Hvorfor AI for vitenskap kan trenge laboratorieinfrastruktur mer enn større modeller

AI-modeller kan foreslå molekyler, biologiske mål og forskningshypoteser i et tempo tradisjonelle laboratorier har vanskelig for å følge. MegaRobos tese er at denne ubalansen gjør eksperimentell infrastruktur – ikke bare mer datakraft eller mer avanserte algoritmer – til den avgjørende begrensningen for AI innen vitenskap og legemiddelutvikling. 59

Selskapets foreslåtte svar er en «lab-in-the-loop»: et integrert system der instrumenter og roboter produserer pålitelige bevis, AI tolker funnene, og resultatene automatisk former det neste eksperimentet.

Den virkelige flaskehalsen er verifiserte biologiske data

En modell kan forutsi proteinstruktur, binding, effekt, giftighet eller sannsynlig klinisk respons. Men en slik prediksjon er ikke i seg selv et legemiddelutviklingsresultat. Det er en hypotese som må testes i den fysiske verden.

Det er en viktig forskjell. Biologiske funn er vanskelige å standardisere og vanskelige å overføre fra én fase til den neste. Et resultat fra et forenklet laboratorieforsøk sier ikke nødvendigvis hva som skjer i et mer komplekst biologisk system, i et forsøksdyr eller hos en pasient.

Den mest verdifulle datamengden består derfor ikke bare av molekylstrukturer. Den må koble sammen forsøksbetingelser og målinger fra screening, dose–respons, effekt, sikkerhet, farmakologi og til slutt kliniske utfall.

MegaRobo beskriver dette som både et data- og arbeidsflytproblem: Eksperimenter må produsere pålitelig og strukturert informasjon som modellene kan bruke uten at kontekst går tapt gjennom manuell registrering eller uensartede prosedyrer. 59

Hvorfor mer datakraft ikke løser gapet mellom modell og virkelighet

Mer avanserte modeller kan generere og rangere langt flere kandidater enn et vanlig laboratorium rekker å syntetisere og analysere. Men hver kandidat må fortsatt valideres fysisk – med kontrollprøver, reproduserbar prøvehåndtering, kalibrerte instrumenter, kvalitetskontroller og sporbare metadata.

Menneskelige forskere er fortsatt avgjørende for vitenskapelig skjønn og håndtering av avvik. Samtidig begrenses menneskestyrte arbeidsflyter av bemanning, planlegging, kapasitet og variasjon i utførelsen.

Automatisering endrer størrelsen på problemet. Én robotisert plattform for kvantitativ screening med høy gjennomstrømning produserte for eksempel mer enn 6 millioner dose–responskurver fra over 120 analyser i løpet av tre år. 33

Det betyr ikke at alle eksperimenter kan automatiseres, eller at store datamengder alene skaper nyttig kunnskap. Eksempelet viser hvorfor det fysiske laget blir like viktig som modellaget: AI kan bare lære av eksperimenter som gjennomføres konsekvent og dokumenteres i en form som egner seg for analyse.

MegaRobos arkitektur: Persepsjon–forståelse–utførelse

MegaRobo beskriver systemet sitt som en tredelt løkke:

• Persepsjon: Instrumenter, bildesystemer, maskinsyn, prøveidentifikasjon og sensorer observerer laboratoriets tilstand og fanger opp resultater.
• Forståelse og planlegging: AI-modeller eller agenter tolker funn, velger eksperimenter og vurderer hva som bør prøves videre.
• Utførelse: Robotarmer, væskehåndteringssystemer, inkubatorer, analysesystemer og prosesskontroller gjennomfører prosedyrene.

Det viktige er ikke én enkelt komponent, men koblingen mellom dem. I et lukket laboratorium er forsøksresultatene maskinlesbare og tilgjengelige for planleggingslaget raskt nok til å påvirke neste runde.

MegaRobo Kunpeng Laboratory er beskrevet som en kombinasjon av robotikk, automatisering og AI, samtidig som systemet bygger opp datagrunnlag for AI-basert vitenskap. 9

Omtaler av MegaRobos anlegg beskriver på samme måte AI-agenter som koordinerer robotarmer, inkubatorer og arbeidsstasjoner for væskehåndtering. Resultatene fra de fysiske testene brukes deretter i beslutningen om neste eksperiment. 4

Fra laboratorieautomatisering til maskinbygde instrumenter

MegaRobos utvikling kan forstås som en overgang fra å automatisere enkelte oppgaver til å redesigne laboratoriet for autonom maskindrift.

Trinn 1.0: Automatisere repeterbare arbeidsflyter

Det første steget er klassisk laboratorieautomatisering: Gjentakende prosedyrer standardiseres og automatiseres for å øke kapasitet, jevnhet og kvaliteten på datainnsamlingen. Dette skaper det operasjonelle grunnlaget for mer autonome systemer.

