AI 模型如今可以快速提出候選分子、治療標靶與生物學假設，速度往往超過傳統實驗室的合成、檢測與驗證能力。MegaRobo 的判斷是：這種落差意味著，AI for Science（AI4S）與藥物研發下一步的決定性限制，未必是更多算力或更複雜的演算法，而是能把假設轉化為可靠證據的實驗基礎設施。59

公司提出的答案，是 lab-in-the-loop（實驗室在迴圈中）：由儀器與機器人產生可信證據，AI 解讀結果，再自動決定下一輪要做什麼實驗。

真正稀缺的不是分子，而是經驗證的生物學資料

模型對蛋白質結構、結合能力、療效、毒性或臨床反應的預測，仍然只是一個待驗證的命題，並不等於藥物研發成果。

問題在於，生物學證據難以標準化，也難以在不同研發階段之間直接轉移。簡化檢測中的結果，未必能預測更複雜的生物系統、動物模型，甚至人體內會發生什麼事。

因此，真正有價值的資料集不只是分子結構清單，而是能把實驗條件與測量結果串連起來的完整紀錄，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 將這視為資料與工作流程的問題：實驗必須產生可信、結構化且保留上下文的資訊，讓模型可以直接使用，而不會在人工抄錄、格式不一致或程序差異中遺失關鍵細節。59

為什麼更強的模型仍補不上「實體驗證」的缺口？

能力更強的模型可以生成或排序遠多於傳統實驗室負荷的候選方案，但每個候選仍須在真實世界中接受驗證。這包括適當對照、可重現的樣本處理、經校準的儀器、品質檢查，以及可追溯的實驗 metadata（中繼資料）。

人類研究人員仍然不可或缺，尤其是在科學判斷、異常處理與例外情況上。然而，以人工作業為核心的流程受到人力、排程、工作時段、處理量與操作差異限制。

自動化能把實驗規模推向另一個量級。例如，一套機器人定量高通量篩選平台，在三年內透過超過 120 項檢測產生逾 600 萬條濃度—反應曲線。33

這並不代表所有實驗都能自動化，也不代表資料越多就必然產生越有用的知識。但它說明了，當 AI 可以快速提出大量候選方案時，實體實驗層的重要性正與模型層相當：AI 能學到什麼，取決於實驗是否能一致執行，並以適合分析的形式被記錄下來。

MegaRobo 的「感知—構思—執行」架構

MegaRobo 將其系統描述為一個由三部分組成的閉環：

• 感知（Perception）：由儀器、影像、機器視覺、樣本識別與感測系統觀察實驗室狀態並擷取結果。
• 構思（Conception）：由 AI 模型或代理解讀結果、挑選實驗，並推理下一步應測試的方向。
• 執行（Execution）：由機械臂、液體處理設備、培養箱、分析系統與流程控制設備完成選定程序。

關鍵不在於任何單一設備，而在於它們是否真正連接起來。在閉環實驗室中，實驗結果必須能被機器讀取，並快速回傳規劃層，足以影響下一輪實驗。

MegaRobo 表示，其鯤鵬實驗室整合機器人、自動化與 AI，並在執行生命科學實驗的同時，累積可供 AI for Science 使用的資料。9

近期對 MegaRobo 設施的描述，也呈現出由 AI 代理協調機械臂、培養箱與液體處理工作站的場景；實體測試結果會再回饋後續的實驗決策。4

從自動化實驗流程，走向為機器設計的儀器

MegaRobo 的發展可理解為一條從「自動化工作」走向「以自主機器運作重新設計實驗室」的路徑。

1.0 階段：自動化可重複流程

第一步是傳統實驗室自動化：將重複性高的程序標準化並交由設備執行，以提升處理量、一致性與資料擷取能力。這是更高程度自主化的營運基礎。

2.0 階段：在高要求的工業環境驗證可靠性

第二步，是證明感知、控制與執行能力能達到嚴格的工業要求。MegaRobo 的業務涵蓋生命科學與製造業，包括應用於工業環境的機器視覺與自動化系統；公司公開資料也顯示，其業務橫跨實驗室自動化、生命科學與先進製造。68

