De $78.000-manier om het antwoord te missen: waarom wij zelfsturende labs bouwen in plaats van grotere screeningcampagnes

Het eerste zelfsturende lab dat ik ooit hielp ontwerpen, mislukte niet vanwege de AI. Het mislukte vanwege een liquid handler.

We hadden weken besteed aan het bouwen van het onderdeel waar iedereen enthousiast van wordt — een Bayesiaanse optimalisatielus om een grafen-neuraal netwerk heen, dat de bandgap van een halide-perovskiet in milliseconden kon voorspellen in plaats van dagenlang te wachten op een oven. In simulatie was het prachtig. De acquisitiefunctie koos samenstellingen zoals een schaakengine zetten ziet. En toen liepen we het echte lab in om het aan de echte instrumenten te koppelen, en het hele geval bleef muurvast steken voor een twaalf jaar oude Hamilton liquid handler, waarvan de methodebestanden weigerden te praten met iets dat niet Hamiltons eigen software was.

Dat was de dag waarop ik begreep wat een zelfsturend lab werkelijk is. Het is geen slim model. Het is een gesloten lus — ontwerp een experiment, voer het uit op echte hardware, lees het resultaat af, beslis over het volgende, herhaal — en de lus is slechts zo sterk als zijn zwakste, saaiste schakel. Meestal is die schakel een stuk apparatuur uit 2014 dat nooit bedoeld was om door iemand anders dan zijn leverancier geautomatiseerd te worden.

Iedereen wil het over de optimizer hebben. Wat bepaalt of je lab autonoom wordt, is of je vijftien jaar oude spectrometer om 3 uur 's nachts een getal aan een Python-proces zal teruggeven.

Ik wil doorlopen waarom high-throughput screening — het werkpaard van industriële R&D gedurende dertig jaar — nu wiskundig achterhaald is, wat een AI-aangestuurd lab in plaats daarvan doet, en het weinig glamoureuze engineeringwerk dat bepaalt of een van deze systemen ooit daadwerkelijk werkt in jouw gebouw. Dit is het probleem waar we nu zelfsturende labs omheen bouwen, en het meeste van wat ze moeilijk maakt, lijkt in niets op wat de congreslezingen suggereren.

Waarom Is High-Throughput Screening Plotseling Achterhaald?

Begin met een getal dat elk hoofd van R&D zou moeten verontrusten. Het aantal geneesmiddelachtige kleine moleculen dat voldoet aan Lipinski's regels — de basischemie van "dit zou een pil kunnen zijn" — wordt geschat op 10⁶⁰. Een grote high-throughput screening-campagne, van het soort dat miljoenen kost aan robotica en reagentia, test ongeveer 10⁶ verbindingen.

Doe de deling. Je bemonstert ongeveer 0,000000000000000000000000000000000000000000000000000001% van de ruimte. Ga door naar biologische geneesmiddelen en multi-element-legeringen en de ruimte strekt zich uit richting 10¹⁰⁰, wat meer is dan het aantal atomen in het waarneembare universum.

Het diepere probleem is niet eens de dekking. Het is de aanname die eraan ten grondslag ligt. Screening veronderstelt dat het antwoord al in een vooraf gesynthetiseerde bibliotheek op een plank ligt. Voor een werkelijk nieuw materiaal — een loodvrije perovskiet, een vastestof-elektrolyt, een nieuwe MOF — is de optimale samenstelling vrijwel zeker nog nooit door iemand gemaakt. Je zoekt geen naald in een hooiberg. Je doorzoekt een hooiberg zo groot als de Stille Oceaan naar een naald die je zelf nog moet smeden.

Dit is de motor onder de Wet van Eroom — de Wet van Moore achterstevoren gespeld — het goed gedocumenteerde feit dat de R&D-productiviteit van de farmaceutische industrie decennialang is gedaald zelfs terwijl de uitgaven stegen. Geneesmiddelenontwikkeling kost nu meer dan $2 miljard per activum (Deloitte, 2024), ongeveer 90% van de kandidaten faalt in klinische studies, en het interne rendement van de farmaceutische industrie stortte in tot een twaalfjarig dieptepunt van 1,2% in 2022, voordat het terugkroop naar 5,9% in 2024, grotendeels op de kracht van een paar GLP-1-uitschieters. Brute-force zoeken is een belasting op elk van die getallen.

Wat Brute Force Werkelijk Kost in een Echt Budget

Zo komt de veroudering tot uiting in een echt budget, want abstracties over 10⁶⁰ raken niemand.

