Почему будущее ИИ в науке может зависеть от лабораторий, а не от размера моделей

ИИ-модели уже умеют предлагать молекулы, мишени и биологические гипотезы с темпом, за которым обычные лаборатории с трудом успевают. Тезис MegaRobo заключается в том, что этот разрыв превращает экспериментальную инфраструктуру — а не только вычислительные мощности или более сложные алгоритмы — в главный ограничивающий фактор для ИИ в науке и разработки лекарств. 59

Предлагаемый компанией ответ — лаборатория «в контуре» (lab-in-the-loop): интегрированная система, в которой приборы и роботы создают надёжные доказательства, ИИ интерпретирует результаты, а новые данные автоматически определяют следующий эксперимент.

Настоящее узкое место — проверенные биологические данные

Предсказание структуры белка, способности молекулы связываться с мишенью, эффективности, токсичности или клинического ответа ещё не является результатом разработки лекарства. Это лишь гипотеза, которую необходимо проверить в физическом мире.

Проблема в том, что биологические данные трудно стандартизировать и переносить между этапами исследований. Результат упрощённого анализа не обязательно предсказывает поведение вещества в более сложной биологической системе, организме животного или организме человека.

Поэтому ценность представляет не просто набор структур молекул, а связанная система данных, которая объединяет условия эксперимента и измерения на всех этапах: скрининге, оценке зависимости «доза — эффект», проверке эффективности и безопасности, фармакологии и, в конечном счёте, клинических исследованиях.

MegaRobo описывает эту проблему прежде всего как задачу данных и рабочих процессов: эксперимент должен выдавать достоверную, структурированную информацию, пригодную для машинного анализа. При этом контекст не должен теряться из-за ручной расшифровки результатов или различий в процедурах. 59

Почему дополнительные вычисления не устраняют разрыв между гипотезой и проверкой

Более мощные модели способны генерировать и ранжировать гораздо больше кандидатов, чем традиционная лаборатория может синтезировать и протестировать. Но каждый кандидат всё равно требует физической проверки — с контрольными образцами, воспроизводимым обращением с материалами, откалиброванными приборами, контролем качества и прослеживаемыми метаданными.

Учёные остаются необходимыми для научной оценки и работы с нестандартными ситуациями. Однако процессы, выполняемые вручную, ограничены количеством сотрудников, расписанием, доступностью оборудования и человеческой вариативностью.

Автоматизация меняет масштаб задачи. Одна роботизированная платформа количественного высокопроизводительного скрининга за три года создала более 6 миллионов кривых «концентрация — ответ» по результатам свыше 120 анализов. 33

Это не означает, что любой эксперимент можно автоматизировать или что одно лишь количество измерений автоматически превращается в полезное знание. Но пример показывает, почему физический слой становится не менее важным, чем слой моделей: ИИ может учиться только на экспериментах, которые проводятся последовательно и фиксируются в пригодной для анализа форме.

Архитектура MegaRobo: восприятие, замысел, выполнение

MegaRobo описывает свою систему как замкнутый цикл из трёх элементов:

• Восприятие (Perception): приборы, визуализация, машинное зрение, идентификация образцов и сенсоры наблюдают за состоянием лаборатории и фиксируют результаты.
• Замысел (Conception): модели и ИИ-агенты интерпретируют данные, выбирают эксперименты и определяют, что следует проверить дальше.
• Выполнение (Execution): роботизированные манипуляторы, станции дозирования жидкостей, инкубаторы, системы анализа и средства управления процессами проводят выбранные процедуры.

Ключевым является не отдельный компонент, а связь между ними. В лаборатории с замкнутым циклом результаты экспериментов представлены в машиночитаемом виде и достаточно быстро поступают в систему планирования, чтобы влиять на следующий этап.

По описанию компании, лаборатория Kunpeng объединяет робототехнику, автоматизацию и ИИ, одновременно накапливая данные для задач AI for Science. 9 В более поздних материалах о лабораториях MegaRobo ИИ-агенты координируют роботизированные манипуляторы, инкубаторы и станции работы с жидкостями, а результаты физических тестов используются для выбора последующих экспериментов. 4

От автоматизации лаборатории к приборам, созданным для машин

Развитие MegaRobo можно представить как переход от автоматизации отдельных операций к перестройке лаборатории вокруг автономной работы машин.

Этап 1.0: автоматизация повторяемых процессов

Первый шаг — классическая лабораторная автоматизация: стандартизация и роботизация рутинных процедур ради роста производительности, стабильности и качества регистрации данных. Это операционная основа для более автономных систем.

