AI模型現時可以高速提出分子、藥物靶點及生物學假說，速度遠遠超過一般實驗室可以合成和測試的能力。MegaRobo（鎂伽科技）的核心判斷是：這種落差意味着，AI科研及藥物發現下一步的關鍵限制，未必是再增加算力或訓練更複雜的模型，而是能否建立足夠可靠的實驗基建。59

公司提出的答案，是一個 「lab-in-the-loop」實驗室閉環：由儀器和機械人產生可信證據，再由AI解讀結果，並自動決定下一輪應該進行甚麼實驗。

真正稀缺的，是經驗證的生物數據

模型預測蛋白質結構、分子結合、療效、毒性或臨床反應，並不等於已經完成藥物研發。它只是一個需要在現實世界接受測試的假說。

問題在於，生物學證據既難以標準化，亦很難由一個研發階段直接套用到另一個階段。簡化測試中的結果，未必能準確預測較複雜生物系統、動物甚至病人身上會發生甚麼事。

因此，真正有價值的數據集，不只是儲存一堆分子結構，而是要將不同階段的實驗條件和測量結果連接起來，包括篩選、劑量反應、療效、安全性、藥理，以及最終的臨床結果。

MegaRobo將問題理解為一項數據及工作流程挑戰：實驗必須產生可信、結構化，而且保留完整背景的資料，讓模型可以直接使用；如果仍然依賴人手抄錄，或者不同實驗採用不一致的程序，數據在流程中就可能失去關鍵上下文。59

點解增加算力，仍然填補不了「實體驗證」缺口？

更強的模型可以列出和排序遠多於傳統實驗室處理能力的候選分子，但每一個候選仍然要在現實環境中驗證。這涉及對照組、可重複的樣本處理、校準儀器、品質檢查，以及完整可追溯的實驗元數據。

人類研究人員仍然不可或缺，尤其是在科學判斷、處理例外情況和解讀非典型結果方面。不過，以人手為主的工作流程始終受制於人力、排期、儀器使用時間、處理量和操作差異。

自動化可以將實驗規模大幅推高。例如，一個機械人定量高通量篩選平台，三年間從超過120項測試產生逾600萬條濃度—反應曲線。33

這個例子並不代表所有實驗都可以自動化，更不代表數量越多就一定會產生有用知識。它反映的是：當AI可以提出數以百萬計的候選方案，實體執行層的重要性就會與模型層看齊。只有在一致地執行、並以適合分析的格式記錄下來的實驗，才可以真正成為AI的學習材料。

MegaRobo的「感知—構思—執行」架構

MegaRobo將其系統描述為三個相互連接的部分：

• 感知（Perception）：儀器、影像系統、機器視覺、樣本識別和各類感測器，負責觀察實驗室狀態及收集結果。
• 構思（Conception）：AI模型或智能代理解讀結果、選擇實驗，並推理下一步應該測試甚麼。
• 執行（Execution）：機械臂、液體處理設備、培養箱、測試系統及流程控制設備，實際完成指定程序。

重點不在於任何一件獨立設備，而在於三者之間能否真正接通。在閉環實驗室中，實驗結果要以機器可讀的方式保存，並在足夠短的時間內交回規劃系統，影響下一輪實驗。

MegaRobo表示，其鯤鵬實驗室結合機械人、自動化和AI，同時為AI科研應用累積數據。9 近期對其設施的描述亦提到，AI代理可以協調機械臂、培養箱和液體處理工作站，並將實體測試結果交回系統，作為下一輪實驗決策的依據。4

由「自動化實驗」走向「為機器而設」的儀器

MegaRobo的發展路線，可以理解為由自動化單一工作，逐步走向以自主機器運作為核心，重新設計整個實驗室。

1.0階段：先自動化重複工作

第一步是較傳統的實驗室自動化：將重複程序標準化和自動化，以提升處理量、一致性和數據收集能力。這是日後建立自主系統的營運基礎。

2.0階段：在高要求工業環境證明可靠性

第二步，是證明感知、控制和執行能力可以應付嚴格的工業要求。MegaRobo的業務涵蓋生命科學和製造業，亦包括面向工業環境的機器視覺及自動化系統。公司公開資料所述的業務範圍，亦包括實驗室自動化、生命科學及先進製造。68