Stel je een middelgroot materialenlab voor dat op jacht is naar een loodvrije halide-perovskiet met een specifieke bandgap en stabiliteitsprofiel voor zonnecellen van de volgende generatie. Vijf kandidaat-kationen, acht anioncombinaties, continue stoichiometrieverhoudingen — noem het 10⁸ haalbare samenstellingen. De traditionele methode is een postdoc die drie tot vijf samenstellingen per week synthetiseert, geleid door literatuur en de intuïtie van een begeleider. Tegen ongeveer $150 per synthese, zodra je precursoren, substraatvoorbereiding en karakterisering meetelt — een postje dat ik op meer dan één inkooporder heb zien oplopen — is dat $78.000 over een jaar om 520 samenstellingen te testen.

Vijfhonderdtwintig uit honderd miljoen. Dat is 0,00052% van de ruimte, en de beste kandidaat die eruit naar voren komt, zit misschien nergens in de buurt van het echte optimum.

Aan de farmaceutische kant speelt dezelfde rekensom zich af tegen de klok in plaats van tegen de werkbank. Ik heb dezelfde luslogica zien werken — voorspel eerst, synthetiseer alleen de kandidaten die het synthetiseren waard zijn — en preklinisch werk dat traditioneel vier tot vijf jaar duurt zien comprimeren tot iets dat dichter bij de cyclus komt die Exscientia doorliep om in ongeveer twaalf maanden een AI-ontworpen molecuul in Fase I te brengen, met preklinische R&D-kosten die met 25 tot 50% daalden. Zelfde principe, veel grotere noemer.

Voer nu hetzelfde probleem uit als een zelfsturend lab. Je pre-traint een grafen-neuraal-netwerksurrogaat op 50.000 met DFT berekende perovskietstructuren uit het Materials Project — een openbare database van berekende materiaaleigenschappen — zodat het model bandgap en vormingsenergie in milliseconden kan voorspellen. Vervolgens kiest een Bayesiaanse optimizer met een Expected Improvement-acquisitiefunctie elk volgend experiment op basis van een van twee criteria: ofwel is de voorspelde prestatie hoog, ofwel is de onzekerheid van het model daar groot genoeg om de moeite waard te zijn om op te lossen. Het vermijdt bewust de honderden runs die incrementele of nutteloze data zouden hebben opgeleverd.

Dat systeem bereikt de top 0,1% van de samenstellingsruimte in 80 tot 120 gerichte experimenten, voor $12.000 tot $18.000 aan reagentia. Zelfde lab, zelfde instrumenten, zelfde postdoc — een orde van grootte minder experimenten en een fractie van de kosten.

De winst zit niet in het sneller uitvoeren van experimenten. Het zit in het nooit uitvoeren van de vierhonderd experimenten die je toch al niets zouden vertellen.

Die 10–50x reductie in experimenten-tot-doel is geen marketinggetal dat ik heb verzonnen; het is de consistente kloof tussen Bayesiaanse optimalisatie en willekeurige screening in de materialenliteratuur. En de kostenkant heeft zijn eigen getal — Cost-Informed Bayesian Optimization, in 2024 gepubliceerd op ChemRxiv, verlaagt de optimalisatiekosten met tot 90% door de prijs van elk experiment te behandelen als onderdeel van wat de acquisitiefunctie optimaliseert, en niet als bijzaak.

Waarom Ik het Model Niet Meer Vertrouwde en Me Zorgen Ging Maken over het Leidingwerk

Terug naar die Hamilton handler.

Toen onze in simulatie perfecte lus stierf bij contact met echte hardware, was mijn eerste ingeving de verkeerde. Ik nam aan dat het een eenmalig geval was — pech met één oud instrument. Dus schreven we snel een adapter, kregen het strompelend aan de praat en gingen verder. Toen had het volgende lab een Tecan met FluentControl, het lab daarna had Agilent-instrumenten die een derde dialect spraken, en een LIMS en een ELN die hetzelfde experiment in twee onverenigbare formaten opsloegen. Op elke locatie was het model op dag één in orde en vrat de integratie de weken die volgden op.

Dat was het moment waarop het landde: in een zelfsturend lab is de AI misschien 20% van het werk. De andere 80% bestaat uit het zich als één programmeerbaar systeem laten gedragen van heterogene, vaak eeuwenoude instrumenten. Labs overleven dit vandaag stilletjes door mensen om te vormen tot menselijke middleware — een wetenschapper die getallen van een spectrometer overtikt in een spreadsheet in de LIMS — wat precies de handmatige, foutgevoelige stap is die automatisering geacht werd te verwijderen.

De eerlijke oplossing is SiLA 2, de laboratoriumautomatiseringsstandaard die bedoeld is om instrumenten een gemeenschappelijke taal te geven. Maar "standaard" is te veel gezegd. Elke instrumentencombinatie is een eigen integratieproject. Dus begonnen we met de hand SiLA 2-driverstacks te schrijven om specifieke verouderde instrumenten om te wikkelen — inclusief de twaalf jaar oude handler — en behandelden we die driverlaag als een eersteklas oplevering, niet als lijmcode waarvoor excuses gemaakt moeten worden. Het is het onderdeel dat bepaalt of het lab autonoom is of slechts een demo.

