Opentrons & NVIDIA запускают новую эру лабораторий, работающих на основе ИИ, превращая роботов в ученых, способных к обучению

На протяжении большей части прошлого десятилетия искусственный интеллект в области жизни наук был сосредоточен на предсказании. Модели предлагают мишени для лекарств, генерируют молекулярные структуры или анализируют огромные биологические наборы данных. Но хотя понимание продвинулось быстро, выполнение экспериментов осталось узким местом. Перевод гипотез, сгенерированных ИИ, в реальные, воспроизводимые лабораторные эксперименты все еще медленный, дорогой и фрагментированный по инструментам и рабочим процессам.

Эта разница теперь сокращается. Opentrons объявила о глубокой интеграции с NVIDIA с целью решить эту проблему, введя физический ИИ直接 в повседневные лабораторные операции.

Глобальная сеть реальных лабораторных роботов

То, что делает Opentrons уникальным, – это масштаб. Компания эксплуатирует глобальный флот более 10 000 стандартизированных лабораторных роботов, развернутых в ведущих исследовательских университетах и биофармацевтических организациях. Эти системы уже автоматизируют критические рабочие процессы в геномике, протеомике, открытии антител и диагностике.

Интегрируя платформы физического ИИ от NVIDIA Isaac и NVIDIA Cosmos, Opentrons превращает эту базу в живую тренировочную площадку для систем ИИ. Вместо того, чтобы полагаться в основном на симулированные данные, физические модели ИИ могут теперь учиться напрямую из реального выполнения экспериментов в мокрых лабораториях по всему миру.

Мост между симуляцией и реальностью

Симуляция давно является необходимой для разработки робототехники и ИИ, но лаборатории вводят уникальную сложность. Биологическая вариативность, различия в инструментах, поведение реагентов и условия окружающей среды все влияют на результаты. Пaring симуляцию со стандартизированным реальным выполнением, Opentrons и NVIDIA закрывают цикл между цифровым планированием и физическими результатами.

На практике системы ИИ могут предложить экспериментальный дизайн, смоделировать результаты, выполнить эксперимент на роботах Opentrons и вернуть результаты обратно в обучение модели. Со временем это создает агентов ИИ, которые не только предсказывают, что должно работать, но и понимают, что на самом деле работает в реальных лабораторных условиях.

Закрытие цикла на автономную науку

Ключевым элементом этой работы является биологический стек ИИ от NVIDIA, включая BioNeMo, который обеспечивает основу для обучения и развертывания моделей ИИ для биологического открытия. Opentrons поставляет отсутствующий слой выполнения – стандартизированные, воспроизводимые и программируемые физические эксперименты.

Вместе это позволяет создать непрерывный цикл обучения. Модели ИИ генерируют гипотезы и экспериментальные планы. Роботы выполняют эти эксперименты последовательно на тысячах лабораторий. Результаты захватываются в качестве высококачественных данных для обучения и возвращаются обратно в системы ИИ для уточнения следующей итерации. Когда это масштабируется, этот цикл обратной связи имеет потенциал сжать сроки открытий с лет до недель.

Почему стандартизация имеет значение

Лаборатории исторически были неоднородными средами. Индивидуальные настройки автоматизации, проприетарные инструменты и ручные процессы делают трудным сравнение результатов или повторное использование данных в масштабе. Подход Opentrons переворачивает эту динамику, стандартизируя выполнение, оставаясь открытым и управляемым через API.

Эта стандартизация позволяет физическим моделям ИИ обобщать результаты на уровне лабораторий. Когда эксперименты выполняются одинаково в Нью-Йорке, Бостоне или Базеле, системы ИИ могут учиться закономерностям, которые сохраняются в разных средах, а не адаптироваться к единственной настройке.

Последствия для открытия лекарств и дальше

Немедленный эффект, вероятно, будет ощущаться в открытии лекарств, где экспериментальная производительность и воспроизводимость напрямую влияют на скорость и стоимость. Но последствия распространяются дальше. Автономное выполнение экспериментов может изменить, как разрабатываются диагностические средства, как биологические исследования подтверждаются, и как быстро новые терапии переходят от концепции к клинике.

Более широко, это партнерство сигнализирует о сдвиге в том, как ИИ применяется к науке. Вместо того, чтобы останавливаться на рекомендациях, системы ИИ начинают действовать – выполнять эксперименты, учиться на результатах и улучшать автономно. Это знаменует ранний, но значимый шаг к лабораториям, управляемым самостоятельно, где человеческие ученые сосредотачиваются на стратегии и интерпретации, а ИИ и робототехника занимаются выполнением в масштабе.

Взгляд на то, что ждет впереди

Opentrons и NVIDIA продемонстрируют эту концепцию публично на предстоящей Международной конференции и выставке SLAS, где они обсудят, как планирование, управляемое ИИ, и роботизированное выполнение сходятся. Посетители также будут иметь возможности внести свой вклад в реальные данные выполнения экспериментов, чтобы помочь обучить следующее поколение физических моделей ИИ.

Когда физический ИИ переходит от теории к практике, партнерства, подобные этому, подчеркивают более широкую тенденцию: будущее ИИ в науке не будет определяться только лучшими предсказаниями, но системами, которые могут проектировать, выполнять и учиться на своих собственных экспериментах – непрерывно, автономно и в глобальном масштабе.