78,000ドルかけて答えを外す方法——私たちがスクリーニングの大規模化ではなく自動運転ラボを構築する理由
私が設計に初めて携わった自動運転ラボは、AIのせいで失敗したのではない。液体ハンドラー(リキッドハンドラー)のせいで失敗したのだ。
私たちは何週間もかけて、誰もが胸を躍らせる部分を作り上げていた——ハロゲン化物ペロブスカイトのバンドギャップを、炉で何日も待つ代わりにミリ秒単位で予測できるグラフニューラルネットワークを包み込んだ、ベイズ最適化ループだ。シミュレーション上では美しかった。獲得関数は、チェスエンジンが手を読むように組成を選び取った。ところが、それを実際の機器に接続しようと実際のラボに足を踏み入れた瞬間、すべてが、12年物のHamilton製液体ハンドラーの前でぴたりと止まった。そのメソッドファイルは、Hamilton自身のソフトウェア以外とは一切やり取りしようとしなかったのだ。
その日、私は自動運転ラボが実際に何であるかを理解した。それは賢いモデルではない。閉じたループ——実験を設計し、実際のハードウェアで実行し、結果を読み取り、次を決め、それを繰り返す——であり、そのループは最も弱く、最も退屈なつなぎ目の強さでしか決まらない。たいていそのつなぎ目は、ベンダー以外の誰かに自動化されることなど想定されていなかった2014年製の機器なのだ。
誰もが最適化器(オプティマイザ)について語りたがる。だが、あなたのラボが自律化するかどうかを決めるのは、15年物の分光計が午前3時にPythonのプロセスへ数値を返してくれるかどうかだ。
ハイスループットスクリーニング——30年にわたる産業R&Dの主力——が、なぜいまや数学的に時代遅れなのか、AIが指揮するラボが代わりに何をするのか、そしてこうしたシステムがあなたの建物で実際に機能するかどうかを決める、地味なエンジニアリングについて順を追って見ていきたい。これこそが、私たちがいま自動運転ラボを構築する上で中心に据えている問題であり、それらを難しくしているものの大半は、カンファレンスの講演が示唆するものとはまるで似ていない。
なぜハイスループットスクリーニングは突然、時代遅れになったのか?
どんなR&D責任者も不安にさせるはずの数字から始めよう。リピンスキーの法則——「これは薬になりうる」という基本的な化学——に従う創薬に適した小分子の数は、10⁶⁰と推定されている。ロボットと試薬に数百万ドルを要する大規模なハイスループットスクリーニングのキャンペーンでも、検証するのはおよそ10⁶種類の化合物だ。
割り算をしてみよう。あなたは空間のおよそ0.000000000000000000000000000000000000000000000000000001%をサンプリングしているにすぎない。バイオ医薬品や多元素合金にまで踏み込めば、その空間は10¹⁰⁰へと広がり、これは観測可能な宇宙にある原子の数を上回る。
より深い問題は、カバー率ですらない。その根底にある前提だ。スクリーニングは、答えがすでに棚の上の合成済みライブラリの中にあることを前提としている。真に新規な材料——鉛フリーのペロブスカイト、全固体電解質、新しいMOF——では、最適な組成はほぼ間違いなく、これまで誰も作ったことがない。あなたは干し草の山から針を探しているのではない。太平洋ほどの大きさの干し草の山から、自分でこれから鍛え上げなければならない針を探しているのだ。
これこそが、Eroom's Law(イールームの法則)——ムーアの法則(Moore's Law)を逆さに綴ったもの——の背後にあるエンジンだ。すなわち、製薬R&Dの生産性が低下し続けてきたという、よく記録された事実である。支出が増え続けたにもかかわらず、数十年にわたってだ。医薬品開発は現在、1資産あたり20億ドルを超え(Deloitte, 2024)、候補のおよそ90%が臨床試験で失敗し、製薬業界の内部収益率は2022年に12年ぶりの低水準となる1.2%まで落ち込んだのち、主に少数のGLP-1の突出した成功を背景に、2024年には5.9%まで持ち直した。力任せの探索は、これらすべての数字に課される税金だ。
力任せのやり方が現実の予算で実際にいくらかかるか
その時代遅れぶりが現実の予算にどう表れるかを示そう。10⁶⁰といった抽象論では、誰の心も動かないからだ。
次世代太陽電池に向けて、特定のバンドギャップと安定性プロファイルを持つ鉛フリーのハロゲン化物ペロブスカイトを追い求める中規模の材料ラボを思い浮かべてほしい。候補となる5種類のカチオン、8通りのアニオンの組み合わせ、連続的な化学量論比——実行可能な組成はおよそ10⁸通りとしよう。従来の手法は、ポスドクが文献と指導教員の直感に導かれて、週に3〜5組成を合成するというものだ。前駆体、基板の準備、キャラクタリゼーションまで数え上げると1合成あたり約150ドル——私が複数の発注書で積み上がっていくのを目にしてきた費目だ——で、520組成を検証するのに1年で78,000ドルかかる計算になる。
1億のうちの520。これは空間の0.00052%であり、そこから浮かび上がる最良の候補は、真の最適解の近くにはまるでないかもしれない。
