Por que a IA para a ciência pode depender mais de laboratórios autônomos do que de modelos maiores

Modelos de inteligência artificial já conseguem propor moléculas, alvos terapêuticos e hipóteses biológicas em uma velocidade que os laboratórios convencionais têm dificuldade para acompanhar. Para a MegaRobo, esse desequilíbrio transforma a infraestrutura experimental — e não apenas o poder computacional ou algoritmos mais sofisticados — no principal gargalo da IA para a ciência e da descoberta de medicamentos. 59

A resposta defendida pela empresa é o conceito de lab-in-the-loop, ou “laboratório no circuito”: um sistema integrado em que instrumentos e robôs produzem evidências confiáveis, a IA interpreta esses resultados e as conclusões definem automaticamente o próximo experimento.

O verdadeiro gargalo são os dados biológicos verificados

Uma previsão sobre estrutura de proteína, ligação molecular, eficácia, toxicidade ou resposta clínica ainda não é um resultado de desenvolvimento de medicamento. É uma proposição que precisa ser testada no mundo físico.

Essa diferença é crucial porque evidências biológicas são difíceis de padronizar e transportar de uma etapa para outra. Um resultado obtido em um ensaio simplificado pode não prever o que ocorrerá em um sistema biológico mais complexo, em um animal ou em um paciente.

Por isso, o conjunto de dados mais valioso não é apenas uma coleção de estruturas moleculares. Ele é um registro conectado, que relaciona condições experimentais e medições de triagem, resposta à dose, eficácia, segurança, farmacologia e resultados clínicos.

A MegaRobo enquadra o problema como um desafio de dados e de fluxo de trabalho: os experimentos precisam gerar informações estruturadas e confiáveis, que os modelos possam utilizar sem perder contexto por causa de transcrições manuais ou procedimentos inconsistentes. 59

Por que mais poder computacional não resolve a lacuna da validação física

Modelos mais capazes conseguem gerar ou classificar muito mais candidatos do que um laboratório tradicional consegue sintetizar e testar. Ainda assim, cada candidato precisa de validação física, com controles adequados, manipulação reproduzível de amostras, instrumentos calibrados, verificações de qualidade e metadados rastreáveis.

Pesquisadores humanos continuam indispensáveis para o julgamento científico e para lidar com exceções. Mas fluxos de trabalho operados manualmente são limitados por mão de obra, agenda, capacidade de processamento e variações na execução.

A automação muda a escala do problema. Uma plataforma robótica de triagem quantitativa de alto rendimento, por exemplo, gerou mais de 6 milhões de curvas de concentração–resposta a partir de mais de 120 ensaios ao longo de três anos. 33

Esse exemplo não significa que todo experimento possa ser automatizado ou que volume, por si só, produza conhecimento útil. Ele mostra por que a camada física se torna tão importante quanto a camada dos modelos: a IA só aprende com experimentos executados de maneira consistente e registrados em um formato adequado para análise.

A arquitetura Perception–Conception–Execution da MegaRobo

A MegaRobo descreve seu sistema como um ciclo formado por três partes:

• Perception (percepção): instrumentos, sistemas de imagem, visão computacional, identificação de amostras e sensores observam o estado do laboratório e registram os resultados.
• Conception (concepção): modelos ou agentes de IA interpretam os resultados, selecionam experimentos e definem o que deve ser testado em seguida.
• Execution (execução): braços robóticos, manipuladores de líquidos, incubadoras, sistemas de ensaio e controles de processo realizam os procedimentos escolhidos.

O aspecto mais importante não é nenhum componente isolado, mas a conexão entre eles. Em um laboratório de ciclo fechado, os resultados experimentais são legíveis por máquinas e chegam rapidamente à camada de planejamento, a tempo de influenciar a próxima rodada.

A empresa descreve o Laboratório Kunpeng como uma combinação de robótica, automação e IA que também acumula dados para aplicações de IA para a ciência. 9

Descrições recentes das instalações da MegaRobo apresentam agentes de IA coordenando braços robóticos, incubadoras e estações de manipulação de líquidos, com os resultados dos testes físicos alimentando decisões experimentais posteriores. 4

Da automação do laboratório aos instrumentos nativos para máquinas

A trajetória apresentada pela MegaRobo pode ser entendida como uma evolução: primeiro, automatizar tarefas; depois, validar a operação em ambientes exigentes; por fim, redesenhar o laboratório para funcionar de forma nativa com agentes de máquina.

Estágio 1.0: automatizar fluxos repetitivos

O primeiro passo é a automação laboratorial convencional: padronizar e automatizar procedimentos repetitivos para aumentar a capacidade, a consistência e a captura de dados. Essa é a base operacional para sistemas mais autônomos.

