Як Сінгапур за допомогою ШІ скорочує шлях від лабораторної ідеї до готового продукту

Сінгапур розглядає штучний інтелект для науки не просто як інструмент для швидшого пошуку статей чи прогнозування молекул. Національний дослідницький фонд Сінгапуру (NRF) виділив S$120 млн на вісім проєктів, покликаних інтегрувати ШІ в увесь науковий цикл — від формування гіпотез і вибору експериментів до аналізу результатів, перевірки програмного забезпечення та створення технологій, які можна випробувати за межами лабораторії. Програму офіційно запустили 16 червня 2026 року.

Ключова відмінність тут — між прискоренням відкриття та доведенням технології до практичного застосування. Проєкти мають скоротити цей розрив, але обіцяні матеріали, каталізатори, діагностичні інструменти й програмне забезпечення поки що залишаються дослідницькими цілями, а не готовими комерційними продуктами. Кілька ініціатив розраховані на чотири-п’ять років.

Materials Data Foundry: як подолати головну проблему ШІ у виробництві

ШІ може визначити матеріал, який виглядає перспективним у комп’ютерній симуляції. Але це ще не означає, що його можна стабільно виготовляти у великих масштабах або що він матиме заявлені моделлю властивості. Саме на цю проблему — перехід від прогнозу до виробництва — орієнтована лабораторія Materials Data Foundry вартістю S$10 млн, створена Національним університетом Сінгапуру (NUS) спільно з Acceleration Consortium Торонтського університету.

Запланована лабораторія поєднає ШІ, роботизовані системи та вимірювання безпосередньо під час експерименту у відкритій автономній лабораторії. Замість того щоб покладатися лише на опубліковані дані про властивості матеріалів, вона генеруватиме експериментальні дані, які пов’язують умови синтезу з реальною ефективністю матеріалу. Потім ці вимірювання зможуть покращувати моделі й підказувати, які експерименти провести далі — так утворюється замкнений цикл між прогнозом і фізичною перевіркою.

Серед заявлених цілей — проведення великої кількості експериментів і створення практичних, відтворюваних рецептур синтезу. Йдеться, зокрема, про матеріали для технологій, що виходять за межі традиційних кремнієвих рішень, квантові матеріали, електрокаталізатори для чистого водню та стійкі до корозії покриття. Отже, результатом має стати не просто перелік кандидатів, згенерованих ШІ, а докази того, як перспективні матеріали реально виготовляти та оцінювати.

ШІ шукатиме каталізатори до початку експериментів

Окрема програма вартістю S$10 млн під керівництвом A*STAR та Імперського коледжу Лондона створить базову модель поверхневої науки й хмарну платформу для прогнозування властивостей каталізаторів та умов їх синтезу. Дослідження орієнтоване на чистіші види палива, сировину на основі вуглекислого газу та хімічні речовини біологічного походження.

В описі програми згадується мета прискорити комп’ютерний скринінг у 500 разів. Це показник швидкості відбору кандидатів, а не доказ того, що готове паливо чи хімічний процес з’явиться у 500 разів швидше. Тому заяви про розробку, яка буде «майже у п’ять разів швидшою та дешевшою», варто трактувати обережно, якщо вони стосуються іншого, подальшого етапу. Вирішальним стане те, чи працюватимуть відібрані за допомогою обчислень каталізатори в реальних експериментах і чи можна буде створити на їхній основі життєздатні промислові процеси.

Перевірка коду, створеного іншими системами ШІ

AI4S розглядає надійність програмного забезпечення як окрему науково-інженерну проблему. NUS та Імперський коледж розробляють інструменти міркування про програми, які зможуть аналізувати й тестувати код, формально перевіряти його властивості та, де можливо, доводити правильність. Інструменти планують випробувати на складному й відповідальному програмному забезпеченні, зокрема мережевих протоколах і компонентах ядра Linux.

Один із запропонованих сценаріїв — використання ШІ для аудиту коду, написаного іншими системами ШІ. Це може зробити програмування за допомогою ШІ надійнішим, однак автоматизований аналіз не є універсальною гарантією безпеки. Формальні методи можуть підтвердити конкретні властивості за визначених припущень, тоді як загальна надійність залежить також від якості специфікацій, тестів і середовища, у якому працює код.

Біомедицина: поєднання генетичних і клінічних даних

У медицині програма передбачає проєкти, які об’єднують дані, що дослідники часто аналізують окремо.

Проєкт MultiOmicsFM, який реалізують NUS та A*STAR, має створити базову модель, що спільно інтерпретуватиме дані ДНК, РНК та активності генів із багатонаціональних наборів даних Сінгапуру. Серед цілей — дослідження ризиків захворювань і вдосконалення розробки та доставки мРНК-терапій.