這背後的邏輯很直接：自主科學系統不能只在展示中表現亮眼，還必須能正確識別樣本、穩定執行程序、偵測失敗，並留下可靠的操作紀錄。

3.0 階段：打造機器原生工具

最後一步，是讓儀器從設計之初就能被 AI 代理使用。與其把機器人視為為人類操作而設計的設備之外掛功能，MegaRobo 的構想是打造能提供機器可讀狀態、接受直接指令、處理常見例外，並成為連續實驗迴圈一部分的工具。5

這不只是把人工移液換成機械臂，而是重新設計實驗室的介面、協定與資料架構，使其以自主操作為中心。

為什麼實驗室會變成「實驗算力」？

在這個模式下，實驗室不再只是科學家執行程序的場所，而是一套把計算提案轉化為證據、再把證據轉化為更好提案的系統。

這讓實體基礎設施同時具備「策略瓶頸」與「差異化護城河」的可能性。MegaRobo 所主張的優勢，不一定是掌握每一個最先進的科學模型，而是掌握模型得以：

1. 觀察實驗室狀態；
2. 將科學目標轉化為可執行程序；
3. 取得一致且經驗證的結果；
4. 累積專有、高品質實驗資料；

的那一層介面。

這些步驟整合得越緊密，每一輪實驗的價值就越高。彼此分離的模型可以建議要測試什麼，但相互連接的系統能真正執行測試、解讀結果，並在較少延遲與資訊損失的情況下啟動下一輪實驗。

AI 藥物研發的資金熱潮，揭示了什麼？

AI 藥物研發持續獲得資本關注，但投資熱度不會消除「有前景的候選藥物」與「臨床成功藥物」之間的差距。

英矽智能（Insilico Medicine）於 2025 年 12 月在香港上市，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，其候選藥物尚無任何一項商業化。1719

這並不能證明 AI 藥物研發已經失敗，卻清楚說明資本、計算設計與臨床商業化位於漫長研發路徑的不同位置。MegaRobo 正是利用這段落差支持其基礎設施論點：提出候選方案只是流程的一部分，可靠測試與轉譯驗證仍不可取代。

自主實驗室仍有明確限制

更快的閉環實驗室，無法自行消除轉譯醫學最棘手的不確定性。它不能保證模型在生物學上正確，也不能保證動物實驗結果能適用於人類，更不能保證候選藥物會在臨床試驗中成功。

自主系統本身也帶來新的要求，包括穩健的安全控制、異常處理、稽核軌跡與人類監督。科學發現實驗室並不是只要能在研究人員不站在儀器旁邊時執行程序，就稱得上完全自主；更高程度的自主化，還要求系統能完成科學方法的至少一個循環、解讀例行分析，並只在出現異常時要求人員介入。1

因此，MegaRobo 的主張應被理解為對「使能型基礎設施」的判斷，而不是自動核准藥物的承諾。如果 AI 生成假設的速度持續超越實驗驗證，能夠產生可重複、相互連接且機器可讀證據的組織，或許將決定哪些模型最終能在科學上真正派上用場。

結論：模型之外，下一場競爭在實驗室

MegaRobo 的核心論點是，AI for Science 的下一個競爭層，將位於模型與實體世界之間。算力可以擴大搜尋範圍，演算法可以改善候選排序，但兩者都不能取代用來確認假設真偽的實驗。

「實驗室在迴圈中」是公司的解方：把感知、AI 驅動的構思、機器人執行與持續資料擷取整合成單一回饋系統。若這套基礎設施能以足夠的規模與可靠性運作，實驗室就會成為一種「實驗算力」；而掌握這一層，重要性可能不亞於掌握提出科學假設的模型。