Er wachtte ook aan de modelkant een tweede technische lesje in nederigheid. De eerste keer dat een stoichiometriezoektocht voorbij een paar dozijn instelbare parameters schoot, vertraagde onze uit-het-boekje Gaussiaans-proces-optimizer tot een slakkengang. Standaard GP-gebaseerde Bayesiaanse optimalisatie schaalt als O(n³); ergens boven ~50 dimensies houdt het simpelweg op bruikbaar te zijn, en moet je overstappen op ijle benaderingen — SVGP, deep kernel learning — die de meeste kant-en-klare tooling niet blootstelt. En het GNN-surrogaat dat er in het perovskietvoorbeeld zo slim uitzag? Koud is het waardeloos. Het heeft 500 tot 1.000 met DFT berekende structuren nodig voordat zijn voorspellingen beter zijn dan kop of munt. Het koudestartprobleem los je niet op door een beter model te kiezen; het is een transfer-learning-probleem dat je oplost met domeinexpertise over welke voorgetrainde chemie je moet fijnafstemmen.

Niets daarvan staat in de brochure. Het is allemaal wat het project werkelijk is.

Wie Bouwen Er Nog Meer Zelfsturende Labs — en Wat Kosten Ze Je Stilletjes?

Het veld van zelfsturende labs consolideerde snel, en de spelers zijn echt en goed gefinancierd. Het is de moeite waard om te weten wat elk je werkelijk geeft voordat je iets ondertekent.

Radical AI haalde $55M op in een seed-plus-ronde en een $60M Serie A, gesteund door RTX Ventures en NVIDIA's NVentures, en opende in januari 2026 een faciliteit in de Brooklyn Navy Yard met gouverneur Hochul erbij — ze screenen miljarden samenstellingen en voeren meer dan 100 experimenten per dag uit, ruim meer dan 25 legeringen per dag. Indrukwekkend, en afgestemd op metallurgie. De addertje onder het gras is structureel: je data leeft op hún stack, en de optimalisatielogica is hun black box, niet die van jou om te wijzigen. Emerald Cloud Lab draait 200+ geautomatiseerde instrumenten bij Carnegie Mellon — je verstuurt monsters en krijgt resultaten terug — wat echt nuttig is en ook betekent dat je bedrijfseigen chemie je pand verlaat en je beperkt bent tot hun assay-catalogus. Atinary, Kebotix, de onlangs uitgebreide "AI science factory" van Lila Sciences — dezelfde vorm van afweging. Je past je workflow aan hun platform aan.

Elke platformleverancier in deze ruimte verkoopt je hetzelfde onder verschillende namen: hun optimizer, hun instrumenten, hun cloud — en je intellectueel eigendom als huurder daarop.

Dan zijn er de Big-4-adviesbureaus die een lab-strategieopdracht verkopen voor $500K tot $5M en je na het grootste deel van een jaar een leveranciersselectiedeck overhandigen — ze implementeren platforms, ze bouwen geen optimalisatie-engines. En de in-house-route, die je totale controle geeft en van je vereist dat je een Bayesiaanse-optimalisatie- en GNN-team bemant dat er een jaar over doet om productief te worden.

Wat vrijwel niemand aanbiedt, is het middenweg: behoud je bestaande instrumenten en je data, en voeg een AI-optimalisatielaag toe die van jou is. Die kloof — tussen doe-het-zelf en platform-lock-in — is de hele reden waarom een leverancierscontractclausule met de tekst "uw chemische data verblijven op onze infrastructuur" een zorgvuldig R&D-hoofd doet pauzeren. Het is ook waar wij ervoor kozen om te bouwen.

Wat Er Gebeurt Wanneer Je de Mislukkingen Vergeet

Er is een getal van Berkeley's A-Lab dat ik in vrijwel elke pitch aanhaal omdat het de juiste kant op snijdt. Het A-Lab synthetiseerde 41 nieuwe materialen in 17 dagen — een baanbrekend autonoom resultaat. Zijn synthese-slagingspercentage was 71%.

Vanuit een enterprise-stoel leest die 71% als zijn complement. Negenentwintig procent van de pogingen mislukte — verstopte pipetten, sensordrift, gedegradeerde reagentia, een oven die de temperatuur niet haalde. Voor een academisch proof of concept briljant. Voor een gereguleerde farmaceutische lijn is die 29% geen afval om te verbergen. Het is data die je wettelijk verplicht bent te bewaren.

