Bunsen AI Co-Scientist ของ Schrödinger เมื่อ AI จับมือฟิสิกส์เร่งค้นหายาใหม่

การเปิด early access ครั้งนี้เป็นไปตามกรอบเวลาที่ฝ่ายบริหารเคยระบุไว้ระหว่างการรายงานผลประกอบการไตรมาส 1 ปี 2026 เมื่อวันที่ 5 พฤษภาคม ว่าจะเปิดตัวในช่วงฤดูร้อนปี 2026 อย่างไรก็ตาม Schrödinger ยังไม่ได้ประกาศวันที่เปิดให้บริการเชิงพาณิชย์เต็มรูปแบบ โดยช่วง early access มีเป้าหมายเพื่อรวบรวมความคิดเห็นจากลูกค้าและขยายการใช้งานภายใต้โมเดลการคิดค่าซอฟต์แวร์ตามปริมาณการประมวลผล

จุดต่างสำคัญ: LLM ไม่ได้ทำงานลำพัง

หัวใจของ Bunsen คือการนำ โมเดลภาษาขนาดใหญ่ (LLM) มาทำงานร่วมกับแพลตฟอร์มการสร้างแบบจำลองโมเลกุลบนพื้นฐานฟิสิกส์ของ Schrödinger เช่น FEP+, molecular docking และ molecular dynamics หรือ MD

พูดให้เห็นภาพง่ายขึ้น LLM ทำหน้าที่เป็นชั้นสำหรับทำความเข้าใจโจทย์และวางแผน เช่น นักวิจัยต้องการค้นหาโมเลกุลที่อาจจับกับโปรตีนเป้าหมายได้ดีขึ้น ระบบจะช่วยแปลงโจทย์ดังกล่าวเป็นแผนการคำนวณที่เหมาะสม จากนั้นเอนจินฟิสิกส์จะเข้ามาประเมินคุณสมบัติของโมเลกุลด้วยวิธีการคำนวณที่เข้มงวดและผ่านการตรวจสอบกับผลการทดลอง

แนวทางนี้ต่างจากการใช้ LLM อ่านเอกสารแล้วเสนอไอเดียเพียงอย่างเดียว เพราะ Bunsen เชื่อมการให้เหตุผลของ AI เข้ากับการคำนวณเชิงฟิสิกส์ตั้งแต่ต้นน้ำถึงปลายน้ำ Dr. Karen Akinsanya อธิบายว่าการผสาน AI กับการคำนวณจากหลักการพื้นฐานอาจช่วยเปิดพื้นที่เป้าหมายทางชีววิทยาที่ยังไม่เคยสำรวจมาก่อน

ทั้งนี้ ผลลัพธ์จากการจำลองยังคงเป็นข้อมูลสำหรับช่วยตัดสินใจ ไม่ใช่หลักฐานว่าผู้สมัครยาจะได้ผลหรือปลอดภัยในมนุษย์ การยืนยันด้วยการทดลองและการประเมินโดยนักวิจัยยังเป็นขั้นตอนจำเป็น

4 ขั้นตอนหลักของ Bunsen

Bunsen ทำงานเป็นวงจรปิดที่เชื่อมการตีความโจทย์ การคำนวณ และการปรับแผนเข้าด้วยกัน โดยมี 4 ฟังก์ชันหลักดังนี้

1. Understand — ทำความเข้าใจ
   ตีความเป้าหมายทางวิทยาศาสตร์ของนักวิจัยจากภาษาธรรมชาติ

2. Strategize — วางกลยุทธ์
   พัฒนาแผนการคำนวณและเลือกวิธีการจำลองบนพื้นฐานฟิสิกส์ที่เหมาะกับโจทย์

3. Execute — ลงมือดำเนินการ
   รันเวิร์กโฟลว์ค้นพบโมเลกุลโดยอัตโนมัติ เช่น docking, free-energy perturbation และการคาดการณ์ ADME ซึ่งเกี่ยวข้องกับการดูดซึม การกระจายตัว เมแทบอลิซึม และการขับออกของสาร

4. Iterate — ทำซ้ำและปรับปรุง
   วิเคราะห์ผลลัพธ์ที่ได้ แล้วปรับแนวทางสำหรับรอบถัดไป ทำให้เกิดวงจรระหว่างเหตุผลของ AI กับผลจากการจำลองบนพื้นฐานฟิสิกส์

โครงสร้างนี้ทำให้นักวิจัยสามารถสั่งการแคมเปญคำนวณหลายขั้นตอนด้วยภาษาธรรมชาติ ขณะที่ Bunsen รับหน้าที่ประสานเวิร์กโฟลว์และจัดการการคำนวณที่อยู่เบื้องหลัง

