طريقة بـ78,000 دولار لتفويت الإجابة: لماذا نبني مختبرات ذاتية القيادة بدلًا من حملات فحص أكبر

أول مختبر ذاتي القيادة ساعدت يومًا في تصميمه لم يفشل بسبب الذكاء الاصطناعي، بل فشل بسبب جهاز مناولة سوائل.

كنا قد أمضينا أسابيع في بناء الجزء الذي يثير حماس الجميع — حلقة تحسين بايزي ملتفّة حول شبكة عصبية بيانية قادرة على التنبؤ بفجوة النطاق لبيروفسكيت هاليدي في أجزاء من الثانية بدلًا من انتظار أيام أمام فرن. في المحاكاة كان الأمر رائعًا. كانت دالة الاكتساب تختار التركيبات كما يرى محرك شطرنج النقلات. ثم دخلنا المختبر الفعلي لتوصيله بالأجهزة الفعلية، فتوقف كل شيء تمامًا أمام جهاز مناولة سوائل من طراز Hamilton عمره اثنا عشر عامًا، رفضت ملفات طرائقه التخاطب مع أي شيء ليس برنامج Hamilton الخاص به.

كان ذلك هو اليوم الذي فهمت فيه ما هو المختبر ذاتي القيادة في الحقيقة. إنه ليس نموذجًا ذكيًا. إنه حلقة مغلقة — صمّم تجربة، وشغّلها على أجهزة حقيقية، واقرأ النتيجة، وقرّر التجربة التالية، وكرّر — والحلقة ليست أقوى من أضعف روابطها وأكثرها مللًا. وعادةً ما يكون ذلك الرابط قطعة معدات من عام 2014 لم يُقصد يومًا أن تُؤتمَت على يد أي أحد سوى بائعها.

الجميع يريد الحديث عن أداة التحسين. لكن ما يقرر ما إذا كان مختبرك سيصبح ذاتي التشغيل هو ما إذا كان مطيافك ذو الخمسة عشر عامًا سيعيد رقمًا إلى عملية Python في الثالثة صباحًا.

أريد أن أستعرض لماذا أصبح الفحص عالي الإنتاجية — حصان العمل في البحث والتطوير الصناعي طوال ثلاثين عامًا — عتيقًا رياضيًا الآن، وما الذي يفعله المختبر الموجَّه بالذكاء الاصطناعي بدلًا منه، والهندسة غير البراقة التي تقرر ما إذا كان أحد هذه الأنظمة سيعمل فعلًا في مبناك. هذه هي المشكلة التي نبني حولها الآن المختبرات ذاتية القيادة، ومعظم ما يجعلها صعبة لا يشبه إطلاقًا ما توحي به المحاضرات في المؤتمرات.

لماذا أصبح الفحص عالي الإنتاجية عتيقًا فجأة؟

ابدأ برقم ينبغي أن يقلق أي رئيس بحث وتطوير. يُقدَّر عدد الجزيئات الصغيرة الشبيهة بالأدوية التي تلتزم بقواعد ليبينسكي — الكيمياء الأساسية لِـ "هذا قد يصبح حبة دواء" — بـ 10⁶⁰. أما حملة فحص عالي الإنتاجية كبيرة، من النوع الذي يكلّف الملايين في الروبوتات والكواشف، فتختبر نحو 10⁶ مركّب.

أجرِ القسمة. أنت تأخذ عيّنة من نحو 0.000000000000000000000000000000000000000000000000000001% من الفضاء. وادفع نحو المستحضرات الحيوية والسبائك متعددة العناصر، فيمتد الفضاء نحو 10¹⁰⁰، وهو أكثر من عدد الذرات في الكون المرئي.

