I $78,000 per mancare la risposta: perché costruiamo self-driving lab invece di campagne di screening sempre più grandi

Il primo self-driving lab che abbia mai contribuito a progettare non fallì a causa dell'IA. Fallì a causa di un dispensatore di liquidi.

Avevamo passato settimane a costruire la parte che entusiasma tutti — un ciclo di ottimizzazione bayesiana avvolto attorno a una rete neurale a grafo capace di prevedere il bandgap di una perovskite alogenuro in millisecondi invece di attendere giorni per un forno. In simulazione era splendido. La funzione di acquisizione sceglieva le composizioni come un motore scacchistico vede le mosse. E poi siamo entrati nel laboratorio vero per collegarlo agli strumenti veri, e l'intero sistema si è bloccato di colpo davanti a un dispensatore di liquidi Hamilton di dodici anni, i cui file di metodo si rifiutavano di comunicare con qualsiasi cosa che non fosse il software di Hamilton stesso.

Quello fu il giorno in cui capii cosa un self-driving lab sia davvero. Non è un modello ingegnoso. È un ciclo chiuso — progettare un esperimento, eseguirlo su hardware reale, leggere il risultato, decidere il successivo, ripetere — e il ciclo è forte solo quanto il suo anello più debole e più noioso. Di solito quell'anello è un pezzo di apparecchiatura del 2014 che non è mai stato pensato per essere automatizzato da qualcuno che non fosse il suo fornitore.

Tutti vogliono parlare dell'ottimizzatore. Ciò che decide se il tuo laboratorio diventerà autonomo è se il tuo spettrometro di quindici anni restituirà un numero a un processo Python alle 3 del mattino.

Voglio spiegare perché lo screening ad alto rendimento — il cavallo di battaglia della ricerca e sviluppo industriale da trent'anni — sia oggi matematicamente obsoleto, cosa faccia invece un laboratorio diretto dall'IA, e l'ingegneria poco affascinante che decide se uno di questi sistemi funzioni mai davvero nel tuo edificio. Questo è il problema attorno a cui oggi costruiamo i self-driving lab, e gran parte di ciò che li rende difficili non ha nulla a che vedere con quanto suggeriscono i talk delle conferenze.

Perché lo screening ad alto rendimento è diventato all'improvviso obsoleto?

Partiamo da un numero che dovrebbe preoccupare qualsiasi responsabile della R&S. Il numero di piccole molecole farmaco-simili che rispettano le regole di Lipinski — la chimica di base del "questo potrebbe diventare una pillola" — è stimato in 10⁶⁰. Una grande campagna di screening ad alto rendimento, di quelle che costano milioni in robotica e reagenti, testa circa 10⁶ composti.

Fai la divisione. Stai campionando circa lo 0.000000000000000000000000000000000000000000000000000001% dello spazio. Spingiti nei biologici e nelle leghe multi-elemento e lo spazio si estende verso 10¹⁰⁰, che è più del numero di atomi nell'universo osservabile.

Il problema più profondo non è nemmeno la copertura. È il presupposto che vi sta sotto. Lo screening presume che la risposta sia già presente in una libreria pre-sintetizzata su uno scaffale. Per un materiale davvero nuovo — una perovskite senza piombo, un elettrolita allo stato solido, un nuovo MOF — la composizione ottimale non è quasi certamente mai stata realizzata da nessuno. Non stai cercando un ago in un pagliaio. Stai cercando in un pagliaio grande come il Pacifico un ago che devi ancora forgiare tu stesso.

Questo è il motore che sta sotto la Legge di Eroom — la Legge di Moore scritta al contrario — il fatto ben documentato che la produttività della R&S farmaceutica è calata per decenni anche mentre la spesa aumentava. Lo sviluppo di un farmaco supera ora i $2 miliardi per asset (Deloitte, 2024), circa il 90% dei candidati fallisce negli studi clinici, e il tasso di rendimento interno del settore farmaceutico è crollato a un minimo di dodici anni dell'1.2% nel 2022 prima di risalire al 5.9% nel 2024, in gran parte grazie a pochi valori anomali GLP-1. La ricerca a forza bruta è una tassa su ciascuno di questi numeri.

Quanto costa davvero la forza bruta in un budget reale

Ecco come l'obsolescenza si manifesta in un budget reale, perché le astrazioni su 10⁶⁰ non smuovono nessuno.