เทียบ Bunsen กับคู่แข่งในโลก AI-for-Science

Google DeepMind: Co-Scientist

Co-Scientist เป็นระบบ AI แบบหลายเอเจนต์ที่สร้างบน Gemini 2.0 และมุ่งเน้นการสร้างสมมติฐานอย่างเป็นระบบ รวมถึงการให้เหตุผลทางวิทยาศาสตร์ งานวิจัยของระบบได้รับการตีพิมพ์ในวารสาร Nature เมื่อเดือนพฤษภาคม 2026

ระบบใช้เอเจนต์เฉพาะทาง 7 ตัว เช่น Generation, Ranking, Evolution และ Proximity เพื่อสร้าง อภิปราย จัดลำดับ และปรับปรุงสมมติฐาน โดยมีรายงานว่าสามารถเสนอสมมติฐานด้านการรักษาใหม่ ๆ ได้ เช่น แนวทางนำยากลับมาใช้รักษาพังผืดในตับ ซึ่งผ่านการตรวจสอบด้วยการทดลอง

ความแตกต่างจาก Bunsen: Co-Scientist เป็นเครื่องมือทั่วไปสำหรับสร้างสมมติฐานทางชีวการแพทย์ ไม่ได้ผนวกการจำลองโมเลกุลบนพื้นฐานฟิสิกส์ไว้โดยตรง จึงยังต้องพึ่งเครื่องมือภายนอกหรือนักวิจัยในการดำเนินงานด้านเคมีคำนวณ

FutureHouse: Robin

Robin เป็นระบบ AI แบบหลายเอเจนต์สำหรับการค้นคว้าทางชีววิทยาแบบครบวงจร และมีผลงานตีพิมพ์ใน Nature เช่นกันในเดือนพฤษภาคม 2026 ระบบครอบคลุมตั้งแต่การสร้างสมมติฐาน การออกแบบการทดลอง การวิเคราะห์ข้อมูล ไปจนถึงการสร้างข้อค้นพบต่อยอดในเวิร์กโฟลว์เดียว

Robin แสดงความสามารถด้วยการระบุ ripasudil ซึ่งเป็นยาที่มีใช้อยู่สำหรับโรคต้อหิน ว่าอาจเป็นแนวทางรักษาภาวะจอประสาทตาเสื่อมตามอายุชนิดแห้ง หรือ dAMD ระบบประกอบด้วยเอเจนต์เฉพาะทาง เช่น Crow สำหรับถามตอบจากวรรณกรรมวิชาการ, Falcon สำหรับสังเคราะห์ข้อมูลเชิงลึก, Owl สำหรับตอบคำถาม และ Phoenix สำหรับเขียนโค้ดและวิเคราะห์ข้อมูล

ความแตกต่างจาก Bunsen: Robin เน้นชีววิทยาเชิงทดลองและการนำยาที่มีอยู่กลับมาใช้ใหม่ ขณะที่ Bunsen เน้นเวิร์กโฟลว์ค้นพบโมเลกุลและการคำนวณเคมี โดย Robin ยังไม่มีเอนจินจำลองโมเลกุลบนพื้นฐานฟิสิกส์ที่ผสานอยู่ในระบบแบบ Bunsen

ผู้เล่นรายอื่นที่น่าจับตา

ตัวเลขไตรมาส 1 ปี 2026 บอกอะไรเกี่ยวกับ Schrödinger

Schrödinger รายงานผลประกอบการไตรมาส 1 ปี 2026 เมื่อวันที่ 5 พฤษภาคม โดยตัวเลขสำคัญมีดังนี้

• ACV หรือ Annual Contract Value: 28.4 ล้านดอลลาร์ในไตรมาสนี้ เพิ่มขึ้น 12% เมื่อเทียบกับปีก่อน ส่วน ACV สะสมย้อนหลัง 4 ไตรมาสอยู่ที่ 201 ล้านดอลลาร์ การเติบโตมาจากการเพิ่มการใช้งานในกลุ่มบริษัทยารายใหญ่ 20 อันดับแรก และการติดตั้งผลิตภัณฑ์ใหม่
• รายได้รวม: 58.6 ล้านดอลลาร์ ลดลง 2% เมื่อเทียบกับปีก่อน แต่สูงกว่าประมาณการตลาดราว 22%
• รายได้จากซอฟต์แวร์: 35.6 ล้านดอลลาร์ ลดลง 21% เมื่อเทียบกับปีก่อน โดยบริษัทเชื่อมโยงการลดลงนี้กับการเร่งเปลี่ยนจากไลเซนส์แบบติดตั้งภายในองค์กร หรือ on-premise ไปเป็นบริการ hosted หรือ SaaS
• สัดส่วน hosted: ซอฟต์แวร์แบบ hosted คิดเป็น 34% ของรายได้ซอฟต์แวร์ในไตรมาส 1 เพิ่มจาก 24% ในช่วงเดียวกันของปีก่อน และบริษัทตั้งเป้าให้สัดส่วนดังกล่าวอยู่ที่ประมาณ 75% ภายในปี 2028
• รายได้จากธุรกิจค้นพบยา: 23 ล้านดอลลาร์ เพิ่มขึ้น 124% หรือมากกว่าสองเท่าจากปีก่อน
• แนวโน้มทั้งปี 2026: บริษัทคงกรอบคาดการณ์ Software ACV ไว้ที่ 218–228 ล้านดอลลาร์ หรือเติบโต 10–15% และคาดว่ารายได้จากธุรกิจค้นพบยาจะอยู่ที่ 55–65 ล้านดอลลาร์

