הדרך של $78,000 להחמיץ את התשובה: מדוע אנו בונים מעבדות אוטונומיות במקום מסעי סריקה גדולים יותר
המעבדה האוטונומית הראשונה שאי פעם עזרתי לתכנן לא נכשלה בגלל ה-AI. היא נכשלה בגלל מטפל נוזלים.
בילינו שבועות בבניית החלק שכולם מתלהבים ממנו — לולאת אופטימיזציה בייסיאנית עטופה סביב רשת נוירונים גרפית שיכלה לחזות את פער הפס (bandgap) של פרובסקיט הלידי במילישניות במקום להמתין ימים לתנור. בסימולציה זה היה יפהפה. פונקציית הרכישה בחרה הרכבים כמו שמנוע שחמט רואה מהלכים. ואז נכנסנו למעבדה האמיתית כדי לחבר אותה למכשירים האמיתיים, וכל העניין נעצר לחלוטין מול מטפל נוזלים של Hamilton בן שתים-עשרה שנה שקובצי השיטה שלו סירבו לדבר עם כל דבר שאינו התוכנה של Hamilton עצמה.
זה היה היום שבו הבנתי מהמעבדה אוטונומית באמת מהווה. זו אינה מודל חכם. זו לולאה סגורה — לתכנן ניסוי, להריץ אותו על חומרה אמיתית, לקרוא את התוצאה, להחליט על הבא, לחזור — והלולאה חזקה רק כמו החוליה החלשה והמשעממת ביותר שלה. בדרך כלל אותה חוליה היא פיסת ציוד משנת 2014 שמעולם לא נועדה להיות מאוטמת על ידי מישהו מלבד היצרן שלה.
כולם רוצים לדבר על האופטימייזר. הדבר שמכריע אם המעבדה שלך תהפוך לאוטונומית הוא אם הספקטרומטר בן חמש-עשרה השנים שלך יחזיר מספר לתהליך Python בשלוש לפנות בוקר.
אני רוצה לעבור על מדוע סריקה בתפוקה גבוהה (high-throughput screening) — סוס העבודה של המו"פ התעשייתי במשך שלושים שנה — מיושנת כעת מבחינה מתמטית, מה מעבדה מונחית-AI עושה במקומה, וההנדסה חסרת הזוהר שמכריעה אם אחת מהמערכות הללו אי פעם באמת עובדת בבניין שלך. זו הבעיה שאנו בונים כעת מעבדות אוטונומיות סביבה, ורוב מה שהופך אותן לקשות אינו דומה כלל למה שהרצאות הכנס מרמזות.
מדוע סריקה בתפוקה גבוהה מיושנת לפתע?
נתחיל במספר שאמור להטריד כל ראש מו"פ. מספר המולקולות הקטנות הדמויות-תרופה שמצייתות לכללי ליפינסקי — הכימיה הבסיסית של "זה יכול להיות כדור" — מוערך ב-10⁶⁰. מסע סריקה בתפוקה גבוהה גדול, מהסוג שעולה מיליונים ברובוטיקה וריאגנטים, בודק סביב 10⁶ תרכובות.
בצעו את החילוק. אתם דוגמים בערך 0.000000000000000000000000000000000000000000000000000001% מהמרחב. היכנסו לביולוגיה ולסגסוגות רב-יסודיות והמרחב נמתח לעבר 10¹⁰⁰, שהוא יותר ממספר האטומים ביקום הנצפה.
הבעיה העמוקה יותר אינה אפילו הכיסוי. היא ההנחה שמתחתיה. הסריקה מניחה שהתשובה כבר יושבת בספרייה שסונתזה מראש על מדף. עבור חומר חדשני באמת — פרובסקיט נטול-עופרת, אלקטרוליט מצב-מוצק, MOF חדש — ההרכב האופטימלי כמעט בוודאות מעולם לא יוצר על ידי איש. אתם לא מחפשים מחט בערמת שחת. אתם מחפשים בערמת שחת בגודל האוקיינוס השקט מחט שאתם עדיין צריכים לחשל בעצמכם.