Immagina un laboratorio di materiali di medie dimensioni alla ricerca di una perovskite alogenuro senza piombo con uno specifico bandgap e profilo di stabilità per le celle solari di nuova generazione. Cinque cationi candidati, otto combinazioni di anioni, rapporti stechiometrici continui — diciamo 10⁸ composizioni praticabili. Il metodo tradizionale è un postdoc che sintetizza da tre a cinque composizioni a settimana, guidato dalla letteratura e dall'intuizione di un supervisore. A circa $150 per sintesi, una volta contati precursori, preparazione del substrato e caratterizzazione — una voce di spesa che ho visto accumularsi su più di un ordine d'acquisto — sono $78,000 in un anno per testare 520 composizioni.

Cinquecentoventi su cento milioni. È lo 0.00052% dello spazio, e il miglior candidato che emerge potrebbe trovarsi ben lontano dal vero ottimo.

Sul versante farmaceutico la stessa aritmetica si gioca contro l'orologio invece che contro il bancone. Ho visto l'identica logica del ciclo — prevedere prima, sintetizzare solo i candidati che vale la pena sintetizzare — comprimere il lavoro preclinico che tradizionalmente dura da quattro a cinque anni in qualcosa di più vicino al ciclo con cui Exscientia ha portato una molecola progettata dall'IA alla Fase I in circa dodici mesi, con i costi della R&S preclinica ridotti del 25-50%. Stesso principio, denominatore molto più grande.

Ora affronta lo stesso problema come un self-driving lab. Si pre-addestra un surrogato a rete neurale a grafo su 50,000 strutture di perovskite calcolate con DFT dal Materials Project — un database pubblico di proprietà dei materiali calcolate — così che il modello possa prevedere bandgap ed energia di formazione in millisecondi. Poi un ottimizzatore bayesiano che usa una funzione di acquisizione Expected Improvement sceglie ciascun esperimento successivo secondo uno di due criteri: o le prestazioni previste sono elevate, oppure l'incertezza del modello in quel punto è abbastanza grande da valere la pena di essere risolta. Evita deliberatamente le centinaia di esecuzioni che avrebbero prodotto dati incrementali o inutili.

Quel sistema raggiunge lo 0.1% migliore dello spazio delle composizioni in 80-120 esperimenti mirati, per $12,000-$18,000 di reagenti. Stesso laboratorio, stessi strumenti, stesso postdoc — un ordine di grandezza in meno di esperimenti e una frazione del costo.

La vittoria non sta nell'eseguire gli esperimenti più velocemente. Sta nel non eseguire mai i quattrocento esperimenti che non ti avrebbero comunque detto nulla.

Quella riduzione di 10–50 volte negli esperimenti-per-obiettivo non è un dato di marketing che ho inventato; è il divario costante tra l'ottimizzazione bayesiana e lo screening casuale in tutta la letteratura sui materiali. E il lato dei costi ha il suo numero — la Cost-Informed Bayesian Optimization, pubblicata su ChemRxiv nel 2024, riduce il costo di ottimizzazione fino al 90% trattando il prezzo di ciascun esperimento come parte di ciò che la funzione di acquisizione ottimizza, non come un ripensamento.

Perché ho smesso di fidarmi del modello e ho iniziato a preoccuparmi delle tubature

Torniamo a quel dispensatore Hamilton.

Quando il nostro ciclo perfetto in simulazione morì al contatto con l'hardware reale, il mio primo istinto fu quello sbagliato. Ho pensato fosse un caso isolato — sfortuna con un vecchio strumento. Così scrivemmo un rapido adattatore, lo facemmo arrancare e andammo avanti. Poi il laboratorio successivo aveva un Tecan con FluentControl, quello dopo ancora aveva strumenti Agilent che parlavano un terzo dialetto, e un LIMS e un ELN che memorizzavano lo stesso esperimento in due formati incompatibili. In ogni sito, il modello andava benissimo il primo giorno e l'integrazione divorava le settimane successive.

È allora che mi fu chiaro: in un self-driving lab, l'IA è forse il 20% del lavoro. L'altro 80% consiste nel far comportare strumenti eterogenei, spesso antichi, come un unico sistema programmabile. Oggi i laboratori sopravvivono silenziosamente a tutto questo trasformando le persone in middleware umano — uno scienziato che ridigita numeri da uno spettrometro in un foglio di calcolo e poi nel LIMS — che è esattamente il passaggio manuale e soggetto a errori che l'automazione avrebbe dovuto eliminare.

La soluzione onesta è SiLA 2, lo standard di automazione di laboratorio pensato per dare agli strumenti un linguaggio comune. Ma "standard" è una parola che promette troppo. Ogni combinazione di strumenti è un progetto di integrazione a sé. Così abbiamo iniziato a scrivere a mano stack di driver SiLA 2 per incapsulare specifici strumenti legacy — incluso il dispensatore di dodici anni — e a trattare quel livello di driver come un deliverable di prima classe, non come codice collante di cui scusarsi. È la parte che decide se il laboratorio sia autonomo o solo una demo.