AI 模型如今可以快速提出候選分子、治療標靶與生物學假設，速度往往超過傳統實驗室的合成、檢測與驗證能力。MegaRobo 的判斷是：這種落差意味著，AI for Science（AI4S）與藥物研發下一步的決定性限制，未必是更多算力或更複雜的演算法，而是能把假設轉化為可靠證據的實驗基礎設施。59

公司提出的答案，是 lab-in-the-loop（實驗室在迴圈中）：由儀器與機器人產生可信證據，AI 解讀結果，再自動決定下一輪要做什麼實驗。

真正稀缺的不是分子，而是經驗證的生物學資料

模型對蛋白質結構、結合能力、療效、毒性或臨床反應的預測，仍然只是一個待驗證的命題，並不等於藥物研發成果。

問題在於，生物學證據難以標準化，也難以在不同研發階段之間直接轉移。簡化檢測中的結果，未必能預測更複雜的生物系統、動物模型，甚至人體內會發生什麼事。

因此，真正有價值的資料集不只是分子結構清單，而是能把實驗條件與測量結果串連起來的完整紀錄，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 將這視為資料與工作流程的問題：實驗必須產生可信、結構化且保留上下文的資訊，讓模型可以直接使用，而不會在人工抄錄、格式不一致或程序差異中遺失關鍵細節。59

為什麼更強的模型仍補不上「實體驗證」的缺口？

能力更強的模型可以生成或排序遠多於傳統實驗室負荷的候選方案，但每個候選仍須在真實世界中接受驗證。這包括適當對照、可重現的樣本處理、經校準的儀器、品質檢查，以及可追溯的實驗 metadata（中繼資料）。

人類研究人員仍然不可或缺，尤其是在科學判斷、異常處理與例外情況上。然而，以人工作業為核心的流程受到人力、排程、工作時段、處理量與操作差異限制。

自動化能把實驗規模推向另一個量級。例如，一套機器人定量高通量篩選平台，在三年內透過超過 120 項檢測產生逾 600 萬條濃度—反應曲線。33

這並不代表所有實驗都能自動化，也不代表資料越多就必然產生越有用的知識。但它說明了，當 AI 可以快速提出大量候選方案時，實體實驗層的重要性正與模型層相當：AI 能學到什麼，取決於實驗是否能一致執行，並以適合分析的形式被記錄下來。

MegaRobo 的「感知—構思—執行」架構

MegaRobo 將其系統描述為一個由三部分組成的閉環：

• 感知（Perception）：由儀器、影像、機器視覺、樣本識別與感測系統觀察實驗室狀態並擷取結果。
• 構思（Conception）：由 AI 模型或代理解讀結果、挑選實驗，並推理下一步應測試的方向。
• 執行（Execution）：由機械臂、液體處理設備、培養箱、分析系統與流程控制設備完成選定程序。

關鍵不在於任何單一設備，而在於它們是否真正連接起來。在閉環實驗室中，實驗結果必須能被機器讀取，並快速回傳規劃層，足以影響下一輪實驗。

MegaRobo 表示，其鯤鵬實驗室整合機器人、自動化與 AI，並在執行生命科學實驗的同時，累積可供 AI for Science 使用的資料。9

近期對 MegaRobo 設施的描述，也呈現出由 AI 代理協調機械臂、培養箱與液體處理工作站的場景；實體測試結果會再回饋後續的實驗決策。4

從自動化實驗流程，走向為機器設計的儀器

MegaRobo 的發展可理解為一條從「自動化工作」走向「以自主機器運作重新設計實驗室」的路徑。

1.0 階段：自動化可重複流程

第一步是傳統實驗室自動化：將重複性高的程序標準化並交由設備執行，以提升處理量、一致性與資料擷取能力。這是更高程度自主化的營運基礎。

2.0 階段：在高要求的工業環境驗證可靠性

第二步，是證明感知、控制與執行能力能達到嚴格的工業要求。MegaRobo 的業務涵蓋生命科學與製造業，包括應用於工業環境的機器視覺與自動化系統；公司公開資料也顯示，其業務橫跨實驗室自動化、生命科學與先進製造。68