זהו המנוע שמתחת לחוק ארום (Eroom's Law) — חוק מור מאוית לאחור — העובדה המתועדת היטב שפריון המו"פ התרופתי צנח במשך עשורים אף שההוצאה טיפסה. פיתוח תרופות רץ כעת מעל $2 מיליארד לנכס (Deloitte, 2024), בערך 90% מהמועמדים נכשלים בניסויים קליניים, ושיעור התשואה הפנימי של תעשיית התרופות צלל לשפל של שתים-עשרה שנים של 1.2% ב-2022 לפני שהתאושש ל-5.9% ב-2024, בעיקר על חשבון כמה חריגי GLP-1. חיפוש בכוח גס הוא מס על כל אחד מהמספרים הללו.
כמה כוח גס באמת עולה בתקציב אמיתי
כך ההתיישנות מתבטאת בתקציב אמיתי, כי הפשטות על 10⁶⁰ לא מזיזות לאף אחד.
דמיינו מעבדת חומרים בינונית שרודפת אחר פרובסקיט הלידי נטול-עופרת עם פער פס ופרופיל יציבות ספציפיים לתאים סולריים מהדור הבא. חמישה קטיונים מועמדים, שמונה צירופי אניונים, יחסי סטויכיומטריה רציפים — קִראו לזה 10⁸ הרכבים ברי-קיימא. השיטה המסורתית היא פוסט-דוקטורנט המסנתז שלושה עד חמישה הרכבים בשבוע, מונחה על ידי הספרות ואינטואיציה של מנחה. בכ-$150 לסינתזה אחת אחרי שסופרים חומרי מוצא, הכנת מצע ואפיון — שורת תקציב שראיתי מצטברת ביותר מהזמנת רכש אחת — זה $78,000 לאורך שנה כדי לבדוק 520 הרכבים.
חמש מאות ועשרים מתוך מאה מיליון. זה 0.00052% מהמרחב, והמועמד הטוב ביותר שהוא מעלה עשוי לשבת רחוק מאוד מהאופטימום האמיתי.
בצד התרופתי אותה אריתמטיקה משחקת מול השעון במקום מול שולחן המעבדה. ראיתי את אותה לוגיקת לולאה זהה — לחזות תחילה, לסנתז רק את המועמדים ששווה לסנתז — מכווצת עבודה פרה-קלינית שרצה מסורתית ארבע עד חמש שנים למשהו קרוב יותר למחזור ש-Exscientia הריצה כדי להכניס מולקולה מתוכננת-AI ל-Phase I בכשנים-עשר חודשים, עם עלויות מו"פ פרה-קליני שירדו ב-25 עד 50%. אותו עיקרון, מכנה גדול בהרבה.
כעת הריצו את אותה בעיה כמעבדה אוטונומית. אתם מאמנים מראש מודל תחליפי (surrogate) של רשת נוירונים גרפית על 50,000 מבני פרובסקיט מחושבי-DFT מ-Materials Project — מסד נתונים ציבורי של תכונות חומרים מחושבות — כך שהמודל יכול לחזות פער פס ואנרגיית היווצרות במילישניות. לאחר מכן אופטימייזר בייסיאני המשתמש בפונקציית רכישה של שיפור צפוי (Expected Improvement) בוחר כל ניסוי הבא לפי אחד משני קריטריונים: או שהביצועים החזויים גבוהים, או שאי-הוודאות של המודל שם גדולה מספיק כדי ששווה ליישב אותה. הוא נמנע במכוון ממאות הריצות שהיו מייצרות נתונים מצטברים או חסרי תועלת.
המערכת הזו מגיעה ל-0.1% העליונים של מרחב ההרכבים ב-80 עד 120 ניסויים ממוקדים, תמורת $12,000 עד $18,000 בריאגנטים. אותה מעבדה, אותם מכשירים, אותו פוסט-דוקטורנט — סדר גודל פחות ניסויים ושבריר מהעלות.
הניצחון אינו הרצת ניסויים מהר יותר. זה לעולם לא להריץ את ארבע מאות הניסויים שתמיד היו עתידים לא לומר לכם דבר.
אותה הפחתה פי 10–50 בניסויים-עד-יעד אינה נתון שיווקי שהמצאתי; זה הפער העקבי בין אופטימיזציה בייסיאנית לסריקה אקראית לאורך ספרות החומרים. ולצד העלות יש מספר משלו — Cost-Informed Bayesian Optimization, שפורסמה ב-ChemRxiv ב-2024, חותכת את עלות האופטימיזציה בעד 90% על ידי התייחסות למחיר של כל ניסוי כחלק ממה שפונקציית הרכישה ממטבת, לא כמחשבה שלאחר מעשה.
