Чому для наукового ШІ лабораторна інфраструктура може бути важливішою за більші моделі

Штучний інтелект може пропонувати молекули, мішені для ліків і біологічні гіпотези з темпом, за яким традиційні лабораторії просто не встигають. На думку MegaRobo, саме цей дисбаланс перетворює експериментальну інфраструктуру — а не лише обчислювальні потужності чи складніші алгоритми — на головне обмеження для ШІ в науці та пошуку нових препаратів. 59

Компанія пропонує концепцію «лабораторії в контурі» (lab-in-the-loop): інтегрованої системи, у якій прилади й роботи створюють надійні докази, ШІ інтерпретує їх, а результати автоматично формують наступний експеримент.

Справжнє вузьке місце — перевірені біологічні дані

Прогноз структури білка, здатності молекули зв’язуватися з мішенню, ефективності, токсичності чи реакції пацієнта — це ще не результат розробки ліків. Це лише припущення, яке потрібно перевірити у фізичному світі.

Проблема в тому, що біологічні дані складно стандартизувати й переносити з одного етапу дослідження на інший. Результат спрощеного лабораторного тесту не обов’язково передбачає поведінку речовини у складнішій біологічній системі, тварині або людському організмі. Тому цінність має не просто база молекулярних структур, а пов’язаний набір даних, що зберігає умови експериментів і результати скринінгу, оцінки дозозалежної відповіді, ефективності, безпеки, фармакології та клінічних досліджень.

MegaRobo описує це як проблему даних і робочих процесів: експерименти мають створювати надійну структуровану інформацію, придатну для моделей, без втрати контексту через ручне перенесення результатів або непослідовні процедури. 59

Чому більші моделі не закриють прогалину між прогнозом і перевіркою

Потужніші моделі можуть генерувати або ранжувати набагато більше кандидатів, ніж традиційна лабораторія здатна синтезувати й протестувати. Але кожен кандидат усе одно потребує фізичної перевірки — з контрольними зразками, відтворюваним поводженням із матеріалами, каліброваними приладами, перевіркою якості та простежуваними метаданими.

Людські дослідники залишаються необхідними для наукових рішень і нестандартних ситуацій. Водночас лабораторії, якими керують переважно люди, обмежені кількістю працівників, графіками, доступністю обладнання, пропускною здатністю та варіативністю ручних операцій.

Автоматизація дає змогу працювати в іншому масштабі. Наприклад, одна роботизована платформа кількісного високопродуктивного скринінгу за три роки сформувала понад 6 мільйонів кривих «концентрація — відповідь» у більш ніж 120 тестах. 33

Цей приклад не означає, що будь-який експеримент можна автоматизувати або що сама кількість результатів автоматично створює корисне знання. Він показує інше: фізичний рівень досліджень стає не менш важливим за рівень моделей. ШІ може навчатися лише на експериментах, які виконують послідовно й записують у придатній для аналізу формі.

Архітектура MegaRobo: сприйняття, задум, виконання

MegaRobo описує свою систему як замкнений цикл із трьох частин:

• Сприйняття (Perception): прилади, системи візуалізації, машинний зір, ідентифікація зразків і сенсори спостерігають за станом лабораторії та фіксують результати.
• Задум (Conception): моделі й агенти ШІ інтерпретують дані, обирають експерименти та визначають, що випробувати далі.
• Виконання (Execution): роботизовані маніпулятори, дозатори рідин, інкубатори, системи аналізу та засоби контролю процесів виконують заплановані процедури.

Ключовою є не окрема складова, а зв’язок між ними. У замкненій лабораторії результати мають бути зрозумілими для машин і достатньо швидко потрапляти до системи планування, щоб впливати на наступний цикл. За описом MegaRobo, лабораторія Kunpeng поєднує робототехніку, автоматизацію та ШІ, одночасно накопичуючи дані для застосувань у сфері AI for Science. 9

Опис об’єктів MegaRobo також передбачає, що агенти ШІ координують роботизовані маніпулятори, інкубатори та робочі станції для роботи з рідинами, а результати фізичних тестів визначають подальші експерименти. 4

Від автоматизації лабораторії до приладів, створених для машин

Розвиток MegaRobo можна розглядати як перехід від автоматизації окремих завдань до перебудови лабораторії навколо автономної роботи машин.

Етап 1.0: автоматизація повторюваних процесів

Перший крок — стандартизувати й автоматизувати рутинні процедури, щоб підвищити пропускну здатність, стабільність і якість фіксації даних. Це операційний фундамент для автономніших систем.

