ทำไมโครงสร้างพื้นฐานการทดลองอาจสำคัญกว่าโมเดลที่ใหญ่ขึ้นสำหรับ AI เพื่อวิทยาศาสตร์

โมเดล AI สามารถเสนอโมเลกุล เป้าหมายการรักษา และสมมติฐานทางชีววิทยาได้เร็วเกินกว่าที่ห้องแล็บแบบเดิมจะสังเคราะห์และทดสอบได้ทัน MegaRobo จึงเสนอว่า คอขวดสำคัญของ AI เพื่อวิทยาศาสตร์ (AI for Science หรือ AI4S) และการค้นพบยา อาจไม่ใช่พลังประมวลผลหรืออัลกอริทึมที่เก่งขึ้น แต่คือโครงสร้างพื้นฐานสำหรับสร้างหลักฐานจากโลกจริง 59

คำตอบของบริษัทคือแนวคิด “lab-in-the-loop” หรือห้องแล็บที่อยู่ในวงจรป้อนกลับเดียวกับ AI เป็นระบบที่เครื่องมือและหุ่นยนต์สร้างหลักฐานที่เชื่อถือได้ AI ตีความหลักฐานนั้น แล้วนำผลลัพธ์ไปกำหนดว่าควรทดลองอะไรต่อโดยอัตโนมัติ

คอขวดที่แท้จริงคือข้อมูลชีววิทยาที่ผ่านการพิสูจน์

การคาดการณ์โครงสร้างโปรตีน การจับกันของโมเลกุล ประสิทธิผล ความเป็นพิษ หรือการตอบสนองของผู้ป่วย ยังไม่ใช่ผลลัพธ์ของการพัฒนายา แต่เป็นเพียงข้อเสนอที่ต้องนำไปทดสอบในโลกกายภาพ

ประเด็นนี้สำคัญเพราะหลักฐานทางชีววิทยาจัดมาตรฐานได้ยาก และผลการทดลองจากขั้นหนึ่งก็ไม่ได้ถ่ายโอนไปยังอีกขั้นได้โดยอัตโนมัติ ผลจากการทดสอบแบบจำลองอย่างง่ายอาจไม่สามารถทำนายสิ่งที่จะเกิดขึ้นในระบบชีวภาพที่ซับซ้อนกว่า สัตว์ทดลอง หรือผู้ป่วยได้

ดังนั้น ชุดข้อมูลที่มีคุณค่าจึงไม่ใช่เพียงรายการโครงสร้างโมเลกุล แต่ต้องเป็นบันทึกที่เชื่อมโยงเงื่อนไขและผลการวัดตลอดห่วงโซ่ ตั้งแต่การคัดกรอง การตอบสนองตามขนาดยา ประสิทธิผล ความปลอดภัย เภสัชวิทยา ไปจนถึงผลลัพธ์ทางคลินิก

MegaRobo มองปัญหานี้เป็นทั้งโจทย์ด้านข้อมูลและกระบวนการทำงาน การทดลองต้องสร้างข้อมูลที่น่าเชื่อถือ มีโครงสร้าง และพร้อมให้โมเดลนำไปใช้ โดยไม่สูญเสียบริบทจากการคีย์ข้อมูลด้วยมือหรือขั้นตอนที่ไม่สม่ำเสมอ 59

ทำไมเพิ่มพลังประมวลผลจึงไม่ช่วยปิดช่องว่างการตรวจสอบทางกายภาพ

โมเดลที่มีความสามารถมากขึ้นสามารถสร้างหรือจัดลำดับผู้สมัครจำนวนมากกว่าที่ห้องแล็บแบบเดิมจะสังเคราะห์และทดสอบได้ แต่ผู้สมัครทุกตัวก็ยังต้องผ่านการตรวจสอบในโลกจริง ซึ่งต้องอาศัยชุดควบคุม การจัดการตัวอย่างที่ทำซ้ำได้ เครื่องมือที่ผ่านการสอบเทียบ การตรวจสอบคุณภาพ และข้อมูลกำกับที่ตรวจสอบย้อนกลับได้

นักวิจัยมนุษย์ยังมีบทบาทสำคัญในการใช้วิจารณญาณทางวิทยาศาสตร์และรับมือกับกรณียกเว้น แต่กระบวนการที่มนุษย์เป็นผู้ดำเนินการย่อมติดข้อจำกัดด้านแรงงาน ตารางเวลา ปริมาณงาน และความแปรปรวนของการปฏิบัติงาน