المشكلة الأعمق ليست حتى في التغطية، بل في الافتراض الكامن تحتها. فالفحص يفترض أن الإجابة موجودة سلفًا في مكتبة مُصنَّعة مسبقًا على أحد الرفوف. أما بالنسبة لمادة جديدة حقًا — بيروفسكيت خالٍ من الرصاص، أو إلكتروليت صلب الحالة، أو إطار فلزي-عضوي جديد (MOF) — فإن التركيبة المثلى لم يصنعها أحد على الأرجح على الإطلاق. أنت لا تبحث في كومة قش عن إبرة، بل تبحث في كومة قش بحجم المحيط الهادئ عن إبرة لا يزال عليك أن تصوغها بنفسك.

هذا هو المحرك الكامن وراء قانون إيروم — أي قانون مور مكتوبًا بالعكس — الحقيقة الموثّقة جيدًا بأن إنتاجية البحث والتطوير في قطاع الأدوية قد انخفضت على مدى عقود حتى مع ارتفاع الإنفاق. فتطوير الدواء يتجاوز الآن ملياري دولار لكل أصل (Deloitte، 2024)، ونحو 90% من المرشحين يفشلون في التجارب السريرية، وانهار معدل العائد الداخلي لشركات الأدوية إلى أدنى مستوى في اثني عشر عامًا عند 1.2% في 2022 قبل أن يتعافى إلى 5.9% في 2024، ويعود ذلك إلى حد كبير إلى قوة عدد قليل من العناصر الشاذة من فئة GLP-1. والبحث بالقوة الغاشمة ضريبة على كل رقم من تلك الأرقام.

ما الذي تكلّفه القوة الغاشمة فعلًا في ميزانية حقيقية

إليك كيف يظهر هذا التقادم في ميزانية حقيقية، لأن التجريدات حول 10⁶⁰ لا تحرّك أحدًا.

تخيّل مختبر مواد متوسط الحجم يطارد بيروفسكيت هاليدي خالٍ من الرصاص بفجوة نطاق محددة وسمات استقرار معينة لخلايا شمسية من الجيل التالي. خمسة كاتيونات مرشحة، وثماني توليفات أنيونية، ونسب قياس متكافئ مستمرة — لنسمّها 10⁸ تركيبة قابلة للتطبيق. الطريقة التقليدية هي باحث ما بعد الدكتوراه يصنّع من ثلاث إلى خمس تركيبات في الأسبوع، مسترشدًا بالأدبيات وحدس مشرفه. وبنحو 150 دولارًا لكل عملية تصنيع بعد احتساب السلائف وتحضير الركيزة والتوصيف — بند رأيته يتراكم على أكثر من أمر شراء واحد — فذلك يعني 78,000 دولار على مدى عام لاختبار 520 تركيبة.

خمسمئة وعشرون من أصل مئة مليون. هذه نسبة 0.00052% من الفضاء، وقد لا يكون أفضل مرشح يظهره قريبًا على الإطلاق من الحد الأمثل الحقيقي.

في جانب الأدوية، الحساب نفسه يجري في مواجهة الساعة بدلًا من طاولة المختبر. لقد رأيت منطق الحلقة ذاته — تنبّأ أولًا، وصنّع فقط المرشحين الجديرين بالتصنيع — يضغط العمل ما قبل السريري الذي يستغرق تقليديًا من أربع إلى خمس سنوات إلى ما يقترب من الدورة التي أجرتها Exscientia لإدخال جزيء مصمَّم بالذكاء الاصطناعي إلى المرحلة الأولى في نحو اثني عشر شهرًا، مع خفض تكاليف البحث والتطوير ما قبل السريري بنسبة 25 إلى 50%. المبدأ نفسه، لكن مع مقام أكبر بكثير.

