Dlaczego przyszłość AI dla nauki może zależeć od laboratoriów, a nie od większej mocy obliczeniowej

Modele AI potrafią dziś proponować cząsteczki, cele terapeutyczne i hipotezy biologiczne w tempie, za którym tradycyjne laboratoria nie zawsze nadążają. Teza MegaRobo jest prosta: w AI dla nauki oraz w odkrywaniu leków decydującym ograniczeniem może stać się nie większa moc obliczeniowa ani bardziej zaawansowane algorytmy, lecz infrastruktura eksperymentalna zdolna do ciągłego sprawdzania ich pomysłów. 59

Proponowaną odpowiedzią jest laboratorium w pętli (lab-in-the-loop) — zintegrowany system, w którym instrumenty i roboty wytwarzają wiarygodne dane, AI je interpretuje, a uzyskane wyniki automatycznie wpływają na wybór kolejnego eksperymentu.

Prawdziwym wąskim gardłem są zweryfikowane dane biologiczne

Prognoza dotycząca struktury białka, wiązania z celem, skuteczności, toksyczności czy odpowiedzi klinicznej nie jest jeszcze wynikiem prac nad lekiem. To dopiero twierdzenie, które trzeba sprawdzić w świecie fizycznym.

Ta różnica ma znaczenie, ponieważ dane biologiczne trudno ustandaryzować i przenosić między kolejnymi etapami badań. Wynik uzyskany w uproszczonym teście może nie przewidywać tego, co wydarzy się w bardziej złożonym układzie biologicznym, u zwierzęcia albo u pacjenta. Wartościowy zbiór danych nie jest więc zwykłą kolekcją struktur molekularnych. Powinien łączyć warunki eksperymentu i pomiary z kolejnych etapów: od screeningu i badań zależności dawka–odpowiedź po skuteczność, bezpieczeństwo, farmakologię i wyniki kliniczne.

MegaRobo przedstawia ten problem jako wyzwanie dotyczące danych i organizacji pracy. Eksperymenty muszą dostarczać wiarygodne, uporządkowane informacje, które modele mogą wykorzystywać bez utraty kontekstu przez ręczne przepisywanie wyników lub niespójne procedury. 59

Dlaczego większa moc obliczeniowa nie wypełni luki między prognozą a eksperymentem

Coraz wydajniejsze modele potrafią wygenerować lub uszeregować znacznie więcej kandydatów, niż tradycyjne laboratorium jest w stanie zsyntetyzować i przebadać. Każdy kandydat nadal wymaga jednak fizycznej walidacji — z odpowiednimi próbami kontrolnymi, powtarzalnym obchodzeniem się z próbkami, skalibrowanymi instrumentami, kontrolą jakości i możliwymi do prześledzenia metadanymi.

Naukowcy pozostają niezbędni do oceny wyników i rozwiązywania nietypowych problemów, ale obsługiwane przez ludzi procesy ograniczają między innymi dostępność personelu, harmonogramy, przepustowość i zmienność wykonania. Automatyzacja pozwala zmienić skalę tego problemu. Jedna zrobotyzowana platforma do ilościowego wysokoprzepustowego screeningu wygenerowała w ciągu trzech lat ponad 6 milionów krzywych zależności stężenie–odpowiedź dla ponad 120 testów. 33

Nie oznacza to, że każdy eksperyment da się zautomatyzować ani że sama liczba pomiarów wystarczy do zdobycia użytecznej wiedzy. Pokazuje jednak, dlaczego warstwa fizyczna staje się równie ważna jak warstwa modelu: AI może uczyć się tylko na podstawie eksperymentów wykonywanych konsekwentnie i zapisywanych w formie odpowiedniej do analizy.