מדוע הפסקתי לסמוך על המודל והתחלתי לדאוג לגבי הצנרת
בחזרה למטפל של Hamilton.
כשהלולאה המושלמת-בסימולציה שלנו מתה במגע עם חומרה אמיתית, האינסטינקט הראשון שלי היה השגוי. הנחתי שזה מקרה חד-פעמי — מזל רע עם מכשיר ישן אחד. אז כתבנו מתאם מהיר, הצלחנו להשעין אותו על הרגליים, והמשכנו הלאה. אחר כך למעבדה הבאה היה Tecan שהריץ FluentControl, לזו שאחריה היו מכשירי Agilent שדיברו ניב שלישי, ו-LIMS ו-ELN ששמרו את אותו ניסוי בשני פורמטים בלתי-תואמים. בכל אתר, המודל היה בסדר ביום הראשון והאינטגרציה זללה את השבועות שאחריו.
אז זה נחת: במעבדה אוטונומית, ה-AI הוא אולי 20% מהעבודה. ה-80% הנותרים הם לגרום למכשירים הטרוגניים, לעיתים קרובות עתיקים, להתנהג כמו מערכת ניתנת-לתכנות אחת. מעבדות שורדות זאת בשקט כיום על ידי הפיכת אנשים לתוכנת ביניים אנושית — מדען שמקליד מחדש מספרים מספקטרומטר לגיליון אלקטרוני ומשם ל-LIMS — שזה בדיוק השלב הידני ומועד-לטעויות שהאוטומציה הייתה אמורה להסיר.
התיקון הכן הוא SiLA 2, תקן אוטומציית המעבדה שנועד להעניק למכשירים שפה משותפת. אבל "תקן" מגזים בתיאורו. כל צירוף מכשירים הוא פרויקט אינטגרציה בפני עצמו. אז התחלנו לכתוב ביד מחסניות דרייברים של SiLA 2 כדי לעטוף מכשירים מדור קודם ספציפיים — כולל המטפל בן שתים-עשרה השנה — ולהתייחס לשכבת הדרייברים ההיא כתוצר מהשורה הראשונה, לא כקוד דבק שיש להתנצל עליו. זהו החלק שמכריע אם המעבדה אוטונומית או רק הדגמה.
הייתה השפלה טכנית שנייה שחיכתה גם בצד המודל. בפעם הראשונה שחיפוש סטויכיומטרי חצה כמה עשרות פרמטרים מכווננים, האופטימייזר של תהליך גאוס מספר-הלימוד שלנו האט לזחילה. אופטימיזציה בייסיאנית סטנדרטית מבוססת-GP מתקנה כ-O(n³); איפשהו מעל ~50 ממדים היא פשוט מפסיקה להיות שמישה, ואתם צריכים לעבור לקירובים דלילים — SVGP, למידת גרעין עמוקה — שרוב הכלים המדפיים לא חושפים. והמודל התחליפי מסוג GNN שנראה כה חכם בדוגמת הפרובסקיט? קר, הוא חסר ערך. הוא זקוק ל-500 עד 1,000 מבנים מחושבי-DFT לפני שהתחזיות שלו עולות על הטלת מטבע. בעיית ההתחלה הקרה אינה משהו שפותרים על ידי בחירת מודל טוב יותר; זו בעיית למידת העברה (transfer learning) שפותרים עם מומחיות תחום לגבי איזו כימיה מאומנת-מראש לכוונן ממנה.
שום דבר מזה אינו בעלון. כל זה הוא מה שהפרויקט באמת הוא.
מי עוד בונה מעבדות אוטונומיות — וכמה הן עולות לך בשקט?
תחום המעבדות האוטונומיות התגבש במהירות, והשחקנים אמיתיים וממומנים היטב. שווה לדעת מה כל אחד באמת נותן לך לפני שאתה חותם על משהו.