背後的邏輯很直接：一個自主科研系統不能只在示範中表現亮眼。它還要能正確識別樣本、一致地執行程序、及早發現失誤，並完整記錄到底發生過甚麼事。

3.0階段：儀器由一開始就為AI代理而設

最後一步，是令儀器原生支援AI代理，而不是把機械人當成人類設計設備上的附加功能。按照MegaRobo的構想，工具應該能提供機器可讀的狀態、直接接受指令、處理日常例外，並成為持續實驗閉環的一部分。5

這種轉變，比起單純用機械人取代人手移液，深一層得多。它意味着要重新設計實驗室的接口、流程規範和數據架構，讓自主系統可以由規劃到執行，再到結果回饋，一氣呵成。

點解實驗室會變成「實驗算力」？

在這個模式下，實驗室不再只是科學家進行程序的地方，而是一個將計算機提出的方案轉化為證據，再將證據轉化為更好方案的系統。

這令實體基建同時成為策略瓶頸和競爭壁壘。MegaRobo所主張的優勢，未必是擁有每一個最強科學模型，而是掌握模型與實驗世界之間的接口，讓模型可以：

1. 觀察實驗室狀態；
2. 將科學目標轉化為可以執行的程序；
3. 取得一致及經驗證的結果；
4. 持續累積專有、高質素的實驗數據。

這幾個步驟整合得越緊密，每一輪實驗的價值就越高。一個彼此割裂的模型，只可以建議應該測試甚麼；一個真正連接起來的系統，則可以執行測試、解讀結果，再以較少延誤和較少資訊流失的方式啟動下一輪實驗。

AI藥物投資熱潮，反而突顯驗證的重要性

AI藥物研發吸引大量資金，顯示投資者對這個方向有濃厚興趣，但資金和計算能力，並不能抹走「候選藥物」與「臨床成功藥物」之間的距離。

英矽智能（Insilico Medicine）在2025年12月於香港上市，集資約2.93億美元；公司上市文件則表示，截至相關截止日期，其候選藥物尚未有任何一款商業化。1719

這並不代表AI藥物研發已經失敗，而是說明資本、計算設計和臨床商業化，處於一條漫長研發路線的不同位置。MegaRobo正是利用這個落差，支持其基建論述：產生候選方案只是其中一環，可靠測試及轉化驗證仍然不可取代。

自主實驗室仍然有其極限

一個更快的閉環實驗室，不能單靠自己解決轉化醫學中最棘手的不確定性。它無法保證模型在生物學上一定正確，亦無法保證動物實驗結果能夠轉化到人體，更不能保證候選藥物通過臨床試驗。

自主系統本身亦帶來新的要求，包括穩健的安全控制、異常處理、審計紀錄，以及人類監督。實驗室能夠在沒有人站在儀器旁邊的情況下完成一套程序，並不等於它已經完全自主。更高程度的自主性，要求系統可以完成科學方法的一個循環、解讀日常分析結果，並只在出現異常時尋求人手介入。1

所以，MegaRobo的主張應該理解為一項支援科研的基礎設施主張，而不是「AI可以自動批准新藥」的承諾。如果AI生成假說的速度繼續超越實驗驗證，能夠持續產生可重複、互相連接及機器可讀證據的機構，或許會決定哪些模型最終真正具備科學價值。

結論：模型之下，還有一層實驗世界

MegaRobo的核心論點是，AI科研下一個競爭層，將位於模型與實體世界之間。算力可以擴大搜尋範圍，算法可以改善候選方案排序，但兩者都不能取代用來判斷假說真偽的實驗。

「lab-in-the-loop」就是公司提出的解法：將感知、AI驅動的構思、機械人執行和持續數據收集，整合成一個反饋系統。如果這種基建可以在足夠大規模及可靠的水平運作，實驗室就會變成一種「實驗算力」；而誰能掌握這一層，重要性可能不亞於誰擁有產生科研假說的模型。