Trinn 2.0: Dokumentere pålitelighet i krevende industrimiljøer

Det neste steget er å vise at persepsjon, styring og utførelse kan oppfylle strenge industrielle krav. MegaRobo bruker teknologien innen både biovitenskap og produksjon, blant annet i systemer for maskinsyn og automatisering i industrien. Selskapets offentlige materiale beskriver en bredere virksomhet som omfatter laboratorieautomatisering, biovitenskap og avansert produksjon. 68

Logikken er enkel: Et autonomt vitenskapelig system må gjøre mer enn å levere en imponerende demonstrasjon. Det må identifisere prøver korrekt, gjennomføre prosedyrer jevnt, oppdage feil og bevare en pålitelig oversikt over hva som faktisk skjedde.

Trinn 3.0: Utvikle verktøy for maskiner, ikke mennesker

Det siste steget er å gjøre instrumentene direkte brukbare for AI-agenter. I stedet for å betrakte robotikk som et tillegg til utstyr utviklet for mennesker, er visjonen å lage verktøy som viser maskinlesbar status, tar imot direkte instrukser, håndterer vanlige avvik og inngår i en kontinuerlig eksperimentell løkke. 5

Dette er en større endring enn å erstatte én manuell pipetteringsoppgave med en robot. Det innebærer å utvikle laboratoriets grensesnitt, protokoller og dataarkitektur med autonom drift som utgangspunkt.

Hvorfor laboratoriet blir en form for «eksperimentell datakraft»

I denne modellen er laboratoriet ikke bare et sted der forskere utfører prosedyrer. Det er et system som omsetter beregningsforslag til bevis – og bevis til bedre forslag.

Dermed kan den fysiske infrastrukturen bli både en strategisk flaskehals og et mulig konkurransefortrinn. MegaRobos foreslåtte styrke er ikke nødvendigvis at selskapet eier alle de vitenskapelige modellene. Den kan i stedet ligge i kontrollen over grensesnittet der modellene kan:

1. observere laboratoriets tilstand;
2. gjøre vitenskapelige mål om til prosedyrer som kan utføres;
3. hente inn konsistente og validerte resultater; og
4. bygge opp proprietære datasett av høy kvalitet.

Jo tettere disse stegene er integrert, desto mer verdifull blir hver eksperimentrunde. En frakoblet modell kan foreslå hva som bør testes. Et sammenkoblet system kan teste forslaget, tolke resultatet og starte neste runde med mindre forsinkelse og mindre tap av informasjon.

Hva investeringsbølgen innen AI og legemiddelutvikling viser

Den sterke finansielle interessen for AI-basert legemiddelutvikling viser at investorer har tro på feltet. Den fjerner imidlertid ikke forskjellen mellom en lovende kandidat og et legemiddel som faktisk lykkes klinisk.

Insilico Medicines børsnotering i Hongkong i desember 2025 hentet inn rundt 293 millioner dollar. I selskapets noteringsmateriale sto det samtidig at ingen av legemiddelkandidatene var kommersialisert på det aktuelle tidspunktet. 1719

Dette er ikke et bevis på at AI-basert legemiddelutvikling har mislyktes. Det viser snarere at kapital, beregningsbasert design og kommersialisering befinner seg på ulike punkter i et langt utviklingsløp.

MegaRobo bruker dette gapet til å underbygge infrastrukturargumentet: Å generere kandidater er bare én del av prosessen. Pålitelig testing og validering på tvers av utviklingsstadier er fortsatt uunnværlig.

Begrensningene ved autonome laboratorier

Et raskere laboratorium med lukket tilbakekobling fjerner ikke de vanskeligste usikkerhetene i overgangen fra forskning til behandling. Systemet kan ikke alene garantere at en modell er biologisk gyldig, at et dyreforsøk kan overføres til mennesker, eller at en kandidat vil lykkes i kliniske studier.

Autonome systemer stiller dessuten egne krav. De trenger robuste sikkerhetskontroller, håndtering av avvik, revisjonsspor og menneskelig tilsyn.

Et laboratorium er ikke fullt autonomt bare fordi det kan kjøre en protokoll uten at en person står ved siden av instrumentet. Høyere autonominivåer krever at systemet kan gjennomføre vitenskapelige sykluser og tolke rutineresultater, samtidig som uvanlige hendelser sendes videre til mennesker. 1

MegaRobos argument bør derfor forstås som et spørsmål om muliggjørende infrastruktur, ikke som et løfte om automatisk godkjenning av nye legemidler. Hvis AI-genererte hypoteser fortsetter å komme raskere enn de kan verifiseres eksperimentelt, kan aktørene som produserer reproduserbare, sammenhengende og maskinlesbare bevis, få stor innflytelse på hvilke modeller som faktisk blir vitenskapelig nyttige.

Konklusjonen

MegaRobos tese er at det neste konkurranselaget innen AI for vitenskap vil ligge mellom modellen og den fysiske verden. Datakraft kan utvide søkeområdet, og algoritmer kan bli bedre til å prioritere. Men ingen av delene kan erstatte eksperimentene som avgjør om en hypotese stemmer.

«Lab-in-the-loop» er selskapets foreslåtte løsning: å samle persepsjon, AI-drevet planlegging, robotisert utførelse og kontinuerlig datainnsamling i ett og samme tilbakekoblingssystem.

Hvis infrastrukturen fungerer med tilstrekkelig kapasitet og pålitelighet, blir laboratoriet en form for eksperimentell datakraft. Da kan kontrollen over dette laget bli nesten like viktig som kontrollen over modellen som genererer hypotesene.