製薬の側では、同じ算術が実験台ではなく時計を相手に展開する。私は、まったく同じループの論理——まず予測し、合成する価値のある候補だけを合成する——が、従来は4〜5年かかる前臨床の作業を、Exscientiaがおよそ12か月でAI設計の分子をフェーズIに送り込んだサイクルに近いものへと圧縮し、前臨床R&Dのコストを25〜50%削減するのを目にしてきた。同じ原理でありながら、分母ははるかに大きい。
今度は同じ問題を自動運転ラボとして走らせてみよう。Materials Project——計算された材料物性の公開データベース——から得た50,000件のDFT計算済みペロブスカイト構造でグラフニューラルネットワークのサロゲート(代理モデル)を事前学習させ、モデルがバンドギャップと生成エネルギーをミリ秒単位で予測できるようにする。次に、期待改善(Expected Improvement)獲得関数を用いたベイズ最適化器が、二つの基準のいずれかによって次の実験を一つずつ選び取る。予測される性能が高いか、あるいはそこでのモデルの不確実性が、解消する価値があるほど大きいかのどちらかだ。それは、漸進的あるいは無用なデータしか生まないであろう何百回もの実行を、意図的に避ける。
そのシステムは、80〜120回の的を絞った実験で、試薬代12,000〜18,000ドルで、組成空間の上位0.1%に到達する。同じラボ、同じ機器、同じポスドクで——実験回数は一桁少なく、コストはごくわずかだ。
勝ち筋は、実験をより速く走らせることではない。最初から何も教えてくれないと分かっていた400回の実験を、一度も走らせないことだ。
目標到達までの実験回数のこの10〜50倍の削減は、私がでっち上げたマーケティング上の数字ではない。材料分野の文献全体を通じて一貫して見られる、ベイズ最適化とランダムスクリーニングの差だ。そしてコストの側にも独自の数字がある——2024年にChemRxivで公開されたCost-Informed Bayesian Optimization(コスト考慮型ベイズ最適化)は、各実験の価格を後付けではなく獲得関数が最適化する対象の一部として扱うことで、最適化コストを最大90%削減する。
なぜ私はモデルを信じるのをやめ、配管を心配し始めたのか
あのHamiltonのハンドラーに話を戻そう。
シミュレーション上は完璧だった私たちのループが実際のハードウェアに触れた途端に息絶えたとき、最初の直感は間違っていた。私はこれを一度きりの出来事——一台の古い機器に見舞われた不運——だと思い込んだ。そこで手早くアダプターを書き、どうにか動く状態にして、先へ進んだ。すると次のラボにはFluentControlで動くTecanがあり、その次にはさらに別の方言を話すAgilentの機器があり、同じ実験を二つの互換性のない形式で保存するLIMSとELNがあった。どのサイトでも、モデルは初日は問題なく、続く数週間を統合作業が食い潰した。
そのとき腑に落ちた。自動運転ラボにおいて、AIはせいぜい作業の20%だ。残りの80%は、種類がばらばらで、しばしば旧式な機器を、一つのプログラム可能なシステムのように振る舞わせることにある。今日、ラボはこれを、人々をヒューマン・ミドルウェアに変えることでひそかに切り抜けている——分光計の数値を表計算ソフトに、さらにLIMSに手で打ち直す科学者のことだ——それこそまさに、自動化が取り除くはずだった、手作業でミスの起きやすい工程なのだ。
正直な解決策はSiLA 2だ。機器に共通言語を与えることを狙ったラボ自動化の標準規格である。だが「標準」という言葉は誇張しすぎだ。機器の組み合わせごとに、それ自体が一つの統合プロジェクトになる。そこで私たちは、特定のレガシー機器——例の12年物のハンドラーを含む——を包むSiLA 2ドライバースタックを手で書き始め、そのドライバー層を、言い訳しながら書く接着剤コードではなく、一級の成果物として扱うようにした。それこそが、ラボが自律的なものになるか、単なるデモにとどまるかを決める部分だ。
モデルの側にも、二つ目の技術的な謙虚さを教える出来事が待ち構えていた。化学量論の探索が調整可能なパラメータを数十個超えて初めて、教科書どおりのガウス過程最適化器は這うように遅くなった。標準的なGPベースのベイズ最適化はO(n³)でスケールする。おおむね50次元を超えたあたりで単純に使い物にならなくなり、疎近似——SVGP、ディープカーネル学習——へ移行せざるをえない。それらは既製のツールの大半が備えていないものだ。そして、ペロブスカイトの例であれほど賢そうに見えたGNNサロゲートは?コールドの状態では無価値だ。予測がコイン投げを上回るまでに、500〜1,000件のDFT計算済み構造を必要とする。コールドスタート問題は、より良いモデルを選べば解決するようなものではない。どの事前学習済みの化学からファインチューニングを始めるべきかというドメイン専門知識で解決する、転移学習の問題なのだ。
そのどれも、パンフレットには載っていない。そのすべてが、プロジェクトの実態そのものだ。
ほかに誰が自動運転ラボを作っているのか——そして、それらはひそかにあなたに何を負わせるのか?