AI模型現時可以高速提出分子、藥物靶點及生物學假說，速度遠遠超過一般實驗室可以合成和測試的能力。MegaRobo（鎂伽科技）的核心判斷是：這種落差意味着，AI科研及藥物發現下一步的關鍵限制，未必是再增加算力或訓練更複雜的模型，而是能否建立足夠可靠的實驗基建。59

公司提出的答案，是一個 「lab-in-the-loop」實驗室閉環：由儀器和機械人產生可信證據，再由AI解讀結果，並自動決定下一輪應該進行甚麼實驗。

真正稀缺的，是經驗證的生物數據

模型預測蛋白質結構、分子結合、療效、毒性或臨床反應，並不等於已經完成藥物研發。它只是一個需要在現實世界接受測試的假說。

問題在於，生物學證據既難以標準化，亦很難由一個研發階段直接套用到另一個階段。簡化測試中的結果，未必能準確預測較複雜生物系統、動物甚至病人身上會發生甚麼事。

因此，真正有價值的數據集，不只是儲存一堆分子結構，而是要將不同階段的實驗條件和測量結果連接起來，包括篩選、劑量反應、療效、安全性、藥理，以及最終的臨床結果。

MegaRobo將問題理解為一項數據及工作流程挑戰：實驗必須產生可信、結構化，而且保留完整背景的資料，讓模型可以直接使用；如果仍然依賴人手抄錄，或者不同實驗採用不一致的程序，數據在流程中就可能失去關鍵上下文。59

點解增加算力，仍然填補不了「實體驗證」缺口？

更強的模型可以列出和排序遠多於傳統實驗室處理能力的候選分子，但每一個候選仍然要在現實環境中驗證。這涉及對照組、可重複的樣本處理、校準儀器、品質檢查，以及完整可追溯的實驗元數據。

人類研究人員仍然不可或缺，尤其是在科學判斷、處理例外情況和解讀非典型結果方面。不過，以人手為主的工作流程始終受制於人力、排期、儀器使用時間、處理量和操作差異。

自動化可以將實驗規模大幅推高。例如，一個機械人定量高通量篩選平台，三年間從超過120項測試產生逾600萬條濃度—反應曲線。33

這個例子並不代表所有實驗都可以自動化，更不代表數量越多就一定會產生有用知識。它反映的是：當AI可以提出數以百萬計的候選方案，實體執行層的重要性就會與模型層看齊。只有在一致地執行、並以適合分析的格式記錄下來的實驗，才可以真正成為AI的學習材料。

MegaRobo的「感知—構思—執行」架構

MegaRobo將其系統描述為三個相互連接的部分：

• 感知（Perception）：儀器、影像系統、機器視覺、樣本識別和各類感測器，負責觀察實驗室狀態及收集結果。
• 構思（Conception）：AI模型或智能代理解讀結果、選擇實驗，並推理下一步應該測試甚麼。
• 執行（Execution）：機械臂、液體處理設備、培養箱、測試系統及流程控制設備，實際完成指定程序。

重點不在於任何一件獨立設備，而在於三者之間能否真正接通。在閉環實驗室中，實驗結果要以機器可讀的方式保存，並在足夠短的時間內交回規劃系統，影響下一輪實驗。

MegaRobo表示，其鯤鵬實驗室結合機械人、自動化和AI，同時為AI科研應用累積數據。9 近期對其設施的描述亦提到，AI代理可以協調機械臂、培養箱和液體處理工作站，並將實體測試結果交回系統，作為下一輪實驗決策的依據。4

由「自動化實驗」走向「為機器而設」的儀器

MegaRobo的發展路線，可以理解為由自動化單一工作，逐步走向以自主機器運作為核心，重新設計整個實驗室。

1.0階段：先自動化重複工作

第一步是較傳統的實驗室自動化：將重複程序標準化和自動化，以提升處理量、一致性和數據收集能力。這是日後建立自主系統的營運基礎。

2.0階段：在高要求工業環境證明可靠性

第二步，是證明感知、控制和執行能力可以應付嚴格的工業要求。MegaRobo的業務涵蓋生命科學和製造業，亦包括面向工業環境的機器視覺及自動化系統。公司公開資料所述的業務範圍，亦包括實驗室自動化、生命科學及先進製造。68