Architektura MegaRobo: percepcja, koncepcja i wykonanie

MegaRobo opisuje swój system jako trzyczęściową pętlę:

• Percepcja: instrumenty, obrazowanie, widzenie maszynowe, identyfikacja próbek i systemy czujników obserwują stan laboratorium oraz rejestrują wyniki.
• Koncepcja: modele lub agenci AI interpretują rezultaty, wybierają eksperymenty i rozumują, co należy sprawdzić w następnej kolejności.
• Wykonanie: ramiona robotyczne, dozowniki cieczy, inkubatory, systemy testowe i układy kontroli procesu realizują wybrane procedury.

Najważniejszy nie jest pojedynczy element, lecz połączenie wszystkich części. W laboratorium działającym w zamkniętej pętli wyniki eksperymentów są czytelne dla maszyn i wystarczająco szybko trafiają do warstwy planowania, by wpłynąć na kolejny cykl. MegaRobo opisuje Kunpeng Laboratory jako połączenie robotyki, automatyzacji i AI, które jednocześnie gromadzi dane na potrzeby zastosowań AI dla nauki. 9

Nowsze opisy obiektów MegaRobo przedstawiają podobny model: agenci AI koordynują pracę ramion robotycznych, inkubatorów i stanowisk do obsługi cieczy, a wyniki fizycznych testów wpływają na kolejne decyzje eksperymentalne. 4

Od automatyzacji laboratorium do instrumentów projektowanych dla maszyn

Rozwój MegaRobo można postrzegać jako przejście od automatyzowania pojedynczych zadań do przeprojektowania laboratorium z myślą o autonomicznej pracy maszyn.

Etap 1.0: automatyzacja powtarzalnych procesów

Pierwszym krokiem jest klasyczna automatyzacja laboratoryjna: standaryzacja i automatyzowanie rutynowych procedur w celu zwiększenia przepustowości, powtarzalności i jakości zapisu danych. To operacyjna podstawa bardziej autonomicznych systemów.

Etap 2.0: sprawdzian niezawodności w wymagającym przemyśle

Drugi etap polega na pokazaniu, że systemy percepcji, sterowania i wykonania mogą spełniać rygorystyczne wymagania przemysłowe. MegaRobo stosuje swoje rozwiązania w naukach o życiu i produkcji, między innymi w systemach widzenia maszynowego i automatyzacji dla środowisk przemysłowych. Publiczne materiały firmy opisują szerszą działalność obejmującą automatyzację laboratoriów, nauki o życiu i zaawansowaną produkcję. 68

Logika strategiczna jest czytelna: autonomiczny system naukowy musi nie tylko robić wrażenie podczas demonstracji. Powinien prawidłowo identyfikować próbki, konsekwentnie wykonywać procedury, wykrywać awarie i zachowywać wiarygodny zapis tego, co się wydarzyło.

Etap 3.0: narzędzia dla maszyn, nie dla ludzi

Ostatni krok to instrumenty natywnie przystosowane do obsługi przez agentów AI. Zamiast traktować robotykę jako dodatek do urządzeń zaprojektowanych z myślą o człowieku, MegaRobo chce tworzyć narzędzia, które udostępniają stan w formie czytelnej dla maszyn, przyjmują bezpośrednie polecenia, radzą sobie z rutynowymi wyjątkami i działają w ramach ciągłej pętli eksperymentalnej. 5

To zmiana głębsza niż zastąpienie ręcznego pipetowania robotem. Oznacza przeprojektowanie interfejsów, protokołów i architektury danych laboratorium wokół autonomicznej pracy.

Dlaczego laboratorium staje się „mocą obliczeniową eksperymentu”

W tym modelu laboratorium nie jest już tylko miejscem, w którym naukowcy wykonują procedury. Staje się systemem przekształcającym propozycje obliczeniowe w dowody, a dowody — w lepsze propozycje.

To sprawia, że infrastruktura fizyczna może być zarówno strategicznym wąskim gardłem, jak i źródłem przewagi trudnej do skopiowania. Proponowana przewaga MegaRobo nie musi polegać na posiadaniu każdego modelu naukowego. Chodzi raczej o kontrolę interfejsu, przez który modele mogą:

1. obserwować warunki panujące w laboratorium;
2. przekładać cele naukowe na wykonywalne procedury;
3. uzyskiwać spójne i zweryfikowane wyniki;
4. gromadzić własne, wysokiej jakości dane eksperymentalne.