Estágio 2.0: demonstrar confiabilidade em ambientes industriais

O segundo passo é provar que percepção, controle e execução conseguem atender a requisitos industriais rigorosos. A MegaRobo aplica suas capacidades em ciências da vida e manufatura, incluindo sistemas de visão computacional e automação para ambientes industriais. Seus materiais públicos descrevem uma atuação mais ampla, que inclui automação laboratorial, ciências da vida e manufatura avançada. 68

A lógica estratégica é direta: um sistema científico autônomo precisa fazer mais do que impressionar em uma demonstração. Ele deve identificar amostras corretamente, executar procedimentos de forma consistente, detectar falhas e manter um registro confiável do que aconteceu.

Estágio 3.0: criar ferramentas para máquinas, não para pessoas

O passo final é tornar os instrumentos nativamente utilizáveis por agentes de IA. Em vez de tratar a robótica como um complemento de equipamentos projetados para humanos, a visão da MegaRobo é criar ferramentas que exponham estados legíveis por máquinas, aceitem instruções diretas, se recuperem de exceções rotineiras e funcionem como parte de um ciclo experimental contínuo. 5

Essa mudança é mais profunda do que substituir uma etapa manual de pipetagem por um robô. Ela envolve redesenhar interfaces, protocolos e a arquitetura de dados do laboratório pensando na operação autônoma.

Por que o laboratório passa a ser uma forma de “computação experimental”

Nesse modelo, o laboratório deixa de ser apenas o local onde cientistas executam procedimentos. Ele se torna um sistema que transforma propostas computacionais em evidências — e evidências em propostas melhores.

Isso faz da infraestrutura física um possível gargalo estratégico e também uma fonte de vantagem competitiva. O diferencial proposto pela MegaRobo não é necessariamente controlar todos os modelos científicos. É controlar a interface por meio da qual esses modelos conseguem:

1. observar as condições do laboratório;
2. transformar objetivos científicos em procedimentos executáveis;
3. obter resultados consistentes e validados; e
4. acumular dados experimentais proprietários e de alta qualidade.

Quanto mais integradas estiverem essas etapas, mais útil se torna cada ciclo experimental. Um modelo desconectado pode sugerir o que testar. Um sistema conectado pode testar a hipótese, interpretar o resultado e iniciar a próxima rodada com menos demora e menor perda de informação.

O que o ciclo de investimentos em descoberta de medicamentos com IA revela

O impulso financeiro em torno da descoberta de medicamentos com IA demonstra o interesse dos investidores, mas não elimina a diferença entre um candidato promissor e um medicamento clinicamente bem-sucedido.

O IPO da Insilico Medicine em Hong Kong, em dezembro de 2025, levantou cerca de US$ 293 milhões. Nos documentos da própria listagem, a empresa afirmou que nenhum de seus candidatos a medicamentos havia sido comercializado até a data de corte relevante. 1719

Essa combinação não prova que a descoberta de medicamentos com IA fracassou. Ela mostra que capital, desenho computacional e comercialização clínica ocupam pontos diferentes de um percurso longo de desenvolvimento.

A MegaRobo usa essa distância para sustentar seu argumento de infraestrutura: gerar candidatos é apenas uma parte do processo. Testes confiáveis e validação translacional — isto é, a capacidade de levar resultados de modelos e experimentos para etapas mais próximas da prática clínica — continuam indispensáveis.

Os limites dos laboratórios autônomos

Um laboratório de ciclo fechado mais rápido não elimina as incertezas mais difíceis da medicina translacional. Por si só, ele não garante que um modelo seja biologicamente válido, que um resultado em animais se traduza para humanos ou que um candidato tenha sucesso em ensaios clínicos.

Sistemas autônomos também criam suas próprias exigências: controles de segurança robustos, tratamento de anomalias, trilhas de auditoria e supervisão humana. Um laboratório de descoberta científica não se torna plenamente autônomo apenas porque consegue executar um protocolo sem uma pessoa ao lado do instrumento.

Níveis mais altos de autonomia exigem que o sistema complete ciclos científicos e interprete resultados rotineiros, encaminhando anomalias para intervenção humana. 1

A tese da MegaRobo deve, portanto, ser entendida como uma proposta de infraestrutura habilitadora, e não como uma promessa de aprovação automática de medicamentos. Se as hipóteses geradas por IA continuarem avançando mais rápido do que sua verificação experimental, as organizações capazes de produzir evidências reproduzíveis, conectadas e legíveis por máquinas poderão determinar quais modelos se tornam cientificamente úteis.

O ponto central

A tese da MegaRobo é que a próxima camada competitiva da IA para a ciência estará entre o modelo e o mundo físico. O poder computacional pode ampliar o espaço de busca, e os algoritmos podem melhorar a priorização, mas nenhum dos dois substitui os experimentos necessários para descobrir se uma hipótese é verdadeira.

O lab-in-the-loop é a solução proposta pela empresa: combinar percepção, concepção orientada por IA, execução robótica e captura contínua de dados em um único sistema de retroalimentação.

Se essa infraestrutura funcionar em escala e com confiabilidade suficiente, o laboratório se tornará uma forma de computação experimental. E o controle dessa camada poderá ser tão importante quanto o controle do modelo que gera as hipóteses.