الآن شغّل المشكلة نفسها كمختبر ذاتي القيادة. تدرّب مسبقًا نموذجًا بديلًا من شبكة عصبية بيانية على 50,000 بنية بيروفسكيت محسوبة بنظرية دالة الكثافة (DFT) من Materials Project — قاعدة بيانات عامة لخصائص المواد المحسوبة — كي يتمكن النموذج من التنبؤ بفجوة النطاق وطاقة التكوين في أجزاء من الثانية. ثم تختار أداة تحسين بايزي تستخدم دالة اكتساب من نوع "التحسّن المتوقع" كل تجربة تالية وفق أحد معيارين: إما أن يكون الأداء المتوقع مرتفعًا، أو أن يكون عدم يقين النموذج هناك كبيرًا بما يكفي ليستحق الحسم. وهي تتجنب عمدًا مئات عمليات التشغيل التي كانت ستنتج بيانات تدريجية أو عديمة الفائدة.

يصل ذلك النظام إلى أعلى 0.1% من فضاء التركيبات في 80 إلى 120 تجربة مستهدفة، بتكلفة 12,000 إلى 18,000 دولار من الكواشف. المختبر نفسه، والأجهزة نفسها، والباحث نفسه — عدد أقل من التجارب بمقدار رتبة قدرية كاملة، وجزء ضئيل من التكلفة.

المكسب ليس في إجراء التجارب بسرعة أكبر، بل في عدم إجراء الأربعمئة تجربة التي كانت ستخبرك دائمًا بلا شيء.

ذلك التقليص بمقدار 10 إلى 50 ضعفًا في عدد التجارب اللازمة للوصول إلى الهدف ليس رقمًا تسويقيًا اخترعته؛ إنه الفجوة الثابتة بين التحسين البايزي والفحص العشوائي عبر أدبيات المواد. ولجانب التكلفة رقمه الخاص — فالتحسين البايزي المدرك للتكلفة (Cost-Informed Bayesian Optimization)، المنشور على ChemRxiv في 2024، يخفض تكلفة التحسين بنسبة تصل إلى 90% عبر معاملة سعر كل تجربة كجزء مما تحسّنه دالة الاكتساب، لا كأمر ثانوي لاحق.

لماذا توقفت عن الثقة بالنموذج وبدأت أقلق بشأن السباكة

عودةً إلى ذلك المناول من Hamilton.

حين ماتت حلقتنا المثالية في المحاكاة عند احتكاكها بالأجهزة الحقيقية، كانت غريزتي الأولى خاطئة. افترضت أنها حالة عابرة — سوء حظ مع جهاز قديم واحد. فكتبنا محوّلًا سريعًا، وجعلناه يعمل بصعوبة، ومضينا. ثم كان المختبر التالي يملك جهاز Tecan يعمل بـ FluentControl، والذي يليه يملك أجهزة Agilent تتحدث بلهجة ثالثة، ونظام LIMS ونظام ELN يخزّنان التجربة نفسها بصيغتين غير متوافقتين. في كل موقع، كان النموذج على ما يرام في اليوم الأول، والتكامل هو ما التهم الأسابيع التي تلته.

عندها أدركت الأمر: في المختبر ذاتي القيادة، الذكاء الاصطناعي ربما يمثل 20% من العمل. أما الـ 80% الأخرى فهي جعل أجهزة غير متجانسة، وقديمة في كثير من الأحيان، تتصرف كنظام واحد قابل للبرمجة. والمختبرات تنجو من هذا اليوم بهدوء عبر تحويل الناس إلى برمجية وسيطة بشرية — عالِم يعيد إدخال الأرقام من مطياف إلى جدول بيانات ثم إلى نظام LIMS — وهي بالضبط الخطوة اليدوية المعرّضة للأخطاء التي كان يُفترض بالأتمتة أن تزيلها.

الحل الصادق هو SiLA 2، وهو معيار أتمتة المختبرات المقصود منه منح الأجهزة لغة مشتركة. لكن كلمة "معيار" تبالغ في وصفه. فكل توليفة أجهزة هي مشروع تكامل قائم بذاته. لذا بدأنا نكتب يدويًا حزم مشغّلات SiLA 2 لتغليف أجهزة قديمة محددة — بما فيها المناول ذو الاثني عشر عامًا — ونعامل طبقة المشغّلات تلك بوصفها ناتجًا من الدرجة الأولى، لا مجرد شيفرة لصق نعتذر عنها. إنها الجزء الذي يقرر ما إذا كان المختبر ذاتي التشغيل أم مجرد عرض توضيحي.

