Физический ИИ — крупнейший инвестиционный консенсус в технологиях в этом году. От автономного вождения до мировых моделей и ИИ для науки — капитал снова и снова возвращается к одному и тому же вопросу: как ИИ воздействует на физический мир? Автономное вождение и воплощенный ИИ развиваются стремительно. ИИ для науки и ИИ для открытия лекарств, несмотря на пару громких IPO, выглядят застрявшими. Последней холодной водой стали данные BCG: 60 миллиардов долларов, вложенных в ИИ-фармацевтику по всему миру, — ноль одобренных препаратов.
IPO Insilico Medicine в Гонконге в конце 2025 года стало пиком оптимизма. Почти одновременно Google DeepMind распустила команду, стоявшую за AlphaFold, после восьми стабильных лет, перенаправив AI4S в общую исследовательскую систему на базе Gemini. Некоторые биотехнологические компании откатились назад к CRO-работе, обслуживая действующие фармацевтические компании с помощью ИИ, а не изобретая новые лекарства. Разрыв между генерацией цифровых гипотез и физической верификацией гипотез увеличивается.
Узким местом больше не являются вычислительные мощности или алгоритмы. Это данные. AlphaFold сработал, потому что за полвека экспериментов были накоплены сотни тысяч высококачественных белковых структур. За пределами структур стена данных возвращается на каждом уровне: от структуры к эффективности, от эффективности к токсичности, от токсичности к клиническому ответу. Как выразился Дин Шэн, директор Центра открытия лекарств для глобального здравоохранения при Университете Цинхуа, архитектуры моделей и вычислительные мощности достаточно зрелы, но наше понимание базовых механизмов жизни все еще неполно.
Более глубокая проблема в том, что такие данные невозможно накопить силами исследователей-людей. Исследователь может проводить десятки экспериментов в день. ИИ нужны десятки миллионов. Единственный путь вперед — перепроектировать сам эксперимент: инструменты, которые генерируют данные, накапливают данные и замыкают цикл самостоятельно. MegaRobo, основанная в 2016 году, потратила последнее десятилетие на создание именно этого.
MegaRobo начинала с автоматизации лабораторных рабочих процессов в области наук о жизни и постепенно построила инфраструктуру, соединяющую физические эксперименты с ИИ. Основатель и генеральный директор Хуан Юйцин описывает автоматизацию как «освобождение людей от повторяющейся низкоценной работы и невозможной высокоточной работы», а затем добавление обучения и рассуждения. Полноценная архитектура PCE компании связывает Perception, Conception и Execution. Один фармацевтический клиент провел три полных цикла «проектирование-верификация-итерация» за шесть месяцев, снизив стоимость одного цикла примерно до одной двадцатой — одной тридцатой от традиционного цикла.
Инфраструктура была построена в три этапа. Этап 1.0 автоматизировал ручные рабочие процессы и дал MegaRobo глубокое понимание процессов в области наук о жизни. Этап 2.0 подверг цикл жестким испытаниям в полупроводниковом производстве, где требования к точности и выходу годных изделий безжалостны. Система контроля дефектов пластин Manavis теперь работает с уровнем пропусков ниже 0,05% и переобнаружением 0,1%, а точность классификации превышает 98%. Этап 3.0 перестраивает каждый продукт как AI-native с самого «кремния» — проектируя инструменты для потребления ИИ, а не для использования человеком. Компания, контролирующая цикл «восприятие-исполнение» в лаборатории, становится тем слоем, за вызов которого в конечном итоге платит каждая модель ИИ для науки.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Pandaily