Radical AI גייסה $55M בסבב seed-plus ו-$60M בסבב Series A, בגיבוי RTX Ventures ו-NVentures של NVIDIA, ופתחה מתקן ב-Brooklyn Navy Yard בינואר 2026 עם המושלת Hochul נוכחת — הם סורקים מיליארדי הרכבים ומריצים מעל 100 ניסויים ביום, מעל 25 סגסוגות ביום. מרשים, ומכוונן למטלורגיה. המלכוד מבני: הנתונים שלך חיים על המחסנית שלהם, ולוגיקת האופטימיזציה היא הקופסה השחורה שלהם, לא שלך לשנות. Emerald Cloud Lab מפעילה 200+ מכשירים אוטומטיים ב-Carnegie Mellon — אתה שולח דגימות ומקבל תוצאות בחזרה — שזה שימושי באמת וגם אומר שהכימיה הקניינית שלך עוזבת את החצרים שלך ואתה מוגבל לקטלוג הבדיקות שלהם. Atinary, Kebotix, "מפעל מדע ה-AI" המורחב-לאחרונה של Lila Sciences — אותה צורת פשרה. אתה מתאים את זרימת העבודה שלך לפלטפורמה שלהם.
כל ספק פלטפורמה במרחב הזה מוכר לך את אותו דבר תחת שמות שונים: האופטימייזר שלהם, המכשירים שלהם, הענן שלהם — והקניין הרוחני שלך כדייר עליו.
ואז יש את חברות הייעוץ מ-Big-4 שימכרו התקשרות אסטרטגיית-מעבדה תמורת $500K עד $5M ויעבירו לך מצגת בחירת-ספק אחרי רוב השנה — הן מיישמות פלטפורמות, הן לא בונות מנועי אופטימיזציה. ויש את המסלול הפנימי, שנותן לך שליטה מלאה ומחייב אותך לאייש צוות אופטימיזציה בייסיאנית ו-GNN שלוקח שנה כדי להיות פרודוקטיבי.
מה שכמעט אף אחד לא מציע הוא האמצע: לשמור על המכשירים הקיימים שלך ועל הנתונים שלך, ולהוסיף שכבת אופטימיזציה מבוססת-AI שהיא שלך. אותו פער — בין עשה-זאת-בעצמך לבין נעילת-פלטפורמה — הוא כל הסיבה שסעיף בחוזה ספק שכתוב בו "הנתונים הכימיים שלך שוכנים בתשתית שלנו" גורם לראש מו"פ זהיר לעצור לרגע. זה גם המקום שבו בחרנו לבנות.
מה קורה כשאתה שוכח את הכישלונות
יש מספר מ-A-Lab של ברקלי שאני מעלה כמעט בכל מצגת מכירה כי הוא חותך בכיוון הנכון. ה-A-Lab סינתז 41 חומרים חדשניים ב-17 ימים — תוצאה אוטונומית פורצת-דרך. שיעור הצלחת הסינתזה שלו היה 71%.
ממושב הארגון, אותם 71% נקראים כמשלים שלהם. עשרים ותשעה אחוזים מהניסיונות נכשלו — פיפטות סתומות, סחיפת חיישנים, ריאגנטים מנוונים, תנור שלא הגיע לטמפרטורה. עבור הוכחת היתכנות אקדמית, מבריק. עבור קו תרופתי מפוקח, אותם 29% אינם בזבוז שיש להסתיר. אלה נתונים שאתה מחויב חוקית לשמור.
כאן ראיתי את הטעויות היקרות ביותר קורות, ואין לזה שום קשר לכימיה. תקן שלמות הנתונים של ה-FDA, ALCOA+, דורש שרשומות יהיו ניתנות-לייחוס, קריאות, בו-זמניות, מקוריות, מדויקות — ושלמות. שלמות פירושה שהניסויים הכושלים נלכדים גם הם, לא רק הריצות שעבדו. רוב תוכנות המעבדה האוטונומית משמיטות בשקט את הריצות הכושלות אל הרצפה. במעבדת מחקר אף אחד לא שם לב. בסביבת GxP, אותה השמטה היא בדיוק הממצא שמייצר מכתב אזהרה על שלמות נתונים מ-CDER שמצטט רשומות חסרות.