C'era una seconda lezione tecnica di umiltà in attesa anche sul versante del modello. La prima volta che una ricerca stechiometrica superò un paio di dozzine di parametri regolabili, il nostro ottimizzatore a processo gaussiano da manuale rallentò fino a strisciare. L'ottimizzazione bayesiana standard basata su GP scala come O(n³); da qualche parte sopra le ~50 dimensioni semplicemente smette di essere utilizzabile, e si deve passare ad approssimazioni sparse — SVGP, deep kernel learning — che la maggior parte degli strumenti pronti all'uso non espone. E il surrogato GNN che sembrava così intelligente nell'esempio della perovskite? A freddo, è inutile. Ha bisogno di 500-1,000 strutture calcolate con DFT prima che le sue previsioni battano il lancio di una moneta. Il problema del cold-start non si risolve scegliendo un modello migliore; è un problema di transfer-learning che si risolve con competenza di dominio su quale chimica pre-addestrata usare come base per il fine-tuning.

Niente di tutto questo è nella brochure. Tutto questo è ciò che il progetto è realmente.

Chi altro costruisce self-driving lab — e cosa ti costano davvero, senza dirlo?

Il settore dei self-driving lab si è consolidato in fretta, e i protagonisti sono reali e ben finanziati. Vale la pena sapere cosa ti dà davvero ciascuno prima di firmare qualsiasi cosa.

Radical AI ha raccolto $55M in un round seed-plus e $60M in un Series A, sostenuta da RTX Ventures e NVentures di NVIDIA, e ha aperto una struttura al Brooklyn Navy Yard nel gennaio 2026 con la Governatrice Hochul presente — analizza miliardi di composizioni ed esegue oltre 100 esperimenti al giorno, più di 25 leghe al giorno. Impressionante, e messa a punto per la metallurgia. Il rovescio della medaglia è strutturale: i tuoi dati vivono sul loro stack, e la logica di ottimizzazione è la loro scatola nera, non modificabile da te. Emerald Cloud Lab gestisce oltre 200 strumenti automatizzati alla Carnegie Mellon — spedisci i campioni e ricevi indietro i risultati — il che è davvero utile e significa anche che la tua chimica proprietaria lascia i tuoi locali e sei limitato al loro catalogo di saggi. Atinary, Kebotix, la "fabbrica di scienza IA" Lila Sciences appena ampliata — stessa forma di compromesso. Adatti il tuo flusso di lavoro alla loro piattaforma.

Ogni fornitore di piattaforme in questo settore ti vende la stessa cosa sotto nomi diversi: il loro ottimizzatore, i loro strumenti, il loro cloud — e la tua proprietà intellettuale come inquilina su di esso.

Poi ci sono le società di consulenza Big-4 che ti venderanno un incarico di strategia di laboratorio per $500K-$5M e ti consegneranno una presentazione di selezione dei fornitori dopo buona parte di un anno — implementano piattaforme, non costruiscono motori di ottimizzazione. E c'è la via interna, che ti dà il controllo totale e richiede di mettere in organico un team di ottimizzazione bayesiana e GNN che impiega un anno a diventare produttivo.

Ciò che quasi nessuno offre è la via di mezzo: mantenere i tuoi strumenti esistenti e i tuoi dati, e aggiungere un livello di ottimizzazione IA che sia tuo. Quel divario — tra il fai-da-te e il lock-in di piattaforma — è l'intera ragione per cui una clausola contrattuale di un fornitore che recita "i tuoi dati chimici risiedono sulla nostra infrastruttura" fa esitare un attento responsabile della R&S. Ed è anche dove abbiamo scelto di costruire.

Cosa succede quando dimentichi i fallimenti

C'è un numero dell'A-Lab di Berkeley che tiro fuori in quasi ogni presentazione perché coglie nel segno. L'A-Lab ha sintetizzato 41 nuovi materiali in 17 giorni — un risultato autonomo che ha fatto storia. Il suo tasso di successo di sintesi era del 71%.

Dalla poltrona di un'azienda, quel 71% si legge come il suo complemento. Il ventinove percento dei tentativi è fallito — pipette intasate, deriva dei sensori, reagenti degradati, un forno che non ha raggiunto la temperatura. Per una prova di concetto accademica, brillante. Per una linea farmaceutica regolamentata, quel 29% non è scarto da nascondere. Sono dati che sei legalmente tenuto a conservare.

