AI có thể đưa ra giả thuyết, nhưng phòng thí nghiệm mới là nơi kiểm chứng

AI có thể đề xuất phân tử, mục tiêu tác động và giả thuyết sinh học với tốc độ mà các phòng thí nghiệm thông thường khó theo kịp. Nhưng một dự đoán về cấu trúc protein, khả năng liên kết, hiệu quả hoặc độc tính vẫn chỉ là một giả thuyết—chưa phải kết quả phát triển thuốc.

MegaRobo cho rằng sự mất cân đối này đang biến hạ tầng thí nghiệm, chứ không chỉ năng lực tính toán hay thuật toán, thành nút thắt quyết định của AI cho khoa học và khám phá thuốc. 59

Giải pháp công ty đề xuất là mô hình “lab-in-the-loop”—một hệ thống khép kín trong đó thiết bị và robot tạo ra bằng chứng đáng tin cậy, AI diễn giải bằng chứng ấy, rồi kết quả tự động định hướng cho vòng thí nghiệm tiếp theo.

Dữ liệu sinh học được kiểm chứng mới là nút thắt thật sự

Một mô hình có thể dự đoán cấu trúc protein hoặc xếp hạng hàng triệu ứng viên, nhưng những dự đoán đó vẫn phải được kiểm tra trong thế giới vật lý. Vấn đề là dữ liệu sinh học khó chuẩn hóa và khó chuyển giao giữa các giai đoạn.

Kết quả từ một phép thử đơn giản chưa chắc dự báo chính xác điều xảy ra trong hệ thống sinh học phức tạp hơn, trên động vật hoặc ở bệnh nhân. Vì vậy, bộ dữ liệu có giá trị không chỉ là danh sách các cấu trúc phân tử. Đó phải là hồ sơ liên kết được:

• điều kiện thí nghiệm và các phép đo;
• sàng lọc ban đầu và đáp ứng theo liều;
• hiệu quả và độ an toàn;
• dược lý học; và
• cuối cùng là kết quả lâm sàng.

Theo cách MegaRobo mô tả vấn đề, thí nghiệm phải tạo ra thông tin có cấu trúc, đáng tin cậy và giữ nguyên bối cảnh để mô hình có thể sử dụng. Việc ghi chép thủ công, nhập dữ liệu lặp lại hoặc quy trình thiếu nhất quán có thể làm thất thoát thông tin quan trọng. 59

Vì sao thêm năng lực tính toán không lấp được khoảng trống kiểm chứng vật lý?

Các mô hình mạnh hơn có thể tạo ra hoặc xếp hạng số lượng ứng viên lớn hơn rất nhiều so với khả năng tổng hợp và kiểm tra của một phòng thí nghiệm truyền thống. Tuy nhiên, mỗi ứng viên vẫn cần được xác nhận trong điều kiện vật lý, với mẫu đối chứng, quy trình xử lý nhất quán, thiết bị được hiệu chuẩn, kiểm tra chất lượng và siêu dữ liệu có thể truy xuất.

Các nhà nghiên cứu vẫn giữ vai trò thiết yếu trong phán đoán khoa học và xử lý ngoại lệ. Nhưng quy trình do con người vận hành luôn bị giới hạn bởi nhân lực, lịch làm việc, thời gian chờ và sai khác giữa người thực hiện. Tự động hóa làm thay đổi quy mô của bài toán. Một nền tảng sàng lọc định lượng thông lượng cao bằng robot từng tạo ra hơn 6 triệu đường cong đáp ứng nồng độ từ trên 120 phép thử trong ba năm. 33

Con số này không có nghĩa mọi thí nghiệm đều có thể tự động hóa, hay số lượng dữ liệu lớn tự động tạo ra tri thức hữu ích. Nó cho thấy lớp vật lý đang trở nên quan trọng không kém lớp mô hình: AI chỉ có thể học tốt từ những thí nghiệm được thực hiện nhất quán và ghi nhận theo cách phù hợp cho phân tích.

Kiến trúc Perception–Conception–Execution của MegaRobo

MegaRobo mô tả hệ thống của mình như một vòng lặp gồm ba phần:

• Perception (cảm nhận): thiết bị đo, hình ảnh, thị giác máy, nhận diện mẫu và hệ thống cảm biến quan sát trạng thái phòng thí nghiệm, đồng thời thu thập kết quả.
• Conception (hình thành kế hoạch): mô hình hoặc tác nhân AI diễn giải kết quả, lựa chọn thí nghiệm và suy luận xem nên thử điều gì tiếp theo.
• Execution (thực thi): cánh tay robot, hệ thống xử lý chất lỏng, tủ ủ, thiết bị xét nghiệm và bộ điều khiển quy trình tiến hành các thao tác đã chọn.

