubatnya telah dikomersialkan setakat tarikh rujukan yang berkenaan. 1719

Gabungan kedua-dua fakta ini bukan bukti bahawa penemuan ubat menggunakan AI telah gagal. Sebaliknya, ia menunjukkan bahawa modal, reka bentuk pengiraan dan pengkomersialan klinikal berada pada titik yang berbeza dalam laluan pembangunan yang panjang.

MegaRobo menggunakan jurang ini untuk menyokong hujah infrastrukturnya: menjana calon hanyalah satu bahagian proses, manakala pengujian yang boleh dipercayai dan pengesahan translasi—iaitu membuktikan keputusan makmal boleh membawa makna dalam konteks biologi yang lebih kompleks—kekal penting.

Batasan makmal autonomi

Makmal gelung tertutup yang lebih pantas tidak menghapuskan ketidakpastian paling sukar dalam perubatan translasi. Sistem sedemikian tidak boleh dengan sendirinya menjamin bahawa model itu sah dari segi biologi, bahawa hasil kajian haiwan akan diterjemahkan kepada manusia atau bahawa calon ubat akan berjaya dalam ujian klinikal.

Sistem autonomi juga membawa keperluan tersendiri, termasuk kawalan keselamatan yang kukuh, pengendalian anomali, jejak audit dan pengawasan manusia. Makmal penemuan saintifik tidak boleh dianggap sepenuhnya autonomi hanya kerana ia mampu menjalankan protokol tanpa seseorang berdiri di sisi instrumen. Tahap autonomi yang lebih tinggi memerlukan sistem melengkapkan kitaran saintifik dan mentafsir keputusan rutin, sambil menyerahkan anomali kepada manusia. 1

Oleh itu, hujah MegaRobo wajar dibaca sebagai tuntutan tentang infrastruktur yang membolehkan kemajuan, bukannya janji bahawa ubat boleh diluluskan secara automatik. Jika hipotesis yang dijana AI terus berkembang lebih pantas daripada pengesahan eksperimen, organisasi yang mampu menghasilkan bukti yang boleh diulang, saling berhubung dan boleh dibaca mesin mungkin menentukan model mana yang benar-benar berguna untuk sains.

Kesimpulan

Tesis MegaRobo ialah lapisan persaingan seterusnya dalam AI untuk sains akan berada di antara model dan dunia fizikal. Kuasa pengkomputeran boleh meluaskan ruang carian, manakala algoritma boleh memperbaik keutamaan calon. Namun, kedua-duanya tidak dapat menggantikan eksperimen yang diperlukan untuk menentukan sama ada sesuatu hipotesis itu benar.

Makmal dalam gelung ialah penyelesaian yang dicadangkan syarikat itu: menggabungkan persepsi, konsepsi berasaskan AI, pelaksanaan robotik dan rakaman data berterusan dalam satu sistem maklum balas. Jika infrastruktur ini berfungsi pada skala dan tahap kebolehpercayaan yang mencukupi, makmal akan menjadi satu bentuk kuasa pengkomputeran eksperimen—dan kawalan terhadap lapisan itu mungkin sama pentingnya dengan kawalan terhadap model yang menjana hipotesis.