背後的邏輯很直接：一個自主科研系統不能只在示範中表現亮眼。它還要能正確識別樣本、一致地執行程序、及早發現失誤，並完整記錄到底發生過甚麼事。

3.0階段：儀器由一開始就為AI代理而設

最後一步，是令儀器原生支援AI代理，而不是把機械人當成人類設計設備上的附加功能。按照MegaRobo的構想，工具應該能提供機器可讀的狀態、直接接受指令、處理日常例外，並成為持續實驗閉環的一部分。5

這種轉變，比起單純用機械人取代人手移液，深一層得多。它意味着要重新設計實驗室的接口、流程規範和數據架構，讓自主系統可以由規劃到執行，再到結果回饋，一氣呵成。

點解實驗室會變成「實驗算力」？

在這個模式下，實驗室不再只是科學家進行程序的地方，而是一個將計算機提出的方案轉化為證據，再將證據轉化為更好方案的系統。

這令實體基建同時成為策略瓶頸和競爭壁壘。MegaRobo所主張的優勢，未必是擁有每一個最強科學模型，而是掌握模型與實驗世界之間的接口，讓模型可以：

1. 觀察實驗室狀態；
2. 將科學目標轉化為可以執行的程序；
3. 取得一致及經驗證的結果；
4. 持續累積專有、高質素的實驗數據。

這幾個步驟整合得越緊密，每一輪實驗的價值就越高。一個彼此割裂的模型，只可以建議應該測試甚麼；一個真正連接起來的系統，則可以執行測試、解讀結果，再以較少延誤和較少資訊流失的方式啟動下一輪實驗。

AI藥物投資熱潮，反而突顯驗證的重要性

AI藥物研發吸引大量資金，顯示投資者對這個方向有濃厚興趣，但資金和計算能力，並不能抹走「候選藥物」與「臨床成功藥物」之間的距離。

英矽智能（Insilico Medicine）在2025年12月於香港上市，集資約2.93億美元；公司上市文件則表示，截至相關截止日期，其候選藥物尚未有任何一款商業化。1719

這並不代表AI藥物研發已經失敗，而是說明資本、計算設計和臨床商業化，處於一條漫長研發路線的不同位置。MegaRobo正是利用這個落差，支持其基建論述：產生候選方案只是其中一環，可靠測試及轉化驗證仍然不可取代。

自主實驗室仍然有其極限

一個更快的閉環實驗室，不能單靠自己解決轉化醫學中最棘手的不確定性。它無法保證模型在生物學上一定正確，亦無法保證動物實驗結果能夠轉化到人體，更不能保證候選藥物通過臨床試驗。

自主系統本身亦帶來新的要求，包括穩健的安全控制、異常處理、審計紀錄，以及人類監督。實驗室能夠在沒有人站在儀器旁邊的情況下完成一套程序，並不等於它已經完全自主。更高程度的自主性，要求系統可以完成科學方法的一個循環、解讀日常分析結果，並只在出現異常時尋求人手介入。1

所以，MegaRobo的主張應該理解為一項支援科研的基礎設施主張，而不是「AI可以自動批准新藥」的承諾。如果AI生成假說的速度繼續超越實驗驗證，能夠持續產生可重複、互相連接及機器可讀證據的機構，或許會決定哪些模型最終真正具備科學價值。

結論：模型之下，還有一層實驗世界

MegaRobo的核心論點是，AI科研下一個競爭層，將位於模型與實體世界之間。算力可以擴大搜尋範圍，算法可以改善候選方案排序，但兩者都不能取代用來判斷假說真偽的實驗。

「lab-in-the-loop」就是公司提出的解法：將感知、AI驅動的構思、機械人執行和持續數據收集，整合成一個反饋系統。如果這種基建可以在足夠大規模及可靠的水平運作，實驗室就會變成一種「實驗算力」；而誰能掌握這一層，重要性可能不亞於誰擁有產生科研假說的模型。