Singapore vill låta AI bygga bron mellan laboratoriet och marknaden

Singapore vill använda AI till mer än att snabbt söka igenom forskningsartiklar eller förutsäga molekyler. National Research Foundation (NRF) har avsatt 120 miljoner singaporianska dollar till åtta projekt som ska placera AI mitt i det vetenskapliga arbetsflödet – från hypoteser och experimentval till resultatanalys, programvaruverifiering och utveckling av teknik som kan prövas utanför laboratoriet. Satsningen lanserades officiellt den 16 juni 2026.

Den viktiga skillnaden går mellan att påskynda upptäckter och att visa att de går att använda i praktiken. AI4S-projekten ska minska avståndet mellan dessa två steg, men de material, katalysatorer, diagnostikverktyg och programvaror som nämns är fortfarande forskningsmål – inte färdiga kommersiella produkter. Flera av projekten väntas pågå i fyra till fem år.

Materials Data Foundry ska lösa AI:s tillverkningsproblem

En simulering kan visa att ett visst material ser lovande ut. Det betyder inte automatiskt att materialet kan tillverkas på ett tillförlitligt sätt, i stor skala eller med den prestanda som modellen förutspår. Det är just denna flaskhals mellan förutsägelse och produktion som laboratoriet Materials Data Foundry ska angripa.

Anläggningen, som kostar 10 miljoner SGD, etableras gemensamt av National University of Singapore (NUS) och University of Torontos Acceleration Consortium. Planen är att kombinera AI, robotik och mätningar under själva experimenten i ett öppet, autonomt laboratorium.

I stället för att enbart träna modeller på publicerade materialdata ska laboratoriet skapa nya experimentella data som kopplar ihop syntesförhållanden med materialens faktiska egenskaper. Resultaten kan sedan förbättra modellerna och styra nästa experiment – en återkopplingsloop mellan AI:s förslag och fysisk testning.

Målen omfattar bland annat stora mängder experiment och praktiska, reproducerbara recept för material bortom dagens kiselteknik eller för kvantteknik, elektrokatalysatorer med koppling till ren vätgas samt korrosionsbeständiga beläggningar. Utgångspunkten är alltså inte bara en lista över material som AI tror kan fungera, utan bevis för hur de faktiskt kan framställas och utvärderas.

AI ska sålla bland katalysatorer innan forskarna testar dem

Ett separat projekt, lett av A*STAR och Imperial College London, ska utveckla en så kallad Surface Science Foundation Model och en molnplattform för att förutsäga katalysatorers egenskaper och syntesförhållanden. Forskningen riktas bland annat mot renare bränslen, råvaror som framställs från koldioxid och biobaserade kemikalier.

Projektbeskrivningen anger ett mål om 500 gånger snabbare beräkningsbaserad screening. Det är ett mål för själva urvalet av kandidater – inte ett bevis på att ett färdigt bränsle eller en kemisk process kan utvecklas 500 gånger snabbare. Påståenden om att arbetet ska gå ”nästan fem gånger snabbare och billigare” bör därför tolkas försiktigt om det inte tydligt gäller ett separat mått längre fram i utvecklingskedjan. Det avgörande blir om de katalysatorer som väljs ut digitalt också fungerar i experiment och kan ingå i ekonomiskt hållbara processer.

AI-genererad kod ska kunna granskas av annan AI

AI4S behandlar också programvarors tillförlitlighet som ett vetenskapligt och tekniskt forskningsproblem. NUS och Imperial utvecklar verktyg för programanalys som ska kunna tolka och testa kod, verifiera egenskaper formellt och – där det är möjligt – bevisa att program fungerar korrekt. Verktygen ska bland annat testas på avancerad och samhällsviktig programvara, exempelvis nätverksprotokoll och delar av Linux-kärnan.

En tänkbar användning är att låta ett AI-system granska kod som har skrivits av ett annat AI-system. Det kan göra AI-assisterad programmering mer pålitlig, men automatiserad analys är inte detsamma som en universell säkerhetsgaranti. Formella metoder kan fastställa specifika egenskaper under givna antaganden. Den bredare tillförlitligheten beror fortfarande på kvaliteten hos kravspecifikationer, tester och de system där koden används.

Medicinska projekt kopplar samman biologiska och kliniska data

Inom biomedicin ingår projekt som ska förena datatyper som forskare ofta analyserar var för sig.

MultiOmicsFM, som drivs av NUS och A*STAR, planeras bli en grundmodell som kombinerar DNA-, RNA- och genaktivitetsdata från Singapores etniskt blandade dataset. Målen omfattar forskning om sjukdomsrisk samt förbättring av utformning och leverans av mRNA-terapier.