這背後的邏輯很直接：自主科學系統不能只在展示中表現亮眼，還必須能正確識別樣本、穩定執行程序、偵測失敗，並留下可靠的操作紀錄。

3.0 階段：打造機器原生工具

最後一步，是讓儀器從設計之初就能被 AI 代理使用。與其把機器人視為為人類操作而設計的設備之外掛功能，MegaRobo 的構想是打造能提供機器可讀狀態、接受直接指令、處理常見例外，並成為連續實驗迴圈一部分的工具。5

這不只是把人工移液換成機械臂，而是重新設計實驗室的介面、協定與資料架構，使其以自主操作為中心。

為什麼實驗室會變成「實驗算力」？

在這個模式下，實驗室不再只是科學家執行程序的場所，而是一套把計算提案轉化為證據、再把證據轉化為更好提案的系統。

這讓實體基礎設施同時具備「策略瓶頸」與「差異化護城河」的可能性。MegaRobo 所主張的優勢，不一定是掌握每一個最先進的科學模型，而是掌握模型得以：

1. 觀察實驗室狀態；
2. 將科學目標轉化為可執行程序；
3. 取得一致且經驗證的結果；
4. 累積專有、高品質實驗資料；

的那一層介面。

這些步驟整合得越緊密，每一輪實驗的價值就越高。彼此分離的模型可以建議要測試什麼，但相互連接的系統能真正執行測試、解讀結果，並在較少延遲與資訊損失的情況下啟動下一輪實驗。

AI 藥物研發的資金熱潮，揭示了什麼？

AI 藥物研發持續獲得資本關注，但投資熱度不會消除「有前景的候選藥物」與「臨床成功藥物」之間的差距。

英矽智能（Insilico Medicine）於 2025 年 12 月在香港上市，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，其候選藥物尚無任何一項商業化。1719

這並不能證明 AI 藥物研發已經失敗，卻清楚說明資本、計算設計與臨床商業化位於漫長研發路徑的不同位置。MegaRobo 正是利用這段落差支持其基礎設施論點：提出候選方案只是流程的一部分，可靠測試與轉譯驗證仍不可取代。

自主實驗室仍有明確限制

更快的閉環實驗室，無法自行消除轉譯醫學最棘手的不確定性。它不能保證模型在生物學上正確，也不能保證動物實驗結果能適用於人類，更不能保證候選藥物會在臨床試驗中成功。

自主系統本身也帶來新的要求，包括穩健的安全控制、異常處理、稽核軌跡與人類監督。科學發現實驗室並不是只要能在研究人員不站在儀器旁邊時執行程序，就稱得上完全自主；更高程度的自主化，還要求系統能完成科學方法的至少一個循環、解讀例行分析，並只在出現異常時要求人員介入。1

因此，MegaRobo 的主張應被理解為對「使能型基礎設施」的判斷，而不是自動核准藥物的承諾。如果 AI 生成假設的速度持續超越實驗驗證，能夠產生可重複、相互連接且機器可讀證據的組織，或許將決定哪些模型最終能在科學上真正派上用場。

結論：模型之外，下一場競爭在實驗室

MegaRobo 的核心論點是，AI for Science 的下一個競爭層，將位於模型與實體世界之間。算力可以擴大搜尋範圍，演算法可以改善候選排序，但兩者都不能取代用來確認假設真偽的實驗。

「實驗室在迴圈中」是公司的解方：把感知、AI 驅動的構思、機器人執行與持續資料擷取整合成單一回饋系統。若這套基礎設施能以足夠的規模與可靠性運作，實驗室就會成為一種「實驗算力」；而掌握這一層，重要性可能不亞於掌握提出科學假設的模型。