Інший напрям — BloodCounts! — передбачає створення моделі DeepCBC. Вона використовуватиме всі вихідні параметри загального аналізу крові разом із зображеннями мазків крові. Дослідники хочуть отримати більше діагностичної інформації зі звичного аналізу та перевірити, чи допоможе поєднання цих даних прогнозувати ризики таких станів, як інсульт і рак.

Це перспективні дослідницькі застосування, а не твердження, що звичайний аналіз крові вже сьогодні може діагностувати ці захворювання. Для клінічного використання знадобляться валідація, регуляторний розгляд і докази стабільної роботи моделі на різних групах пацієнтів та в різних медичних умовах.

Цифрові двійники для сільського господарства та стійкості до змін клімату

Ще один проєкт створить цифрові двійники сільськогосподарських земель Південно-Східної Азії. Такі віртуальні представлення поєднуватимуть дані спостережень із принципами агрономії, щоб формувати прогнози та інструменти для ухвалення рішень щодо посівів, використання ресурсів і ланцюгів постачання.

Акцент на наукових знаннях має значення. Цифровий двійник, який враховує агрономічні обмеження, може бути зрозумілішим і придатнішим для перевірки, ніж непрозорий прогноз. Водночас його користь залежатиме від якості, повноти та актуальності базових даних.

До портфеля з восьми ініціатив також входить проєкт зі створення інтерфейсів за допомогою ШІ для покращення перенесення енергії. Загалом програма охоплює матеріалознавство, обчислення, геноміку, медицину, енергетику, сільське господарство та кліматичну стійкість, а не один окремий комерційний сектор.

Замкнений цикл: від прогнозу ШІ до експерименту

Усі проєкти об’єднує схожа модель роботи:

1. ШІ шукає або пропонує гіпотези, матеріали, каталізатори, молекулярні конструкції, фрагменти коду чи сільськогосподарські рішення.
2. Фізичні або цифрові експерименти перевіряють ці пропозиції за допомогою автоматизованих лабораторій, вимірювань, аналізу програмного забезпечення чи моделей, наближених до польових умов.
3. Нові дані покращують систему, роблячи наступні прогнози точнішими та краще прив’язаними до спостережуваних результатів.
4. Профільні експерти визначають практичну цінність, зокрема чи можна масштабувати виробництво, чи є результат надійним, клінічно корисним або екологічно доцільним.

Materials Data Foundry найнаочніше демонструє цей підхід, оскільки її прямо створюють для поєднання прогнозів ШІ з автоматизованим синтезом і вимірюваннями. Та сама логіка працює у відборі каталізаторів, перевірці коду та біомедичному моделюванні: швидші прогнози мають цінність лише тоді, коли приводять до надійних доказів.

Навіщо Сінгапур інвестує в AI4S

Ініціатива є водночас стратегією розвитку талантів та інфраструктури. NRF прагне об’єднати дослідників ШІ з фахівцями у галузях матеріалознавства, біології та квантової науки. Одна з цілей — підготувати «двомовних» науковців, які розумітимуть і обчислювальні методи, і наукові проблеми, до яких їх застосовують.

У проєктах беруть участь сінгапурські установи, зокрема NUS, Наньянський технологічний університет (NTU) та A*STAR, а також міжнародні партнери — Торонтський університет, Імперський коледж Лондона, Кембриджський університет і Кіотський університет. Дві програми Імперського коледжу працюють через Imperial Global Singapore на кампусі CREATE, який є міжнародним центром досліджень та інновацій у Сінгапурі.

Така структура дає країні спосіб конкурувати у сфері досліджень на основі ШІ: фінансувати амбітні проєкти, створювати спільну експериментальну й цифрову інфраструктуру, залучати глобальних партнерів і готувати фахівців, здатних перекладати між мовою моделей та мовою лабораторій.

Яким буде справжній показник успіху

AI4S оцінюватимуть не за кількістю прогнозів, які генерують моделі, а за тим, що витримає перевірку реальністю. Найпереконливішими результатами стали б:

• відтворювані рецептури виробництва передових матеріалів;
• каталізатори, які ефективно працюють у реалістичних умовах;
• програмні інструменти з переконливими гарантіями правильності або надійності;
• біомедичні моделі, перевірені на відповідних даних і в клінічних умовах;
• сільськогосподарські інструменти, які на практиці покращують прогнози або планування ресурсів.

Отже, Сінгапур робить ставку на ШІ, поєднаний з експериментами, верифікацією та галузевою експертизою. Програма вартістю S$120 млн може зробити наукові відкриття системнішими й прискорити шлях від ідеї до прототипу. Але головне питання залишається відкритим: чи зможуть усі вісім дослідницьких проєктів перетворити перспективні прогнози за допомогою ШІ на масштабовані, безпечні та корисні технології.