كان هناك درس تواضع تقني ثانٍ ينتظر في جانب النموذج أيضًا. في المرة الأولى التي تجاوز فيها بحث القياس المتكافئ بضع عشرات من المعاملات القابلة للضبط، تباطأت أداة التحسين لدينا القائمة على العملية الغاوسية النموذجية حتى صارت تزحف. فالتحسين البايزي القياسي القائم على العملية الغاوسية يتوسع بمقدار O(n³)؛ وفي مكان ما فوق ~50 بعدًا يتوقف ببساطة عن كونه قابلًا للاستخدام، ويتعين عليك الانتقال إلى تقريبات متفرقة — SVGP، والتعلم بالنواة العميقة — لا تتيحها معظم الأدوات الجاهزة. وأما النموذج البديل من الشبكة العصبية البيانية (GNN) الذي بدا بالغ الذكاء في مثال البيروفسكيت؟ فهو بلا قيمة وهو بارد. إنه يحتاج إلى 500 إلى 1000 بنية محسوبة بنظرية دالة الكثافة قبل أن تتفوق تنبؤاته على رمي عملة. ومشكلة البدء البارد ليست شيئًا تحله باختيار نموذج أفضل؛ إنها مشكلة تعلّم بالنقل تحلها بخبرة في المجال حول أي كيمياء مُدرَّبة مسبقًا ينبغي الضبط الدقيق انطلاقًا منها.

لا شيء من ذلك موجود في الكتيّب الدعائي. كل ذلك هو ما يكونه المشروع فعلًا.

من غيرنا يبني مختبرات ذاتية القيادة — وما الذي يكلّفك إياه بهدوء؟

تماسك مجال المختبرات ذاتية القيادة بسرعة، واللاعبون حقيقيون وممولون جيدًا. ويجدر بك أن تعرف ما الذي يمنحك إياه كل منهم فعلًا قبل أن توقّع أي شيء.

جمعت Radical AI مبلغ 55 مليون دولار في جولة أولية موسّعة و60 مليون دولار في جولة تمويل من الفئة A، بدعم من RTX Ventures وذراع NVentures التابع لـ NVIDIA، وافتتحت منشأة في Brooklyn Navy Yard في يناير 2026 بحضور الحاكمة Hochul — إذ يفحصون مليارات التركيبات ويجرون ما يزيد على 100 تجربة يوميًا، وأكثر من 25 سبيكة في اليوم. مثير للإعجاب، ومضبوط لعلم المعادن. لكن العقبة بنيوية: بياناتك تعيش على منصتهم، ومنطق التحسين صندوقهم الأسود، وليس لك أن تعدّله. وتشغّل Emerald Cloud Lab أكثر من 200 جهاز آلي في Carnegie Mellon — ترسل العينات وتستعيد النتائج — وهو أمر مفيد حقًا، لكنه يعني أيضًا أن كيمياءك الخاصة تغادر مقرك وأنك مقيّد بكتالوج فحوصاتهم. وAtinary وKebotix و"مصنع العلوم بالذكاء الاصطناعي" التابع لـ Lila Sciences الموسّع حديثًا — المفاضلة نفسها في شكلها. أنت تكيّف سير عملك مع منصتهم.

كل بائع منصة في هذا المجال يبيعك الشيء نفسه بأسماء مختلفة: أداة التحسين الخاصة به، وأجهزته، وسحابته — وملكيتك الفكرية بوصفها مستأجرًا عليها.