ระบบอัตโนมัติช่วยเปลี่ยนขนาดของปัญหา ตัวอย่างเช่น แพลตฟอร์มคัดกรองสารแบบหุ่นยนต์ที่มีปริมาณงานสูงสามารถสร้างกราฟความสัมพันธ์ระหว่างความเข้มข้นกับการตอบสนองได้มากกว่า ๖ ล้านกราฟ จากการทดสอบกว่า ๑๒๐ ชุดภายใน ๓ ปี 33

ตัวเลขนี้ไม่ได้หมายความว่าการทดลองทุกประเภทจะทำให้เป็นอัตโนมัติได้ หรือข้อมูลจำนวนมากเพียงอย่างเดียวจะกลายเป็นความรู้ที่มีประโยชน์ แต่สะท้อนว่า “ชั้นกายภาพ” กำลังมีความสำคัญไม่แพ้ชั้นโมเดล เพราะ AI จะเรียนรู้ได้ก็ต่อเมื่อการทดลองถูกดำเนินการอย่างสม่ำเสมอและบันทึกในรูปแบบที่เหมาะกับการวิเคราะห์

สถาปัตยกรรม Perception–Conception–Execution ของ MegaRobo

MegaRobo อธิบายระบบของตนเองว่าเป็นวงจร ๓ ส่วน ได้แก่

• Perception — การรับรู้: เครื่องมือวัด ระบบถ่ายภาพ แมชชีนวิชัน การระบุตัวอย่าง และเซนเซอร์ ทำหน้าที่สังเกตสถานะของห้องแล็บและบันทึกผลลัพธ์
• Conception — การคิดวางแผน: โมเดลหรือเอเจนต์ AI ตีความผลการทดลอง เลือกการทดลอง และให้เหตุผลว่าควรทดสอบอะไรต่อ
• Execution — การลงมือทำ: แขนกล ระบบจัดการของเหลว ตู้อบ ระบบทดสอบ และระบบควบคุมกระบวนการ ดำเนินขั้นตอนที่เลือกไว้

หัวใจสำคัญไม่ใช่ชิ้นส่วนใดชิ้นส่วนหนึ่ง แต่คือการเชื่อมต่อระหว่างทุกส่วน ในห้องแล็บแบบวงจรปิด ผลการทดลองจะอยู่ในรูปแบบที่เครื่องอ่านได้ และถูกส่งกลับไปยังชั้นวางแผนได้เร็วพอที่จะมีอิทธิพลต่อรอบการทดลองถัดไป

MegaRobo ระบุว่า Kunpeng Laboratory ผสานหุ่นยนต์ ระบบอัตโนมัติ และ AI เข้าด้วยกัน พร้อมสะสมข้อมูลเพื่อการประยุกต์ใช้ด้าน AI เพื่อวิทยาศาสตร์ 9

คำอธิบายล่าสุดเกี่ยวกับสถานที่ทดลองของ MegaRobo ก็พรรณนาถึงเอเจนต์ AI ที่ประสานงานแขนกล ตู้อบ และสถานีจัดการของเหลว โดยให้ผลการทดสอบจริงป้อนกลับไปใช้กำหนดการตัดสินใจในการทดลองครั้งต่อไป 4

จากระบบอัตโนมัติในห้องแล็บสู่เครื่องมือที่ออกแบบมาเพื่อเครื่องจักร

เส้นทางการพัฒนาของ MegaRobo อาจมองได้ว่าเป็นการขยับจากการทำงานบางอย่างให้เป็นอัตโนมัติ ไปสู่การออกแบบห้องแล็บใหม่ให้เครื่องจักรทำงานได้ด้วยตัวเอง

Stage 1.0: ทำให้กระบวนการที่ทำซ้ำได้เป็นอัตโนมัติ

จุดเริ่มต้นคือระบบอัตโนมัติในห้องแล็บแบบดั้งเดิม ซึ่งมุ่งทำให้ขั้นตอนที่ซ้ำ ๆ เป็นมาตรฐานและทำงานโดยอัตโนมัติ เพื่อเพิ่มปริมาณงาน ความสม่ำเสมอ และความสามารถในการเก็บข้อมูล นี่คือรากฐานเชิงปฏิบัติการของระบบที่มีความเป็นอิสระมากขึ้น

Stage 2.0: พิสูจน์ความน่าเชื่อถือในภาคอุตสาหกรรมที่มีข้อกำหนดสูง

ขั้นต่อมาคือการแสดงให้เห็นว่าเทคโนโลยีด้านการรับรู้ การควบคุม และการลงมือทำ สามารถตอบโจทย์ความต้องการที่เข้มงวดของภาคอุตสาหกรรมได้ MegaRobo นำความสามารถไปใช้ทั้งในชีววิทยาศาสตร์และการผลิต รวมถึงระบบแมชชีนวิชันและระบบอัตโนมัติสำหรับสภาพแวดล้อมอุตสาหกรรม โดยข้อมูลสาธารณะของบริษัทอธิบายธุรกิจที่ครอบคลุมระบบอัตโนมัติในห้องแล็บ ชีววิทยาศาสตร์ และการผลิตขั้นสูง 68