זה אינו לחץ היפותטי. מכתבי האזהרה של CDER קפצו ב-50% בשנת הכספים 2025, כשסוגיות שלמות נתונים בין הציטוטים הדומיננטיים; ה-FDA שלח מכתבי שלמות לחברות כמו Tyche Industries ו-Jagsonpal Pharmaceuticals בתחילת 2025. ובינואר 2026 ה-FDA וה-EMA פרסמו במשותף עשרה עקרונות מנחים לתרגול AI טוב בפיתוח תרופות, המתמקדים בממשל נתונים, ניהול מחזור חיים, ופיקוח אנושי. אז כשאנו בונים לולאה למעבדה מפוקחת, שובל הביקורת שלוכד כל כשל של פיפטה סתומה עם חותמת זמן ומקור אינו תכונה שאנו מוסיפים בסוף. זו מגבלה שסביבה אנו מתכננים את הלולאה מהשורה הראשונה.
"האם הפלטפורמות פשוט לא יעשו את זה?" — ודברים אחרים שאנשים שואלים אותי
השאלה שאני שומע הכי הרבה היא אם הפלטפורמות הממומנות-היטב פשוט יבלעו את הצורך הזה. הן יבלעו את המעבדות ששמחות להיות דיירות. הן לא ישרתו את המעבדה הבינונית שיש לה עשרים שנה של נתונים קנייניים, בניין מלא במכשירים שכבר שילמה עליהם, ודירקטוריון שלא יקבל שה-IP שלה חי בענן של מישהו אחר. שני הצרכים הללו מנוגדים מבנית, ומימון לא מיישב ביניהם.
השאלה השנייה היא אם ה-AI בשל מספיק כדי לסמוך עליו. אמות המידה של התחום עצמו אומרות שהמידול הגיע: בתוצאות Matbench Discovery של 2026, 45 מודלים דורגו והטוב ביותר, PET-OAM-XL, השיג F1 של 0.924 וגורם האצת גילוי מעל 6x. טכניקת המעבדה האוטונומית מונחית-הזרימה של NC State, שפורסמה ב-Nature Chemical Engineering באמצע 2025, אספה פי 10 יותר נתונים מגישות קודמות. המדע מוכן. מה שלא הפך למצרך הוא לחווט אותו לתוך שלך המכשירים תחת שלך משטר הציות.
השאלה השלישית היא השקטה: האם זה רק לחברות התרופות הגדולות? לא. הכלכלה נושכת בעוצמה הרבה ביותר את מעבדות החומרים ומדעי-החיים הבינוניות שתקציב המו"פ שלהן לא יכול לספוג שנה של $78,000 כדי לחפש 0.0005% ממרחב, ושלא יכולות לכתוב צ'ק ייעוץ של $5M כדי שיאמרו להן איזו פלטפורמה לקנות.
החלק שאף אחד לא שם על שקופית
הגעתי לחשוב שהרומנטיקה של המעבדה האוטונומית — רובוטים שמפפטים לתוך הלילה, AI שהוזה מולקולות — עושה עוול לתחום. היא מוכרת את הרומנטיקה ומסתירה את העבודה. הסיבה שרוב הפרויקטים האלה נתקעים אינה שהאופטימייזר לא היה חכם מספיק. היא שאף אחד לא רצה לבלות שבועות בכתיבת דרייבר SiLA 2 למטפל נוזלים, או לבנות שובל ביקורת שרושם את הניסויים שנכשלו, או לכוונן מודל תחליפי מעבר להתחלה הקרה שלו עם כימיית התחום הנכונה.
אותה עבודה חסרת-זוהר היא העבודה. זו הסיבה שאנו בונים את מנועי האופטימיזציה, את אינטגרציות המכשירים, ואת ארכיטקטורת הלולאה הסגורה כמערכת אחת, עבור המעבדה הספציפית שלפנינו — המכשירים שלך, החומרים שלך, הנתונים שלך שנשארים שלך.
אדיסון בדק אלפי חוטי להט ביד כי בעידנו התיאוריה פיגרה אחרי הניסוי. ב-2026 התירוץ הזה נעלם. אנחנו יכולים לחזות לפני שאנחנו מסנתזים, לבחור את הניסוי האחד ששווה להריץ מתוך ארבע מאות, ולתת למעבדה לרוץ בעצמה לעבר תשובה. המעבדות שממשיכות למצות את החיפוש בכוח גס אינן יסודיות. הן משלמות שנה שלמה של פוסט-דוקטורנט כדי להביט ב-0.0005% מהתמונה וקוראות לזה שקדנות.