ثم هناك شركات الاستشارات الأربع الكبرى التي ستبيعك مشروع استراتيجية مختبر بمبلغ يتراوح بين 500 ألف و5 ملايين دولار وتسلّمك عرضًا لاختيار البائعين بعد الجزء الأكبر من عام — فهي تنفّذ منصات، ولا تبني محركات تحسين. ثم المسار الداخلي، الذي يمنحك سيطرة كاملة ويتطلب منك تعيين فريق للتحسين البايزي والشبكات العصبية البيانية يحتاج إلى عام ليصبح منتجًا.

ما لا يقدّمه أحد تقريبًا هو الحل الوسط: احتفظ بأجهزتك الحالية وبياناتك، وأضِف طبقة تحسين بالذكاء الاصطناعي تكون ملكًا لك. تلك الفجوة — بين افعلها بنفسك والاحتجاز داخل منصة — هي السبب الكامل وراء أن بندًا في عقد بائع يقول "بياناتك الكيميائية تقيم على بنيتنا التحتية" يجعل رئيس بحث وتطوير حذرًا يتوقف مليًا. وهي أيضًا حيث اخترنا أن نبني.

ماذا يحدث حين تنسى حالات الفشل

هناك رقم من مختبر A-Lab في جامعة بيركلي أطرحه في كل عرض تقريبًا لأنه يصيب الجوهر. فقد صنّع A-Lab 41 مادة جديدة في 17 يومًا — نتيجة ذاتية القيادة بارزة. وكان معدل نجاح التصنيع فيه 71%.

من مقعد المؤسسة، تُقرأ نسبة 71% تلك بمتمّمها. فتسعة وعشرون بالمئة من المحاولات فشلت — ماصات مسدودة، وانحراف في المستشعرات، وكواشف متدهورة، وفرن لم يبلغ درجة الحرارة. بالنسبة لإثبات مفهوم أكاديمي، هذا رائع. أما بالنسبة لخط أدوية خاضع للتنظيم، فتلك النسبة البالغة 29% ليست هدرًا يُخفى. إنها بيانات أنت مُلزَم قانونًا بالاحتفاظ بها.

هنا حيث رأيت أغلى الأخطاء تحدث، ولا علاقة لها بالكيمياء. فمعيار سلامة البيانات لدى إدارة الغذاء والدواء الأمريكية (FDA)، وهو ALCOA+، يتطلب أن تكون السجلات قابلة للإسناد، ومقروءة، وآنية، وأصلية، ودقيقة — وكاملة. و"كاملة" تعني أن التجارب الفاشلة تُسجَّل هي الأخرى، وليس فقط عمليات التشغيل التي نجحت. ومعظم برمجيات المختبرات ذاتية القيادة تُسقط عمليات التشغيل الفاشلة بصمت. وفي مختبر بحثي لا يلاحظ أحد. أما في بيئة GxP، فذلك الإغفال هو تحديدًا الاستنتاج الذي ينتج عنه خطاب تحذير بشأن سلامة البيانات من CDER يستشهد بسجلات مفقودة.

وهذا ليس ضغطًا افتراضيًا. فقد قفزت خطابات التحذير من CDER بنسبة 50% في السنة المالية 2025، وكانت قضايا سلامة البيانات من بين أبرز الاستشهادات؛ وأرسلت FDA خطابات سلامة إلى شركات مثل Tyche Industries وJagsonpal Pharmaceuticals في مطلع 2025. وفي يناير 2026 نشرت FDA وEMA معًا عشرة مبادئ إرشادية للممارسة الجيدة للذكاء الاصطناعي في تطوير الأدوية، تتمحور حول حوكمة البيانات، وإدارة دورة الحياة، والإشراف البشري. لذا حين نبني حلقة لمختبر خاضع للتنظيم، فإن سجل التدقيق الذي يلتقط كل حالة فشل لماصّة مسدودة مع طابع زمني ومصدر ليس ميزة نضيفها في النهاية. إنه قيد نصمّم الحلقة حوله منذ السطر الأول.