ทำไมรายได้ซอฟต์แวร์ลด แต่ ACV ยังโต

ฝ่ายบริหารมองว่าการเปลี่ยนผ่านไปสู่บริการ hosted เป็นแรงกดดันต่อ รายได้ที่รับรู้ในระยะสั้น แต่ไม่ได้สะท้อนการลดลงของ ACV หรือกระแสเงินสดโดยตรง

เหตุผลคือไลเซนส์แบบติดตั้งภายในองค์กรอาจรับรู้รายได้เร็วกว่า ขณะที่สัญญา hosted หรือ SaaS จะทยอยรับรู้รายได้ตลอดอายุสัญญา การเปลี่ยนแปลงสัดส่วน hosted ทุก 1% จึงอาจกระทบรายได้ที่รายงานในปีปัจจุบันราว 2–3 ล้านดอลลาร์จากจังหวะการรับรู้รายได้ตามมาตรฐาน ASC 606

ในมุมของบริษัท การเปลี่ยนไปใช้ hosted มีเป้าหมายเพื่อให้รายได้สอดคล้องกับการใช้งานจริงของลูกค้ามากขึ้น และอาจช่วยเพิ่มการรักษาลูกค้าในระยะยาว

แล้ว Schrödinger มีเงินสดมากแค่ไหน

แหล่งสรุปผลประกอบการที่มีอยู่ไม่ได้ระบุตัวเลขเงินสดและรายการเทียบเท่าเงินสดของไตรมาส 1 ปี 2026 ไว้อย่างชัดเจน ดังนั้นจึงยังไม่ควรสรุปเป็นจำนวนเงินเฉพาะเจาะจงจากข้อมูลชุดนี้

อย่างไรก็ตาม แหล่งข้อมูลระบุว่า Schrödinger ยังคงมีฐานะการเงินที่แข็งแกร่งสำหรับสนับสนุนการพัฒนาแพลตฟอร์ม รวมถึง Bunsen และโครงการยารักษาโรคของบริษัท โดยฝ่ายบริหารเคยแสดงความมั่นใจว่าการเปลี่ยนผ่านไปสู่โมเดล hosted จะไม่ทำให้บริษัทจำเป็นต้องระดมทุนเพิ่มเติม

หากต้องการตัวเลขเงินสด เงินลงทุนระยะสั้น และหลักทรัพย์ในความต้องการของตลาดที่แม่นยำสำหรับไตรมาส 1 ปี 2026 เอกสาร 10-Q ที่ยื่นต่อหน่วยงานกำกับดูแลของสหรัฐฯ จะเป็นแหล่งอ้างอิงที่เหมาะสมที่สุด

บทสรุป

Bunsen ไม่ได้เป็นเพียงแชตบอตที่ช่วยค้นเอกสารวิจัย แต่เป็นความพยายามของ Schrödinger ในการสร้างผู้ช่วยวิจัยที่เชื่อม การให้เหตุผลด้วยภาษา เข้ากับ การจำลองโมเลกุลตามหลักฟิสิกส์ และสามารถจัดการงานหลายขั้นตอนแบบวนซ้ำได้

จุดแข็งของระบบจึงอยู่ที่การปิดช่องว่างระหว่าง “การคิดไอเดีย” กับ “การลงมือคำนวณ” ขณะที่ Co-Scientist และ Robin มีจุดเด่นด้านการสร้างสมมติฐานและการค้นคว้าชีววิทยาในรูปแบบของตนเอง การแข่งขันในตลาด AI-for-Science จึงอาจไม่ได้วัดกันเพียงว่าใครมีโมเดลภาษาที่เก่งกว่า แต่รวมถึงใครสามารถเชื่อม AI เข้ากับเครื่องมือวิทยาศาสตร์และข้อมูลการทดลองได้ลึกกว่ากันด้วย