Етап 2.0: перевірка на складних промислових сценаріях

Другий крок — довести, що системи сприйняття, контролю та виконання здатні відповідати жорстким промисловим вимогам. MegaRobo застосовує свої рішення у сфері наук про життя та виробництва, зокрема створює системи машинного зору й автоматизації для промислових середовищ. Публічні матеріали компанії описують ширший бізнес, що охоплює лабораторну автоматизацію, науки про життя та передове виробництво. 68

Логіка тут проста: автономна наукова система має не лише ефектно працювати під час демонстрації. Вона повинна правильно ідентифікувати зразки, стабільно виконувати процедури, виявляти помилки та зберігати надійний запис того, що відбулося.

Етап 3.0: інструменти для машин, а не для людей

Наступний крок — зробити прилади нативно придатними для роботи агентів ШІ. Замість того щоб додавати роботів до обладнання, спроєктованого для людини, MegaRobo прагне створювати інструменти, які передають машинозчитуваний стан, приймають прямі команди, самостійно долають типові винятки та працюють як частина безперервного експериментального циклу. 5

Це глибша зміна, ніж просто заміна ручного дозування роботом. Йдеться про перебудову інтерфейсів, протоколів і архітектури даних лабораторії під автономну роботу.

Чому лабораторія стає «експериментальними обчисленнями»

У цій моделі лабораторія — не просто місце, де науковці виконують процедури. Це система, яка перетворює обчислювальні пропозиції на докази, а докази — на точніші пропозиції.

Тому фізична інфраструктура може стати водночас стратегічним вузьким місцем і джерелом конкурентної переваги. Потенційна перевага MegaRobo полягає не обов’язково у володінні кожною науковою моделлю, а в контролі інтерфейсу, через який моделі можуть:

1. спостерігати за станом лабораторії;
2. перетворювати наукові цілі на процедури, придатні до виконання;
3. отримувати послідовні та перевірені результати;
4. накопичувати власні високоякісні експериментальні дані.

Що тісніше інтегровані ці кроки, то більшої цінності набуває кожен експериментальний цикл. Відокремлена модель може підказати, що перевірити. Під’єднана система здатна сама провести тест, інтерпретувати результат і запустити наступний цикл із меншими затримками та втратами інформації.

Що показує інвестиційний цикл у пошуку ліків за допомогою ШІ

Фінансовий інтерес до розробки ліків із використанням ШІ демонструє довіру інвесторів, але не скасовує різниці між перспективним кандидатом і препаратом, який успішно пройшов клінічні випробування та вийшов на ринок. У грудні 2025 року Insilico Medicine залучила близько 293 мільйонів доларів під час IPO у Гонконзі, а в документах для лістингу зазначалося, що на відповідну дату жоден із кандидатів компанії не був комерціалізований. 1719

Це не доводить провалу ШІ у відкритті ліків. Радше йдеться про те, що капітал, обчислювальний дизайн і комерціалізація препаратів перебувають на різних етапах довгого процесу розробки. MegaRobo використовує цей розрив як аргумент на користь інфраструктури: генерування кандидатів — лише одна частина роботи, тоді як надійне тестування та підтвердження результатів у складніших системах залишаються незамінними.

Межі автономних лабораторій

Швидша замкнена лабораторія не усуває найскладніших невизначеностей трансляційної медицини. Сама по собі вона не може гарантувати біологічну коректність моделі, перенесення результату з тварини на людину або успіх кандидата в клінічних випробуваннях.

Автономні системи також висувають власні вимоги: надійні механізми безпеки, обробка аномалій, журнали аудиту та людський нагляд. Наукова лабораторія не стає повністю автономною лише тому, що може виконати протокол без людини поруч із приладом. Вищі рівні автономності передбачають здатність системи завершувати наукові цикли, інтерпретувати типові результати й передавати нестандартні випадки фахівцям. 1

Тому тезу MegaRobo варто сприймати як твердження про інфраструктуру, що створює можливості, а не як обіцянку автоматичного схвалення ліків. Якщо гіпотези, згенеровані ШІ, і надалі випереджатимуть експериментальну перевірку, вирішальну роль можуть отримати організації, здатні створювати відтворювані, пов’язані та машинозчитувані докази.

Висновок

На думку MegaRobo, наступний конкурентний рівень ШІ в науці розташовуватиметься між моделлю та фізичним світом. Обчислення розширюють простір пошуку, а алгоритми допомагають краще розставляти пріоритети, але жодне з них не замінює експериментів, необхідних для перевірки гіпотези.

«Лабораторія в контурі» — запропоноване компанією рішення: об’єднати сприйняття, формування задуму за допомогою ШІ, роботизоване виконання та безперервний збір даних в одну систему зворотного зв’язку. Якщо така інфраструктура працюватиме в достатньому масштабі й із належною надійністю, лабораторія стане формою експериментальних обчислень. А контроль над цим шаром може виявитися не менш важливим, ніж контроль над моделлю, яка генерує наукові гіпотези.