ตรรกะเชิงกลยุทธ์ค่อนข้างตรงไปตรงมา ระบบวิทยาศาสตร์อัตโนมัติต้องทำได้มากกว่าการสาธิตที่ดูน่าประทับใจ ต้องระบุตัวอย่างได้ถูกต้อง ดำเนินขั้นตอนได้สม่ำเสมอ ตรวจจับความผิดพลาด และเก็บบันทึกที่น่าเชื่อถือว่าเกิดอะไรขึ้นบ้าง

Stage 3.0: สร้างเครื่องมือเพื่อเครื่องจักร ไม่ใช่เพื่อมนุษย์

ขั้นสุดท้ายคือการทำให้เครื่องมือสามารถถูกใช้งานโดยเอเจนต์ AI ได้โดยธรรมชาติ แทนที่จะมองหุ่นยนต์เป็นเพียงส่วนเสริมของอุปกรณ์ที่ออกแบบโดยยึดมนุษย์เป็นศูนย์กลาง วิสัยทัศน์ของ MegaRobo คือการสร้างเครื่องมือที่เปิดเผยสถานะในรูปแบบที่เครื่องอ่านได้ รับคำสั่งโดยตรง จัดการข้อยกเว้นที่เกิดขึ้นเป็นประจำ และทำงานเป็นส่วนหนึ่งของวงจรการทดลองที่ต่อเนื่อง 5

นี่เป็นการเปลี่ยนแปลงที่ลึกกว่าการใช้หุ่นยนต์แทนขั้นตอนดูดจ่ายสารด้วยมือเพียงขั้นตอนเดียว แต่หมายถึงการออกแบบอินเทอร์เฟซ โปรโตคอล และสถาปัตยกรรมข้อมูลของห้องแล็บใหม่ โดยมีการทำงานแบบอิสระเป็นศูนย์กลาง

ทำไมห้องแล็บจึงกลายเป็น “กำลังประมวลผลเชิงการทดลอง”

ในโมเดลนี้ ห้องแล็บไม่ได้เป็นเพียงสถานที่ที่นักวิทยาศาสตร์ทำตามขั้นตอน แต่เป็นระบบที่เปลี่ยนข้อเสนอจากคอมพิวเตอร์ให้เป็นหลักฐาน และเปลี่ยนหลักฐานให้กลายเป็นข้อเสนอที่ดีขึ้น

นั่นทำให้โครงสร้างพื้นฐานทางกายภาพกลายเป็นทั้งคอขวดเชิงกลยุทธ์และแหล่งสร้างความได้เปรียบที่คู่แข่งเลียนแบบได้ยาก ความได้เปรียบที่ MegaRobo เสนอไม่ได้จำเป็นต้องมาจากการเป็นเจ้าของโมเดลวิทยาศาสตร์ทุกตัว แต่อาจมาจากการควบคุมอินเทอร์เฟซที่ทำให้โมเดลสามารถ

1. สังเกตสภาวะของห้องแล็บ
2. แปลงเป้าหมายทางวิทยาศาสตร์ให้เป็นขั้นตอนที่ปฏิบัติได้จริง
3. รับผลลัพธ์ที่สม่ำเสมอและผ่านการตรวจสอบ และ
4. สะสมข้อมูลการทดลองคุณภาพสูงที่เป็นกรรมสิทธิ์

ยิ่งขั้นตอนเหล่านี้เชื่อมต่อกันแน่นแฟ้นมากเท่าไร การทดลองแต่ละรอบก็ยิ่งสร้างคุณค่าได้มากขึ้นเท่านั้น โมเดลที่แยกขาดจากห้องแล็บอาจแนะนำได้ว่าควรทดสอบอะไร แต่ระบบที่เชื่อมต่อครบวงจรสามารถทดสอบ ตีความผล และเริ่มรอบถัดไปได้โดยมีความล่าช้าและการสูญเสียข้อมูลน้อยลง

วงจรการลงทุนใน AI ค้นพบยากำลังบอกอะไร

กระแสเงินทุนรอบ AI ค้นพบยาแสดงให้เห็นว่านักลงทุนให้ความสนใจอย่างมาก แต่ไม่ได้ลบเส้นแบ่งระหว่าง “ผู้สมัครยาที่มีอนาคต” กับ “ยาที่ประสบความสำเร็จในทางคลินิก”