Điểm quan trọng không nằm ở từng thiết bị riêng lẻ, mà ở sự kết nối giữa chúng. Trong một phòng thí nghiệm khép kín, kết quả phải ở dạng máy có thể đọc và được chuyển tới lớp lập kế hoạch đủ nhanh để tác động đến chu kỳ kế tiếp.

MegaRobo cho biết Kunpeng Laboratory kết hợp robot, tự động hóa và AI, đồng thời tích lũy dữ liệu cho các ứng dụng AI trong khoa học. 9 Những mô tả gần đây về các cơ sở của công ty cũng cho thấy các tác nhân AI điều phối cánh tay robot, tủ ủ và trạm xử lý chất lỏng; kết quả thử nghiệm vật lý sau đó được dùng để quyết định các bước tiếp theo. 4

Từ tự động hóa phòng thí nghiệm đến thiết bị “bản địa cho máy”

Lộ trình phát triển của MegaRobo có thể được hiểu là quá trình chuyển từ tự động hóa từng nhiệm vụ sang thiết kế lại toàn bộ phòng thí nghiệm cho hoạt động tự chủ của máy.

Giai đoạn 1.0: tự động hóa quy trình lặp lại

Bước đầu là tự động hóa phòng thí nghiệm theo cách truyền thống: chuẩn hóa và cơ giới hóa các thao tác lặp lại để tăng thông lượng, tính nhất quán và khả năng ghi nhận dữ liệu. Đây là nền tảng vận hành cho những hệ thống tự chủ hơn sau này.

Giai đoạn 2.0: chứng minh độ tin cậy trong môi trường công nghiệp

Bước thứ hai là chứng minh rằng năng lực cảm nhận, điều khiển và thực thi có thể đáp ứng yêu cầu khắt khe của công nghiệp. MegaRobo hoạt động trong cả lĩnh vực khoa học sự sống và sản xuất, bao gồm các hệ thống tự động hóa và thị giác máy cho môi trường công nghiệp. Tài liệu công khai của công ty mô tả hoạt động kinh doanh trải rộng từ tự động hóa phòng thí nghiệm, khoa học sự sống đến sản xuất tiên tiến. 68

Logic chiến lược khá rõ ràng: một hệ thống khoa học tự chủ không thể chỉ tạo ra màn trình diễn ấn tượng. Nó phải nhận diện đúng mẫu, thực hiện quy trình ổn định, phát hiện lỗi và lưu lại đáng tin cậy những gì đã xảy ra.

Giai đoạn 3.0: tạo công cụ cho máy thay vì cho con người

Bước cuối cùng là khiến thiết bị có thể được tác nhân AI sử dụng ngay từ bản chất thiết kế. Thay vì xem robot như phần bổ sung cho thiết bị vốn được thiết kế quanh thao tác của con người, tầm nhìn của MegaRobo là tạo ra những công cụ có trạng thái mà máy có thể đọc, nhận lệnh trực tiếp, tự xử lý các ngoại lệ thông thường và vận hành trong một vòng lặp thí nghiệm liên tục. 5

Đây là thay đổi sâu hơn nhiều so với việc thay thao tác hút pipet thủ công bằng một cánh tay robot. Nó đòi hỏi thiết kế lại giao diện, quy trình và kiến trúc dữ liệu của phòng thí nghiệm xoay quanh hoạt động tự chủ.

Vì sao phòng thí nghiệm có thể trở thành “năng lực tính toán thực nghiệm”?

Trong mô hình này, phòng thí nghiệm không chỉ là nơi nhà khoa học thực hiện quy trình. Nó là một hệ thống biến đề xuất tính toán thành bằng chứng, rồi biến bằng chứng thành đề xuất tốt hơn.

Điều đó khiến hạ tầng vật lý vừa có thể trở thành nút thắt chiến lược, vừa có thể tạo ra lợi thế khó sao chép. Lợi thế MegaRobo đề xuất không nhất thiết là sở hữu mọi mô hình khoa học. Đó có thể là quyền kiểm soát giao diện giúp các mô hình:

1. quan sát điều kiện trong phòng thí nghiệm;
2. chuyển mục tiêu khoa học thành quy trình có thể thực thi;
3. nhận kết quả nhất quán và đã được kiểm định; và
4. tích lũy dữ liệu thí nghiệm độc quyền, chất lượng cao.