Этап 2.0: проверка надёжности в промышленной среде

На втором этапе необходимо показать, что системы восприятия, управления и выполнения соответствуют строгим промышленным требованиям. MegaRobo применяет свои технологии в биологических науках и производстве, включая системы машинного зрения и автоматизации для промышленных задач. В публичных материалах компании говорится о более широком бизнесе, охватывающем лабораторную автоматизацию, биологические науки и передовое производство. 68

Логика здесь проста: автономная научная система должна не только впечатлять в демонстрации. Она должна правильно идентифицировать образцы, воспроизводимо выполнять процедуры, обнаруживать сбои и сохранять надёжную запись всего произошедшего.

Этап 3.0: инструменты для машин, а не для человека

Следующий шаг — создание приборов, которыми ИИ-агенты могут пользоваться напрямую. Вместо того чтобы рассматривать роботов как дополнение к оборудованию, рассчитанному на человека, MegaRobo предлагает создавать инструменты с машиночитаемым состоянием, прямым управлением, возможностью обрабатывать типовые исключения и работать в непрерывном экспериментальном цикле. 5

Это не просто замена ручного дозирования жидкости роботом. Речь идёт о переосмыслении интерфейсов, протоколов и архитектуры данных лаборатории с учётом автономной работы.

Почему лаборатория превращается в «экспериментальные вычисления»

В этой модели лаборатория — не только место, где учёные выполняют процедуры. Это система, которая превращает вычислительные предложения в доказательства, а доказательства — в более точные предложения.

Так физическая инфраструктура становится одновременно потенциальным стратегическим ограничением и источником конкурентного преимущества. Предполагаемое преимущество MegaRobo заключается не обязательно во владении каждой научной моделью, а в контроле над интерфейсом, через который модели могут:

1. наблюдать за состоянием лаборатории;
2. переводить научные цели в исполнимые процедуры;
3. получать стабильные и проверенные результаты;
4. накапливать собственные качественные экспериментальные данные.

Чем теснее связаны эти этапы, тем выше ценность каждого нового цикла. Разрозненная модель может предложить, что проверить. Интегрированная система способна провести проверку, интерпретировать результат и запустить следующий цикл с меньшей задержкой и меньшей потерей информации.

Что показывает инвестиционный цикл вокруг ИИ в разработке лекарств

Финансовый интерес к разработке лекарств с помощью ИИ показывает, что инвесторы верят в направление. Но он не отменяет разницы между перспективным кандидатом и лекарством, успешно прошедшим клинический путь.

IPO Insilico Medicine в Гонконге в декабре 2025 года привело к привлечению около 293 миллионов долларов, однако в материалах компании для листинга указывалось, что на соответствующую дату ни один из её кандидатов не был коммерциализирован. 1719

Это не доказывает провал ИИ в разработке лекарств. Скорее, это показывает, что капитал, вычислительный дизайн и коммерциализация клинического препарата находятся на разных этапах долгого процесса. MegaRobo использует этот разрыв как аргумент в пользу инфраструктуры: генерация кандидатов — лишь одна часть работы, тогда как надёжное тестирование и подтверждение переносимости результатов в клиническую практику остаются обязательными.

Где заканчиваются возможности автономной лаборатории

Более быстрый замкнутый цикл не устраняет самые сложные неопределённости трансляционной медицины. Он сам по себе не гарантирует биологическую корректность модели, переносимость результатов с животных на человека или успех кандидата в клинических испытаниях.

Автономные системы, в свою очередь, предъявляют собственные требования: им нужны надёжные механизмы безопасности, обработка аномалий, журналы аудита и контроль со стороны человека. Научная лаборатория не становится полностью автономной только потому, что способна выполнить протокол без сотрудника, стоящего рядом с прибором. Более высокий уровень автономности предполагает выполнение целых научных циклов, интерпретацию стандартных результатов и передачу человеку нестандартных ситуаций. 1

Поэтому позицию MegaRobo стоит понимать как тезис об инфраструктуре, делающей ИИ полезным, а не как обещание автоматического одобрения лекарств. Если гипотезы, созданные ИИ, и дальше будут опережать экспериментальную проверку, решающим фактором может стать способность организаций создавать воспроизводимые, связанные и машиночитаемые доказательства.

Вывод

Тезис MegaRobo заключается в том, что следующий конкурентный уровень AI for Science находится между моделью и физическим миром. Вычисления расширяют пространство поиска, а алгоритмы помогают расставлять приоритеты, но ни то ни другое не заменяет эксперименты, необходимые для проверки истинности гипотезы.

«Лаборатория в контуре» — предлагаемое компанией решение: объединить восприятие, управляемое ИИ формирование замысла, роботизированное выполнение и непрерывный сбор данных в единую систему обратной связи.

Если такая инфраструктура сможет работать с достаточными масштабом и надёжностью, лаборатория превратится в форму экспериментальных вычислений. И контроль над этим уровнем может оказаться не менее важным, чем контроль над моделью, которая генерирует научные гипотезы.