การเข้าจดทะเบียนในตลาดหลักทรัพย์ฮ่องกงของ Insilico Medicine เมื่อเดือนธันวาคม ๒๕๖๘ ระดมทุนได้ประมาณ ๒๙๓ ล้านดอลลาร์สหรัฐ ขณะที่เอกสารการจดทะเบียนของบริษัทระบุว่า ณ จุดตัดข้อมูลที่เกี่ยวข้อง ยังไม่มียาผู้สมัครตัวใดถูกนำออกจำหน่ายเชิงพาณิชย์ 1719

ข้อเท็จจริงสองด้านนี้ไม่ได้พิสูจน์ว่า AI ค้นพบยาล้มเหลว แต่ชี้ให้เห็นว่าเงินทุน การออกแบบด้วยคอมพิวเตอร์ และการนำยาออกสู่ตลาดอยู่คนละจุดบนเส้นทางการพัฒนาที่ยาวนาน MegaRobo ใช้ช่องว่างนี้สนับสนุนข้อเสนอด้านโครงสร้างพื้นฐานของตนเอง กล่าวคือ การสร้างผู้สมัครยาเป็นเพียงส่วนหนึ่งของกระบวนการ ขณะที่การทดสอบที่เชื่อถือได้และการยืนยันผลให้ถ่ายโอนไปสู่การรักษาจริงยังขาดไม่ได้

ข้อจำกัดของห้องแล็บอัตโนมัติ

ห้องแล็บแบบวงจรปิดที่ทำงานเร็วขึ้นไม่ได้ขจัดความไม่แน่นอนที่ยากที่สุดของการแปลงงานวิจัยไปสู่การแพทย์ มันไม่สามารถรับประกันได้ด้วยตัวเองว่าโมเดลถูกต้องทางชีววิทยา ผลในสัตว์จะใช้ทำนายมนุษย์ได้ หรือผู้สมัครยาจะประสบความสำเร็จในการทดลองทางคลินิก

ระบบอัตโนมัติเองก็มีข้อกำหนดของตัวเอง ทั้งระบบความปลอดภัยที่แข็งแรง การจัดการความผิดปกติ ร่องรอยการตรวจสอบ และการกำกับดูแลโดยมนุษย์ ห้องแล็บค้นคว้าทางวิทยาศาสตร์ไม่ได้เป็นอิสระอย่างแท้จริงเพียงเพราะสามารถทำตามโปรโตคอลได้โดยไม่มีคนยืนอยู่ข้างเครื่องมือ ระดับความเป็นอิสระที่สูงขึ้นต้องหมายถึงการทำวงจรวิทยาศาสตร์ให้เสร็จและตีความผลลัพธ์ตามปกติได้ พร้อมส่งต่อกรณีผิดปกติให้มนุษย์เข้ามาจัดการ 1

ดังนั้น ข้อเสนอของ MegaRobo ควรถูกอ่านในฐานะข้อเสนอเรื่อง โครงสร้างพื้นฐานที่ช่วยให้เกิดความก้าวหน้า ไม่ใช่คำสัญญาว่ายาจะได้รับอนุมัติโดยอัตโนมัติ หากสมมติฐานที่ AI สร้างขึ้นยังคงเพิ่มขึ้นเร็วกว่าความสามารถในการตรวจสอบ องค์กรที่สร้างหลักฐานซึ่งทำซ้ำได้ เชื่อมโยงกัน และเครื่องอ่านได้ อาจเป็นผู้กำหนดว่าโมเดลใดจะกลายเป็นเครื่องมือทางวิทยาศาสตร์ที่ใช้งานได้จริง

บทสรุป

ข้อเสนอหลักของ MegaRobo คือ ชั้นการแข่งขันถัดไปของ AI เพื่อวิทยาศาสตร์จะอยู่ระหว่างโมเดลกับโลกกายภาพ พลังประมวลผลช่วยขยายพื้นที่ค้นหา และอัลกอริทึมช่วยจัดลำดับความสำคัญได้ดีขึ้น แต่ไม่มีสิ่งใดทดแทนการทดลองที่จำเป็นต่อการพิสูจน์ว่าสมมติฐานนั้นถูกต้อง

“Lab-in-the-loop” คือคำตอบที่บริษัทเสนอ โดยรวมการรับรู้ การคิดวางแผนด้วย AI การลงมือทำผ่านหุ่นยนต์ และการเก็บข้อมูลอย่างต่อเนื่องไว้ในระบบป้อนกลับเดียวกัน หากโครงสร้างพื้นฐานนี้ทำงานได้ในระดับที่ใหญ่และน่าเชื่อถือ ห้องแล็บก็จะกลายเป็นรูปแบบหนึ่งของ “กำลังประมวลผลเชิงการทดลอง” และการควบคุมชั้นดังกล่าวอาจมีความสำคัญไม่แพ้การควบคุมโมเดลที่สร้างสมมติฐาน