Varför AI för vetenskap kan behöva experimentinfrastruktur mer än större modeller

AI-modeller kan föreslå molekyler, målproteiner och biologiska hypoteser i en takt som traditionella laboratorier har svårt att matcha. MegaRobos tes är att denna obalans gör experimentinfrastruktur – inte bara mer datorkraft eller mer avancerade algoritmer – till den avgörande begränsningen för AI inom vetenskap och läkemedelsutveckling. 59

Företagets föreslagna lösning är ett lab-in-the-loop: ett integrerat system där instrument och robotar producerar tillförlitliga belägg, AI tolkar resultaten och slutsatserna automatiskt formar nästa experiment.

Den verkliga flaskhalsen är verifierade biologiska data

En modells förutsägelse om proteinstruktur, bindning, effekt, toxicitet eller kliniskt svar är ännu inget läkemedelsresultat. Det är en hypotes som måste prövas i den fysiska världen.

Skillnaden är viktig eftersom biologiska belägg är svåra att standardisera och föra vidare mellan olika utvecklingssteg. Ett resultat från ett förenklat test behöver inte säga särskilt mycket om vad som händer i ett mer komplext biologiskt system, i ett djur eller hos en patient. Den värdefulla datamängden består därför inte bara av molekylstrukturer, utan av en sammanhängande dokumentation som kopplar ihop försöksförhållanden och mätningar från screening och dosrespons till effekt, säkerhet, farmakologi och kliniska utfall.

MegaRobo beskriver problemet som en fråga om data och arbetsflöden: experimenten måste ge tillförlitlig, strukturerad information som modeller kan använda utan att sammanhang går förlorat genom manuell registrering eller inkonsekventa arbetsmetoder. 59

Därför kan mer datorkraft inte fylla det fysiska gapet

Mer kraftfulla modeller kan generera och rangordna betydligt fler kandidater än vad ett traditionellt laboratorium hinner syntetisera och testa. Men varje kandidat behöver fortfarande valideras fysiskt – med kontroller, reproducerbar provhantering, kalibrerade instrument, kvalitetskontroller och spårbar metadata.

Mänskliga forskare är fortfarande avgörande för vetenskapliga bedömningar och för att hantera undantag. Men manuellt styrda arbetsflöden begränsas av arbetsinsats, schemaläggning, kapacitet och variation mellan operatörer. Automatisering förändrar skalan på problemet. Ett robotiserat system för kvantitativ screening med mycket hög genomströmning genererade exempelvis över 6 miljoner koncentrations–responskurvor från mer än 120 analyser under tre år. 33

Det betyder inte att alla experiment kan automatiseras eller att stora datamängder i sig skapar användbar kunskap. Poängen är att det fysiska lagret blir lika viktigt som modellagret: AI kan bara lära sig av experiment som genomförs konsekvent och dokumenteras i en form som lämpar sig för analys.

MegaRobos arkitektur: Perception–Conception–Execution

MegaRobo beskriver sitt system som en loop i tre delar:

• Perception: instrument, bildsystem, maskinseende, providentifiering och sensorer observerar laboratoriets tillstånd och samlar in resultat.
• Conception: AI-modeller eller AI-agenter tolkar resultaten, väljer experiment och resonerar kring vad som bör testas härnäst.
• Execution: robotarmar, vätskehanterare, inkubatorer, analyssystem och processkontroller genomför de valda procedurerna.

Det viktiga är inte någon enskild komponent, utan kopplingen mellan dem. I ett slutet laboratorieflöde är experimentresultaten maskinläsbara och tillgängliga för planeringslagret tillräckligt snabbt för att påverka nästa cykel. MegaRobos Kunpeng Laboratory beskrivs som en kombination av robotik, automatisering och AI, samtidigt som systemet samlar in data för tillämpningar inom AI för vetenskap. 9

Nyare beskrivningar av MegaRobos anläggningar visar på liknande sätt hur AI-agenter samordnar robotarmar, inkubatorer och stationer för vätskehantering, medan resultaten från de fysiska testerna styr efterföljande experimentbeslut. 4

Från laboratorieautomation till maskinanpassade instrument

MegaRobos utveckling kan förstås som en rörelse från automatisering av enskilda uppgifter till ett laboratorium som från grunden är utformat för autonom maskindrift.

Steg 1.0: automatisera upprepningsbara arbetsflöden

Det första steget är konventionell laboratorieautomation: att standardisera och automatisera repetitiva procedurer för att öka genomströmning, enhetlighet och kvaliteten på datainsamlingen. Det skapar den operativa grund som mer autonoma system behöver.

Steg 2.0: bevisa tillförlitlighet i krävande industrimiljöer

Det andra steget är att visa att perception, styrning och utförande klarar strikta industriella krav. MegaRobo använder teknik inom både livsvetenskaper och tillverkning, bland annat system för maskinseende och automation i industriella miljöer. Företagets offentliga material beskriver en bredare verksamhet som omfattar laboratorieautomation, livsvetenskaper och avancerad tillverkning. 68

Den strategiska logiken är enkel: ett autonomt vetenskapligt system måste göra mer än att prestera väl i en imponerande demonstration. Det måste identifiera prover korrekt, genomföra procedurer konsekvent, upptäcka fel och bevara en tillförlitlig redogörelse för vad som faktiskt har hänt.