自動運転ラボの分野は急速に集約が進み、プレイヤーは実在し、潤沢な資金を持っている。何かに署名する前に、それぞれが実際にあなたに何を与えてくれるのかを知っておく価値がある。
Radical AIは、シードプラスのラウンドで5,500万ドル、シリーズAで6,000万ドルを調達し、RTX VenturesとNVIDIAのNVenturesの支援を受け、2026年1月にはホークル知事も列席のもとブルックリン・ネイビー・ヤードの施設を開設した——彼らは数十億の組成をスクリーニングし、1日に100回を超える実験を、1日25種を超える合金について走らせる。見事であり、冶金に最適化されている。だが落とし穴は構造的だ。あなたのデータは彼らのスタック上に置かれ、最適化のロジックは彼らのブラックボックスであって、あなたが変更できるものではない。Emerald Cloud Labはカーネギーメロン大学で200台以上の自動化機器を運用しており——あなたはサンプルを送り、結果を受け取る——これは本当に有用だが、同時にあなたの独自の化学が自社の敷地の外に出ていき、彼らのアッセイのカタログに縛られることを意味する。Atinary、Kebotix、新たに拡張されたLila Sciencesの「AIサイエンス工場」——トレードオフの形は同じだ。あなたが自分のワークフローを彼らのプラットフォームに合わせることになる。
この領域のどのプラットフォームベンダーも、名前を変えて同じものをあなたに売っている。彼らの最適化器、彼らの機器、彼らのクラウド——そして、その上に間借りするテナントとしてのあなたの知的財産だ。
さらに、ラボ戦略のコンサルティング契約を50万〜500万ドルで売り、1年近くかけてベンダー選定の資料を手渡すBig4のコンサルティング会社がある——彼らはプラットフォームを導入するのであって、最適化エンジンを作るのではない。そして自社開発の道もあり、これは完全な支配権を与えてくれる代わりに、生産的になるまでに1年かかるベイズ最適化とGNNのチームを抱えることを求める。
ほとんど誰も提供しないのが、その中間だ。既存の機器とデータを手元に残したまま、あなた自身のものであるAI最適化レイヤーを加えるというやり方である。この隙間——自前でやることと、プラットフォームへのロックインとのあいだ——こそが、「あなたの化学データは当社のインフラ上に置かれる」というベンダー契約の条項が、慎重なR&D責任者の手を止めさせる理由のすべてだ。そしてそこが、私たちが構築の場に選んだ場所でもある。
失敗を忘れると何が起きるか
バークレーのA-Labに、私がほぼすべてのプレゼンで持ち出す数字がある。ちょうど良い切り口だからだ。A-Labは17日間で41種の新規材料を合成した——自律的な成果としては画期的だ。その合成成功率は71%だった。
企業の立場から見ると、その71%はその裏返しとして読める。試みの29%が失敗した——詰まったピペット、センサーのドリフト、劣化した試薬、温度に達しなかった炉。学術的な概念実証としては見事だ。だが規制下の製薬ラインにとって、その29%は隠すべき無駄ではない。あなたが法的に保持を義務づけられているデータなのだ。
ここでこそ、私は最も高くつく誤りが起きるのを見てきた。しかもそれは化学とは何の関係もない。FDAのデータインテグリティ基準であるALCOA+は、記録が帰属可能(Attributable)、判読可能(Legible)、同時記録(Contemporaneous)、原本(Original)、正確(Accurate)——そして完全(Complete)であることを求めている。「完全」とは、うまくいった実行だけでなく、失敗した実験も記録されることを意味する。自動運転ラボのソフトウェアの大半は、失敗した実行を黙って取りこぼす。研究ラボでは誰も気づかない。だがGxP環境では、その欠落こそが、記録の欠如を指摘するCDERのデータインテグリティ警告書(ウォーニングレター)を生む、まさにその指摘事項なのだ。
