合作伙伴1 month ago
Opentrons 与 NVIDIA 开启 AI 驱动实验室新时代，将机器人转变为学习型科学家
在过去十年的大部分时间里，生命科学中的人工智能主要专注于预测。模型用于建议药物靶点、生成分子结构或分析海量生物数据集。然而，尽管洞察力飞速发展，实验执行却始终是一个瓶颈。将人工智能生成的假设转化为真实、可重复的实验室实验，这一过程仍然缓慢、昂贵，并且分散在不同的仪器和工作流程中。这一差距正在缩小。Opentrons 宣布与 NVIDIA 进行深度集成，旨在通过将实体人工智能直接引入日常实验室操作来解决这一问题。全球现实世界实验室机器人网络Opentrons 的独特优势在于规模。该公司运营着一个由超过 10,000 台标准化实验室机器人组成的全球网络，这些机器人部署在顶尖研究型大学和生物制药组织中。这些系统已经在基因组学、蛋白质组学、抗体发现和诊断学中自动化关键工作流程。通过集成 NVIDIA 的实体人工智能平台——NVIDIA Isaac 和 NVIDIA Cosmos——Opentrons 正在将这一现有设备基础转变为人工智能系统的活体训练场。实体人工智能模型现在可以直接从全球各地湿实验室的真实实验执行中学习，而不再主要依赖模拟数据。连接模拟与现实模拟长期以来对机器人技术和人工智能发展至关重要，但实验室环境带来了独特的复杂性。生物变异性、仪器差异、试剂行为和环境条件都会影响结果。通过将模拟与标准化的现实世界执行相结合，Opentrons 和 NVIDIA 正在弥合数字规划与物理结果之间的鸿沟。在实践中，人工智能系统可以提出实验设计、模拟结果、在 Opentrons 机器人上执行实验，并将结果反馈到模型训练中。随着时间的推移，这将创造出不仅能预测什么应该有效，更能理解在真实实验室环境中什么确实有效的人工智能代理。实现自主科学的闭环这一努力的关键部分是 NVIDIA 的生物人工智能堆栈，包括 BioNeMo，它为训练和部署用于生物发现的人工智能模型提供了基础。Opentrons 则提供了缺失的执行层——标准化、可重复且可编程的物理实验。两者结合，实现了一个持续学习循环。人工智能模型生成假设和实验计划。机器人在数千个实验室中一致地执行这些实验。结果被捕获为高质量的训练数据，并反馈给人工智能系统以优化下一次迭代。当规模扩大时，这个反馈循环有可能将发现时间线从数年压缩到数周。标准化为何重要实验室历来是异构环境。定制的自动化设置、专有仪器和手动流程使得大规模比较结果或重用数据变得困难。Opentrons 的方法通过标准化执行，同时保持开放和 API 驱动，扭转了这种局面。这种标准化使得实体人工智能模型能够在不同实验室间实现泛化。当实验在纽约、波士顿或巴塞尔以相同方式执行时，人工智能系统可以学习跨环境通用的模式，而不是过度拟合单一设置。对药物发现及其他领域的影响最直接的影响可能体现在...