Steg 3.0: bygga verktyg för maskiner, inte människor

Det sista steget är att göra instrumenten direkt användbara för AI-agenter. I stället för att se robotik som ett tillägg till utrustning som utformats för människor vill MegaRobo skapa verktyg som visar sitt tillstånd i maskinläsbar form, tar emot direkta instruktioner, kan hantera rutinmässiga undantag och ingår i en kontinuerlig experimentloop. 5

Detta är en större förändring än att ersätta ett manuellt pipetteringsmoment med en robot. Det innebär att laboratoriets gränssnitt, protokoll och dataarkitektur utformas på nytt med autonom drift som utgångspunkt.

Varför laboratoriet blir en form av ”experimentell datorkraft”

I den här modellen är ett laboratorium inte bara en plats där forskare genomför procedurer. Det är ett system som omvandlar beräkningsbaserade förslag till belägg – och belägg till bättre förslag.

Därmed blir den fysiska infrastrukturen både en möjlig strategisk flaskhals och en möjlig konkurrensfördel. MegaRobos föreslagna försprång ligger inte nödvändigtvis i att äga varje vetenskaplig modell. Det ligger i att kontrollera gränssnittet där modeller kan:

1. observera laboratoriets förhållanden;
2. översätta vetenskapliga mål till genomförbara procedurer;
3. få konsekventa och validerade resultat; och
4. bygga upp egna datamängder med hög kvalitet.

Ju tätare dessa steg integreras, desto mer värdefull blir varje experimentcykel. En fristående modell kan föreslå vad som bör testas. Ett sammanhängande system kan testa förslaget, tolka resultatet och starta nästa cykel med mindre fördröjning och mindre informationsförlust.

Vad investeringscykeln inom AI-baserad läkemedelsutveckling visar

Det finansiella intresset kring AI-driven läkemedelsutveckling visar att investerare ser potential, men det suddar inte ut skillnaden mellan en lovande kandidat och ett kliniskt framgångsrikt läkemedel. Insilico Medicines börsnotering i Hongkong i december 2025 inbringade omkring 293 miljoner dollar. I företagets noteringsmaterial stod samtidigt att ingen av läkemedelskandidaterna hade kommersialiserats vid den aktuella tidpunkten. 1719

Detta är inte ett bevis på att AI-baserad läkemedelsutveckling har misslyckats. Det visar snarare att kapital, datorbaserad design och klinisk kommersialisering befinner sig på olika punkter i en lång utvecklingskedja. MegaRobo använder detta gap som stöd för sitt infrastruktursargument: att skapa kandidater bara är en del av processen, medan tillförlitliga tester och validering mellan laboratoriet och kliniken fortfarande är oumbärliga.

De autonoma laboratoriernas begränsningar

Ett snabbare slutet laboratorieflöde eliminerar inte de svåraste osäkerheterna inom translationell medicin. Det kan inte på egen hand garantera att en modell är biologiskt korrekt, att ett djurförsök kan överföras till människor eller att en kandidat lyckas i kliniska prövningar.

Autonoma system skapar dessutom egna krav. De behöver robusta säkerhetskontroller, hantering av avvikelser, revisionsspår och mänsklig tillsyn. Ett laboratorium är inte fullt autonomt bara för att det kan köra ett protokoll utan att en person står bredvid instrumentet. Högre autonominivåer kräver att systemet kan genomföra vetenskapliga cykler och tolka rutinresultat, samtidigt som avvikelser lämnas över till människor. 1

MegaRobos argument bör därför förstås som ett påstående om möjliggörande infrastruktur, inte som ett löfte om automatiskt godkända läkemedel. Om AI-genererade hypoteser fortsätter att springa före den experimentella verifieringen kan de organisationer som producerar reproducerbara, sammanhängande och maskinläsbara belägg få avgörande inflytande över vilka modeller som faktiskt blir vetenskapligt användbara.

Slutsatsen

MegaRobos tes är att nästa konkurrensnivå inom AI för vetenskap kommer att ligga mellan modellen och den fysiska världen. Datorkraft kan bredda sökutrymmet och algoritmer kan förbättra prioriteringen, men inget av detta kan ersätta experimenten som avgör om en hypotes stämmer.

”Lab-in-the-loop” är företagets föreslagna svar: att samla perception, AI-driven planering, robotiserat utförande och kontinuerlig datainsamling i ett enda återkopplat system. Om infrastrukturen fungerar med tillräcklig skala och tillförlitlighet blir laboratoriet en form av experimentell datorkraft – och kontrollen över det lagret kan bli lika viktig som kontrollen över modellen som genererar hypoteserna.