これは仮想の圧力ではない。CDERの警告書は2025会計年度に50%増加し、データインテグリティの問題が主要な指摘事項の一つを占めた。FDAは2025年初頭に、Tyche IndustriesやJagsonpal Pharmaceuticalsといった企業にインテグリティ関連の警告書を送った。そして2026年1月、FDAとEMAは共同で、医薬品開発における優れたAI実践のための10の指導原則を公表し、データガバナンス、ライフサイクル管理、人による監督を中心に据えた。だから私たちが規制下のラボ向けにループを構築するとき、詰まったピペットのあらゆる失敗をタイムスタンプと来歴つきで記録する監査証跡は、最後に付け加える機能ではない。最初の一行からループを設計する際の前提となる制約なのだ。
「プラットフォームがそのうちこれをやってくれるのでは?」——そして、人々が私に尋ねるほかのこと
私が最もよく耳にする質問は、潤沢な資金を持つプラットフォームがこのニーズをそっくり吸収してしまうのではないか、というものだ。彼らは、テナントであることに満足しているラボは吸収するだろう。だが、20年分の独自データと、すでに支払い済みの機器で満たされた建物と、自社のIPが他人のクラウド上に置かれることを受け入れない取締役会とを抱えた中規模のラボには応えない。この二つのニーズは構造的に対立しており、資金では両立させられない。
二つ目の質問は、AIが信頼に足るほど成熟しているかどうかだ。この分野自身のベンチマークは、モデリングはすでに到達したと告げている。2026年のMatbench Discoveryの結果では、45のモデルが順位付けされ、最良のPET-OAM-XLはF1で0.924、発見加速係数で6倍超を達成した。2025年半ばにNature Chemical Engineeringで公開されたノースカロライナ州立大学のフロー駆動型自動運転ラボの技術は、従来の手法より10倍多くのデータを収集した。科学は準備が整っている。コモディティ化されていないのは、それをあなた自身の機器に、あなた自身のコンプライアンス体制のもとで組み込むことだ。
三つ目の質問は、静かなものだ。これは大手製薬だけのものなのか?いや、違う。経済的な痛みが最も強くのしかかるのは、R&D予算では空間の0.0005%を探索するために1年で78,000ドルを吸収できず、どのプラットフォームを買うべきか教えてもらうために500万ドルのコンサル小切手を切ることもできない、中規模の材料・ライフサイエンスのラボなのだ。
誰もスライドに載せない部分
私は次第に、自律ラボのロマン——夜通しピペッティングするロボット、分子を夢想するAI——は、この分野に害を及ぼしていると考えるようになった。それはロマンを売り、仕事を隠す。こうしたプロジェクトの大半が行き詰まる理由は、最適化器が十分に賢くなかったからではない。誰も、液体ハンドラー用のSiLA 2ドライバーを何週間もかけて書きたがらず、失敗した実験を記録する監査証跡を作りたがらず、正しいドメインの化学でサロゲートをコールドスタートの先までファインチューニングしたがらなかったからだ。
その地味な仕事こそが、本当の仕事だ。だからこそ私たちは、最適化エンジン、機器統合、そして閉ループのアーキテクチャを一つのシステムとして構築する——目の前にある特定のラボのために——あなたの機器、あなたの材料、あなたのデータが、あなたのものであり続けるように。
エジソンが何千ものフィラメントを手作業で試したのは、彼の時代には理論が実験に後れを取っていたからだ。2026年には、その言い訳は通用しない。私たちは合成する前に予測し、400回のうち走らせる価値のある一つの実験を選び、ラボが自ら答えへと進んでいくにまかせることができる。探索を力任せに続けるラボは、徹底しているのではない。彼らはポスドクの1年をまるごと費やして全体像の0.0005%を眺め、それを勤勉さと呼んでいるのだ。