Im ściślej połączone są te etapy, tym większą wartość może mieć każdy kolejny cykl. Odseparowany model potrafi zasugerować, co warto zbadać. Zintegrowany system może to sprawdzić, zinterpretować wynik i uruchomić następny cykl z mniejszym opóźnieniem oraz mniejszą utratą informacji.

Co pokazuje fala inwestycji w odkrywanie leków przez AI

Finansowy rozmach wokół odkrywania leków z wykorzystaniem AI pokazuje zainteresowanie inwestorów, ale nie znosi różnicy między obiecującym kandydatem a lekiem, który odniesie sukces kliniczny. Debiut giełdowy Insilico Medicine w Hongkongu w grudniu 2025 roku przyniósł około 293 mln dolarów, a dokumenty spółki związane z emisją wskazywały, że według odpowiedniego stanu żaden z jej kandydatów nie został jeszcze skomercjalizowany. 1719

Nie jest to dowód na porażkę AI w odkrywaniu leków. Pokazuje natomiast, że kapitał, projektowanie obliczeniowe i komercjalizacja kliniczna znajdują się w różnych punktach długiej ścieżki rozwoju. MegaRobo wykorzystuje tę lukę jako argument na rzecz infrastruktury: generowanie kandydatów to tylko jedna część procesu, a wiarygodne testy i walidacja pozwalająca przełożyć wyniki na praktykę pozostają niezbędne.

Granice autonomicznych laboratoriów

Szybsze laboratorium działające w zamkniętej pętli nie usuwa najtrudniejszych niepewności medycyny translacyjnej. Samo w sobie nie może zagwarantować, że model jest biologicznie trafny, że wynik uzyskany na zwierzętach przełoży się na ludzi ani że kandydat przejdzie pomyślnie badania kliniczne.

Autonomiczne systemy stawiają też własne wymagania: potrzebują solidnych zabezpieczeń, obsługi anomalii, ścieżek audytu i nadzoru człowieka. Laboratorium badawcze nie staje się w pełni autonomiczne tylko dlatego, że potrafi przeprowadzić protokół bez osoby stojącej obok instrumentu. Wyższy poziom autonomii wymaga od systemu ukończenia cyklu naukowego i interpretacji rutynowych wyników, przy jednoczesnym przekazywaniu anomalii człowiekowi. 1

Argument MegaRobo należy więc odczytywać jako tezę o infrastrukturze umożliwiającej rozwój, a nie obietnicę automatycznego zatwierdzania leków. Jeśli hipotezy generowane przez AI nadal będą wyprzedzać ich eksperymentalną weryfikację, o tym, które modele staną się naukowo użyteczne, mogą decydować organizacje zdolne do wytwarzania powtarzalnych, połączonych i czytelnych dla maszyn dowodów.

Wniosek

Zdaniem MegaRobo kolejna warstwa rywalizacji w AI dla nauki będzie znajdować się pomiędzy modelem a światem fizycznym. Moc obliczeniowa może poszerzać przestrzeń poszukiwań, a algorytmy poprawiać priorytetyzację kandydatów, ale żadne z nich nie zastąpi eksperymentów koniecznych do ustalenia, czy dana hipoteza jest prawdziwa.

„Laboratorium w pętli” to proponowane rozwiązanie: połączenie percepcji, planowania wspieranego przez AI, zrobotyzowanego wykonania i ciągłego gromadzenia danych w jeden system sprzężenia zwrotnego. Jeśli taka infrastruktura będzie działać na odpowiednią skalę i z odpowiednią niezawodnością, laboratorium stanie się formą eksperymentalnej mocy obliczeniowej. Kontrola nad tą warstwą może wówczas liczyć się równie mocno jak kontrola nad modelem generującym hipotezy.