Dit is waar ik de duurste fouten heb zien gebeuren, en het heeft niets met chemie te maken. De data-integriteitsstandaard van de FDA, ALCOA+, vereist dat records Attributeerbaar, Leesbaar, Contemporain, Origineel, Accuraat zijn — en Compleet. Compleet betekent dat de mislukte experimenten óók worden vastgelegd, niet alleen de runs die werkten. De meeste zelfsturende-labsoftware laat mislukte runs stilletjes op de vloer vallen. In een onderzoekslab merkt niemand het. In een GxP-omgeving is dat verzuim precies de bevinding die een CDER-waarschuwingsbrief over data-integriteit oplevert waarin ontbrekende records worden aangehaald.

Dat is geen hypothetische druk. CDER-waarschuwingsbrieven sprongen 50% omhoog in fiscaal 2025, met data-integriteitskwesties onder de dominante aanhalingen; de FDA stuurde integriteitsbrieven naar bedrijven als Tyche Industries en Jagsonpal Pharmaceuticals begin 2025. En in januari 2026 publiceerden de FDA en EMA gezamenlijk tien Guiding Principles for Good AI Practice in geneesmiddelenontwikkeling, gecentreerd rond datagovernance, levenscyclusbeheer en menselijk toezicht. Dus wanneer we een lus bouwen voor een gereguleerd lab, is het audittraject dat elke verstopte-pipetmislukking met een tijdstempel en herkomst vastlegt geen functie die we op het einde toevoegen. Het is een randvoorwaarde waar we de lus vanaf de eerste regel omheen ontwerpen.

"Gaan de Platforms Dit Niet Gewoon Doen?" — en Andere Dingen Die Mensen Me Vragen

De vraag die ik het vaakst hoor, is of de goed gefinancierde platforms deze behoefte simpelweg zullen opslokken. Ze zullen de labs opslokken die blij zijn huurder te zijn. Ze zullen niet het middelgrote lab bedienen dat twintig jaar aan bedrijfseigen data heeft, een gebouw vol instrumenten dat het al betaald heeft, en een bestuur dat niet zal accepteren dat zijn IP op de cloud van iemand anders leeft. Die twee behoeften zijn structureel tegengesteld, en financiering verzoent ze niet.

De tweede vraag is of de AI volwassen genoeg is om te vertrouwen. De eigen benchmarks van het veld zeggen dat de modellering is gearriveerd: in de Matbench Discovery-resultaten van 2026 werden 45 modellen gerangschikt en de beste, PET-OAM-XL, behaalde een F1 van 0,924 en een discovery-versnellingsfactor boven 6x. NC State's flow-gedreven zelfsturende-labtechniek, in het midden van 2025 gepubliceerd in Nature Chemical Engineering, verzamelde 10x meer data dan eerdere benaderingen. De wetenschap is klaar. Wat niet is verworden tot handelswaar, is het bedraden ervan in jouw instrumenten onder jouw nalevingsregime.

De derde vraag is de stille: is dit alleen voor de grote farmaceuten? Nee. De economie bijt het hardst voor de middelgrote materialen- en biowetenschappenlabs waarvan het R&D-budget geen jaar van $78.000 kan verdragen om 0,0005% van een ruimte te doorzoeken, en die geen adviescheque van $5M kunnen uitschrijven om te horen welk platform ze moeten kopen.

Het Deel Dat Niemand op een Slide Zet

Ik ben tot de overtuiging gekomen dat de romantiek van het autonome lab — robots die de hele nacht door pipetteren, AI die moleculen verzint — het veld tekortdoet. Het verkoopt de romantiek en verbergt het werk. De reden waarom de meeste van deze projecten stranden, is niet dat de optimizer niet slim genoeg was. Het is dat niemand weken wilde besteden aan het schrijven van een SiLA 2-driver voor een liquid handler, of het bouwen van een audittraject dat de mislukte experimenten vastlegt, of het fijnafstemmen van een surrogaat voorbij zijn koude start met de juiste domeinchemie.

Dat weinig glamoureuze werk ís het werk. Het is waarom we de optimalisatie-engines, de instrumentintegraties en de gesloten-lus-architectuur als één systeem bouwen, voor het specifieke lab dat voor ons staat — jouw instrumenten, jouw materialen, jouw data die van jou blijft.

Edison testte met de hand duizenden gloeidraden omdat in zijn tijd de theorie achterliep op het experiment. In 2026 is dat excuus verdwenen. We kunnen voorspellen voordat we synthetiseren, het ene experiment kiezen dat het uitvoeren waard is uit vierhonderd, en het lab zichzelf laten uitvoeren richting een antwoord. De labs die het zoeken blijven brute-forcen zijn niet grondig. Ze betalen het hele jaar van een postdoc om naar 0,0005% van het beeld te kijken en noemen dat zorgvuldigheid.