"ألن تفعل المنصات هذا ببساطة؟" — وأشياء أخرى يسألني الناس عنها

السؤال الذي أسمعه أكثر من غيره هو ما إذا كانت المنصات الممولة جيدًا ستستوعب هذه الحاجة ببساطة. ستستوعب المختبرات السعيدة بأن تكون مستأجرة. لكنها لن تخدم المختبر المتوسط الحجم الذي يملك عشرين عامًا من البيانات الخاصة، ومبنى مليئًا بأجهزة دفع ثمنها بالفعل، ومجلس إدارة لن يقبل بأن تعيش ملكيته الفكرية على سحابة شخص آخر. هاتان الحاجتان متعارضتان بنيويًا، والتمويل لا يوفّق بينهما.

السؤال الثاني هو ما إذا كان الذكاء الاصطناعي ناضجًا بما يكفي للثقة به. تقول معايير المجال نفسها إن النمذجة قد وصلت: في نتائج Matbench Discovery لعام 2026، جرى ترتيب 45 نموذجًا، وحقق أفضلها، PET-OAM-XL، درجة F1 بلغت 0.924 وعامل تسريع اكتشاف يتجاوز 6 أضعاف. وجمعت تقنية المختبر ذاتي القيادة القائمة على التدفق من جامعة NC State، المنشورة في Nature Chemical Engineering في منتصف 2025، بيانات أكثر بعشرة أضعاف من الأساليب السابقة. العلم جاهز. ما لم يتحول بعدُ إلى سلعة جاهزة هو توصيله بأجهزتك أنت في ظل نظام امتثالك أنت.

السؤال الثالث هو السؤال الهادئ: هل هذا مخصص لشركات الأدوية الكبرى فقط؟ لا. فالاقتصاديات تعضّ بأشد قوتها المختبرات المتوسطة الحجم في مجالي المواد وعلوم الحياة، تلك التي لا تستطيع ميزانية بحثها وتطويرها استيعاب عام بتكلفة 78,000 دولار للبحث في 0.0005% من فضاء، والتي لا تستطيع تحرير شيك استشاري بقيمة 5 ملايين دولار كي يُقال لها أي منصة تشتري.

الجزء الذي لا يضعه أحد على شريحة عرض

لقد صرت أعتقد أن الطابع الرومانسي للمختبر ذاتي التشغيل — روبوتات تسحب السوائل طوال الليل، وذكاء اصطناعي يبتكر الجزيئات في الأحلام — يسيء إلى المجال. فهو يبيع الرومانسية ويخفي العمل. والسبب في تعثّر معظم هذه المشاريع ليس أن أداة التحسين لم تكن ذكية بما يكفي، بل أن لا أحد أراد أن يمضي أسابيع في كتابة مشغّل SiLA 2 لجهاز مناولة سوائل، أو بناء سجل تدقيق يوثّق التجارب التي فشلت، أو ضبط نموذج بديل ضبطًا دقيقًا لتجاوز بدئه البارد بالكيمياء الصحيحة الخاصة بالمجال.

ذلك العمل غير البراق هو العمل الحقيقي. ولهذا نبني محركات التحسين، وعمليات دمج الأجهزة، وبنية الحلقة المغلقة كنظام واحد، من أجل المختبر المحدد الماثل أمامنا — أجهزتك، وموادك، وبياناتك التي تبقى ملكًا لك.

اختبر إديسون آلاف الفتائل يدويًا لأن النظرية في عصره كانت متأخرة عن التجربة. أما في عام 2026 فقد زال ذلك العذر. يمكننا أن نتنبأ قبل أن نصنّع، وأن نختار التجربة الواحدة الجديرة بالإجراء من بين أربعمئة، وأن ندع المختبر يشغّل نفسه نحو الإجابة. والمختبرات التي تواصل البحث بالقوة الغاشمة ليست دقيقة متأنية، بل تدفع أجر عام كامل لباحث ما بعد دكتوراه كي ينظر إلى 0.0005% من الصورة وتسمّي ذلك اجتهادًا.