Bốn bước càng được tích hợp chặt chẽ, mỗi chu kỳ thí nghiệm càng trở nên hữu ích. Một mô hình tách rời có thể đề xuất điều cần kiểm tra; một hệ thống kết nối có thể tiến hành kiểm tra, diễn giải kết quả và khởi động vòng tiếp theo với ít độ trễ và ít thất thoát thông tin hơn.

Làn sóng đầu tư AI cho khám phá thuốc nói lên điều gì?

Đà tăng đầu tư vào khám phá thuốc bằng AI cho thấy sự quan tâm mạnh mẽ của thị trường, nhưng không xóa bỏ khoảng cách giữa một ứng viên đầy hứa hẹn và một loại thuốc được thương mại hóa thành công.

Trong tháng 12 năm 2025, Insilico Medicine huy động khoảng 293 triệu USD trong đợt IPO tại Hong Kong. Tài liệu niêm yết của công ty cho biết, tại thời điểm chốt dữ liệu liên quan, chưa ứng viên thuốc nào của họ được thương mại hóa. 1719

Sự kết hợp này không chứng minh AI trong khám phá thuốc đã thất bại. Nó cho thấy vốn đầu tư, thiết kế phân tử bằng máy tính và thương mại hóa lâm sàng nằm ở những chặng khác nhau của một lộ trình dài. MegaRobo dùng khoảng cách đó để củng cố lập luận về hạ tầng: tạo ứng viên chỉ là một phần của quy trình; kiểm tra đáng tin cậy và xác thực khả năng chuyển từ phòng thí nghiệm sang điều trị vẫn không thể thiếu.

Phòng thí nghiệm tự chủ vẫn có giới hạn

Một phòng thí nghiệm khép kín nhanh hơn không thể tự mình giải quyết những bất định khó nhất của y học chuyển giao. Nó không thể bảo đảm mô hình có giá trị sinh học, kết quả trên động vật sẽ phù hợp với con người, hay ứng viên sẽ thành công trong thử nghiệm lâm sàng.

Các hệ thống tự chủ cũng tạo ra những yêu cầu riêng: kiểm soát an toàn, xử lý bất thường, nhật ký kiểm toán và giám sát của con người. Một phòng thí nghiệm nghiên cứu chưa thể được xem là hoàn toàn tự chủ chỉ vì nó có thể chạy một quy trình mà không cần người đứng cạnh thiết bị. Những cấp độ tự chủ cao hơn đòi hỏi hệ thống hoàn thành được các chu kỳ khoa học và diễn giải kết quả thường lệ, đồng thời chuyển các tình huống bất thường cho con người xử lý. 1

Vì thế, lập luận của MegaRobo nên được hiểu là một luận điểm về hạ tầng tạo điều kiện, không phải lời hứa rằng thuốc sẽ được phê duyệt tự động. Nếu các giả thuyết do AI tạo ra tiếp tục vượt xa tốc độ kiểm chứng, những tổ chức có khả năng tạo ra bằng chứng nhất quán, liên kết và máy có thể đọc sẽ có ảnh hưởng lớn đến việc mô hình nào thực sự trở nên hữu ích cho khoa học.

Kết luận

Theo MegaRobo, lớp cạnh tranh tiếp theo của AI cho khoa học sẽ nằm giữa mô hình và thế giới vật lý. Năng lực tính toán có thể mở rộng không gian tìm kiếm, còn thuật toán có thể cải thiện việc ưu tiên ứng viên; nhưng không yếu tố nào thay thế được các thí nghiệm cần thiết để xác định một giả thuyết có đúng hay không.

“Lab-in-the-loop” là giải pháp công ty đề xuất: kết hợp cảm nhận, hình thành kế hoạch bằng AI, thực thi bằng robot và thu thập dữ liệu liên tục trong một hệ thống phản hồi duy nhất. Nếu hạ tầng này đạt đủ quy mô và độ tin cậy, phòng thí nghiệm sẽ trở thành một dạng năng lực tính toán thực nghiệm—và quyền kiểm soát lớp hạ tầng đó có thể quan trọng không kém quyền kiểm soát mô hình tạo ra các giả thuyết.