Projektet BloodCounts! följer en annan väg. Där ska modellen DeepCBC tränas på samtliga råparametrar från fullständiga blodstatusprover tillsammans med bilder av blodutstryk. Tanken är att utvinna mer diagnostisk information ur ett vanligt blodprov och undersöka om kombinationen kan bidra till att förutsäga risker kopplade till exempelvis stroke och cancer.

Detta är möjliga framtida användningsområden, inte ett påstående om att ett rutinmässigt blodprov redan kan diagnostisera sådana sjukdomar. Klinisk användning skulle kräva validering, myndighetsgranskning och bevis för att modellerna fungerar tillförlitligt i relevanta befolkningsgrupper och vårdmiljöer.

Digitala tvillingar ska stärka jordbrukets motståndskraft

Ett annat projekt ska skapa kunskapsstyrda digitala tvillingar för jordbruksmark i Sydostasien. Sådana virtuella representationer ska kombinera observerade data med principer från växt- och jordbruksvetenskap. Målet är prognoser och beslutsstöd för bland annat sådd, resursanvändning och leveranskedjor.

Kopplingen till vetenskaplig kunskap är central. En digital tvilling som tar hänsyn till agronomiska begränsningar kan bli lättare att tolka och ifrågasätta än en helt ogenomskinlig prognos. Nyttan kommer dock fortfarande att bero på hur bra, heltäckande och aktuella de underliggande uppgifterna är.

Portföljen innehåller också AI-designade gränssnitt som ska förbättra energitransport. Sammantaget täcker de åtta projekten material, datavetenskap, genomik, hälsa, energi, jordbruk och klimatanpassning i stället för att fokusera på en enda kommersiell sektor.

En sluten loop mellan AI och experiment

Den gemensamma modellen för satsningen kan sammanfattas i fyra steg:

1. AI föreslår: hypoteser, material, katalysatorer, molekylära konstruktioner, programkod eller jordbruksinsatser.
2. Experiment testar: automatiserade laboratorier, mätningar, programvaruanalys eller fältinriktade modeller prövar förslagen.
3. Nya bevis förbättrar systemen: observationerna används för att göra nästa omgång förutsägelser mer verklighetsförankrad.
4. Forskare avgör värdet: experter bedömer om resultatet går att tillverka, lita på, använda kliniskt eller försvara ur miljösynpunkt.

Materials Data Foundry är det tydligaste exemplet eftersom laboratoriet uttryckligen ska koppla AI-förutsägelser till automatiserad syntes och mätning. Samma princip återkommer i katalysatorscreening, programvaruverifiering och biomedicinsk modellering: snabbare förutsägelser är värdefulla först när de leder till tillförlitliga bevis.

Singapore satsar på både teknik och kompetens

AI4S är också en strategi för talang och infrastruktur. NRF vill skapa samarbeten mellan AI-forskare och experter inom bland annat materialvetenskap, livsvetenskap och kvantvetenskap. Ambitionen är att utbilda ”tvåspråkiga” forskare som förstår både beräkningsmetoderna och de vetenskapliga problem som metoderna ska lösa.

Projekten samlar singaporianska institutioner som NUS, Nanyang Technological University (NTU) och A*STAR med internationella partner som University of Toronto, Imperial College London, University of Cambridge och Kyoto University. Imperials två program genomförs via Imperial Global Singapore vid CREATE-campus, som är inriktat på internationellt forskningssamarbete och tillgång till forskningsmiljöer.

Modellen ger Singapore ett sätt att konkurrera om AI-driven forskning: landet finansierar ambitiösa projekt, bygger gemensam experimentell och digital infrastruktur, lockar internationella samarbeten och utbildar forskare som kan översätta mellan modeller och laboratorier.

Det verkliga testet återstår

AI4S kommer inte främst att bedömas efter hur många förutsägelser modellerna kan producera, utan efter vad som klarar mötet med verkligheten. De starkaste resultaten skulle vara:

• reproducerbara tillverkningsrecept för avancerade material;
• katalysatorer som fungerar under realistiska driftförhållanden;
• programvaruverktyg som kan visa meningsfulla garantier för korrekthet eller tillförlitlighet;
• biomedicinska modeller som validerats på lämpliga dataset och i relevanta vårdmiljöer; samt
• jordbruksverktyg som i praktiken förbättrar prognoser eller resursplanering.

Singapore satsar därmed på AI som är kopplad till experiment, verifiering och ämneskunskap. Programmet på 120 miljoner SGD kan göra vetenskapliga upptäckter mer systematiska och korta vägen från idé till prototyp. Men huvudfrågan är fortfarande öppen: om de åtta projekten kan omvandla lovande AI-förutsägelser till skalbar, säker och användbar teknik.