Opentrons i NVIDIA uruchamiają nową erę laboratoriów wyposażonych w sztuczną inteligencję, zmieniając roboty w naukowców uczących się

Przez większą część minionego dziesięciolecia, sztuczna inteligencja w dziedzinie nauk biologicznych koncentrowała się na predykcji. Modele sugerują cele leków, generują struktury molekularne lub analizują ogromne biologiczne zestawy danych. Ale podczas gdy wgląd posunął się do przodu, wykonanie eksperymentów pozostało wąskim gardłem. Tłumaczenie hipotez wygenerowanych przez sztuczną inteligencję na rzeczywiste, powtarzalne eksperymenty laboratoryjne nadal jest powolne, drogie i rozproszone na instrumenty i przepływy pracy.

To lukę zaczyna zamykać Opentrons, który ogłosił głęboką integrację z NVIDIA (NVDA ) ukierunkowaną na rozwiązanie tego problemu, wprowadzając sztuczną inteligencję fizyczną bezpośrednio w codzienne laboratoryjne operacje.

Globalna sieć laboratoryjnych robotów rzeczywistego świata

To, co umieszcza Opentrons w unikalnej pozycji, to skala. Firma działa na globalnej flotylli ponad 10 000 zunifikowanych laboratoryjnych robotów rozmieszczonych w czołowych uniwersytetach badawczych i organizacjach biofarmaceutycznych. Te systemy już teraz automatyzują krytyczne przepływy pracy w genomice, proteomice, odkrywaniu przeciwciał i diagnostyce.

Poprzez integrację platform sztucznej inteligencji fizycznej NVIDIA — NVIDIA Isaac i NVIDIA Cosmos — Opentrons przekształca tę zainstalowaną bazę w żywe środowisko treningowe dla systemów sztucznej inteligencji. Zamiast polegać głównie na symulowanych danych, fizyczne modele sztucznej inteligencji mogą teraz uczyć się bezpośrednio z rzeczywistej realizacji eksperymentów w laboratoriach na całym świecie.

Most między symulacją a rzeczywistością

Symulacja była zawsze niezbędna dla rozwoju robotyki i sztucznej inteligencji, ale laboratoria wprowadzają unikalną złożoność. Biologiczna zmienność, różnice w instrumentach, zachowanie odczynników i warunki środowiskowe wszystkie wpływają na wyniki. Łącząc symulację z zunifikowaną rzeczywistą realizacją, Opentrons i NVIDIA zamykają pętlę między cyfrowym planowaniem a fizycznymi wynikami.

W praktyce systemy sztucznej inteligencji mogą proponować projekt eksperymentu, symulować wyniki, wykonać eksperyment na robotach Opentrons i przekazać wyniki z powrotem do treningu modelu. Z czasem tworzy to agenci sztucznej inteligencji, którzy nie tylko przewidują, co powinno działać, ale rozumieją, co działa w rzeczywistych środowiskach laboratoryjnych.

Zamknięcie pętli w nauce autonomicznej

Kluczowym elementem tego wysiłku jest biologiczny stos sztucznej inteligencji NVIDIA, w tym BioNeMo, który zapewnia podstawę do treningu i wdrożenia modeli sztucznej inteligencji do odkryć biologicznych. Opentrons dostarcza brakującą warstwę wykonania — zunifikowane, powtarzalne i programowalne eksperymenty fizyczne.

Razem to umożliwia ciągły cykl uczenia. Modele sztucznej inteligencji generują hipotezy i plany eksperymentów. Roboty wykonują te eksperymenty w sposób spójny w tysiącach laboratoriów. Wyniki są rejestrowane jako wysokiej jakości dane treningowe i przekazywane z powrotem do systemów sztucznej inteligencji, aby udoskonalić następną iterację. Gdy jest to skalowane, ta pętla sprzężenia zwrotnego ma potencjał skrócenia czasu odkryć z lat do tygodni.

Dlaczego standardy są ważne

Laboratoria historycznie były heterogenicznymi środowiskami. Niestandardowe zestawy automatyzacji, instrumenty własnościowe i procesy ręczne utrudniają porównywanie wyników lub ponowne wykorzystywanie danych w skali. Podejście Opentrons odwraca tę dynamikę, standardyzując wykonanie, pozostając otwartym i napędzanym przez API.

To standardy są tym, co pozwala modelom sztucznej inteligencji fizycznej uogólniać na laboratoria. Gdy eksperymenty są wykonywane w ten sam sposób w Nowym Jorku, Bostonie czy Bazylei, systemy sztucznej inteligencji mogą uczyć się wzorców, które obowiązują w różnych środowiskach, zamiast dostosowywać się do jednego zestawu.

Wpływ na odkrywanie leków i więcej

Najbliższy wpływ prawdopodobnie zostanie odczuty w odkrywaniu leków, gdzie przejrzystość eksperymentów i powtarzalność bezpośrednio wpływają na szybkość i koszt. Ale wpływ sięga dalej. Autonomiczna realizacja eksperymentów mogłaby przekształcić, jak diagnostyka jest rozwijana, jak badania biologiczne są walidowane i jak szybko nowe terapie przechodzą od koncepcji do kliniki.

Szerzej, to partnerstwo sygnalizuje zmianę w tym, jak sztuczna inteligencja jest stosowana w nauce. Zamiast zatrzymać się na rekomendacjach, systemy sztucznej inteligencji zaczynają działać — prowadząc eksperymenty, ucząc się z wyników i udoskonalając autonomię. To oznacza wczesny, ale znaczący krok w kierunku samodzielnych laboratoriów, w których naukowcy koncentrują się na strategii i interpretacji, podczas gdy sztuczna inteligencja i robotyka zajmują się wykonaniem w skali.

Zapowiedź tego, co nadchodzi

Opentrons i NVIDIA zaprezentują tę wizję publicznie na nadchodzącej konferencji i wystawie SLAS International, gdzie omówią, jak planowanie napędzane przez sztuczną inteligencję i wykonanie robocze konwergują. Uczestnicy będą mieli również okazję przyczynić się do realizacji eksperymentów, aby pomóc w szkoleniu następnej generacji modeli sztucznej inteligencji fizycznej.

Podczas gdy sztuczna inteligencja fizyczna przechodzi od teorii do praktyki, partnerstwa takie jak to podkreślają szerszy trend: przyszłość sztucznej inteligencji w nauce nie będzie określona przez lepsze predykcje, ale przez systemy, które mogą projektować, prowadzić i uczyć się z własnych eksperymentów — ciągle, autonomicznie i w skali globalnej.