È qui che ho visto verificarsi gli errori più costosi, e non ha nulla a che vedere con la chimica. Lo standard di integrità dei dati della FDA, ALCOA+, richiede che i record siano Attribuibili, Leggibili, Contemporanei, Originali, Accurati — e Completi. Completi significa che vengono acquisiti anche gli esperimenti falliti, non solo le esecuzioni riuscite. La maggior parte del software per self-driving lab scarta silenziosamente le esecuzioni fallite. In un laboratorio di ricerca nessuno se ne accorge. In un ambiente GxP, quell'omissione è esattamente il rilievo che produce una lettera di ammonizione del CDER sull'integrità dei dati che cita record mancanti.

Non è una pressione ipotetica. Le lettere di ammonizione del CDER sono aumentate del 50% nell'anno fiscale 2025, con i problemi di integrità dei dati tra le citazioni dominanti; la FDA ha inviato lettere sull'integrità a società come Tyche Industries e Jagsonpal Pharmaceuticals all'inizio del 2025. E nel gennaio 2026 la FDA e l'EMA hanno pubblicato congiuntamente dieci Principi Guida per una Buona Pratica dell'IA nello sviluppo dei farmaci, incentrati sulla governance dei dati, sulla gestione del ciclo di vita e sulla supervisione umana. Quindi quando costruiamo un ciclo per un laboratorio regolamentato, l'audit trail che cattura ogni fallimento da pipetta intasata con marca temporale e provenienza non è una funzionalità che aggiungiamo alla fine. È un vincolo attorno a cui progettiamo il ciclo fin dalla prima riga.

"Non lo faranno semplicemente le piattaforme?" — e altre cose che la gente mi chiede

La domanda che sento più spesso è se le piattaforme ben finanziate assorbiranno semplicemente questa esigenza. Assorbiranno i laboratori felici di essere inquilini. Non serviranno il laboratorio di medie dimensioni che ha vent'anni di dati proprietari, un edificio pieno di strumenti che ha già pagato, e un consiglio di amministrazione che non accetterà che la sua IP viva sul cloud di qualcun altro. Queste due esigenze sono strutturalmente opposte, e i finanziamenti non le riconciliano.

La seconda domanda è se l'IA sia abbastanza matura da meritare fiducia. I benchmark stessi del settore dicono che la modellazione è arrivata: nei risultati Matbench Discovery del 2026, sono stati classificati 45 modelli e il migliore, PET-OAM-XL, ha raggiunto un F1 di 0.924 e un fattore di accelerazione della scoperta superiore a 6x. La tecnica di self-driving lab a flusso di NC State, pubblicata su Nature Chemical Engineering a metà 2025, ha raccolto 10 volte più dati rispetto agli approcci precedenti. La scienza è pronta. Ciò che non è mercificato è integrarla nei tuoi strumenti sotto il tuo regime di conformità.

La terza domanda è quella silenziosa: è roba solo per le grandi case farmaceutiche? No. L'economia morde più duramente i laboratori di medie dimensioni di scienza dei materiali e delle scienze della vita il cui budget di R&S non può assorbire un anno da $78,000 per cercare lo 0.0005% di uno spazio, e che non possono firmare un assegno di consulenza da $5M per farsi dire quale piattaforma comprare.

La parte che nessuno mette in una slide

Sono arrivato a pensare che il romanticismo del laboratorio autonomo — robot che pipettano per tutta la notte, l'IA che immagina molecole — renda un cattivo servizio al settore. Vende il romanticismo e nasconde il lavoro. Il motivo per cui la maggior parte di questi progetti si arena non è che l'ottimizzatore non fosse abbastanza intelligente. È che nessuno voleva passare settimane a scrivere un driver SiLA 2 per un dispensatore di liquidi, o a costruire un audit trail che registri gli esperimenti falliti, o a mettere a punto un surrogato oltre il suo avvio a freddo con la giusta chimica di dominio.

Quel lavoro poco affascinante è il lavoro vero. È il motivo per cui costruiamo i motori di ottimizzazione, le integrazioni degli strumenti e l'architettura a ciclo chiuso come un unico sistema, per lo specifico laboratorio che abbiamo di fronte — i tuoi strumenti, i tuoi materiali, i tuoi dati che restano tuoi.

Edison testò a mano migliaia di filamenti perché nella sua epoca la teoria era in ritardo rispetto all'esperimento. Nel 2026 quella scusa è sparita. Possiamo prevedere prima di sintetizzare, scegliere l'unico esperimento che vale la pena eseguire su quattrocento, e lasciare che il laboratorio si diriga da solo verso una risposta. I laboratori che continuano a forzare la ricerca a forza bruta non sono meticolosi. Stanno pagando un intero anno di un postdoc per guardare lo 0.0005% del quadro e lo chiamano diligenza.