愛迪生時代的終結： 閉環 AI 時代的 確定性發現

執行摘要

材料科學與藥物發現的歷史，長期由一種 持續不變的方法論所定義：愛迪生式方法。以高通量試錯、 人類直覺與偶然發現為特徵，此法已服務人類逾一個世紀， 從電燈泡到第一代合成藥物，帶來諸多創新。然而， 隨著所需材料複雜度提升，小分子這類「唾手可得」的 成果被逐步採盡，愛迪生式方法已撞上統計與經濟的雙重高牆。類藥分子的 搜尋空間估計介於 $10^{60}$ 與 $10^{100}$ ¹之間， 其規模使實體篩選在物理上不可行、在經濟上難以承受。 我們正目睹直覺驅動發現的暮光，以及 閉環自主發現的黎明——一種整合主動學習、 物理資訊機器學習（PIML）與機器人自動化於統一 確定性引擎的方法論。

Veriprajna 站在這場典範轉移的最前沿。我們主張研發的未來 不在於更快地移液，而在於更聰明地預測。從開環直覺轉向 閉環演演演算法選擇，企業得以精準導航化學的浩瀚， 將發現的「藝術」轉化為嚴謹的工程學科。本 白皮書闡述採用閉環發現實驗室所需的架構、數學與經濟要務， 閉環發現實驗室。它 剖析傳統高通量篩選（HTS）的侷限、貝氏最佳化相對隨機搜尋的數學優勢、 「負向資料」關鍵卻被低估的角色，以及建構 自駕實驗室所需的結構要件。我們挑戰當前對「生成式 AI 包裝層」的依賴，倡導深度、符合物理的 AI 解決方案，重新定義創新的 經濟學。

給產業的訊息很明確：「愛迪生方法」已過時。若你在濕實驗室中 未先模擬就實體測試新材料，等於在燒錢。 別猜測再驗證。先模擬再篩選。

1. 愛迪生式發現的統計不可能性

1.1 試錯法的遺產與現代侷限

歸因於湯瑪斯·愛迪生的方法論——測試數千種碳絲以找出 能發光者——根植於理論理解大幅 落後於實驗能力的時代。愛迪生本人及其同儕如尼古拉·特斯拉， 早在十九世紀便認識到此法的嚴重低效。特斯拉曾 批評愛迪生的方法，指出「一點理論與計算」本可省下 90% 的勞力。 ³ 雖然愛迪生最終採用較結構化的做法，其在 現代研發中的遺產仍體現為「蠻力」法：合成並測試龐大化合物庫， 寄望找到「命中」化合物。

在二十一世紀，此法已不再可行。低效源於 理論與實驗之間的根本脫節，導致所謂 「間斷式演化」現象。 ⁴ 在此模型中，長期漸進改良僅被 罕見、往往偶然發現的跳躍所打斷。以能源材料領域為例， 可疑想法因缺乏嚴謹 預驗證而存活多年，導致資本浪費於違反熱力學 可能性的材料。 ⁴ 「快速失敗」口號雖流行，卻常在流程中套用得太晚。在 傳統濕實驗室，失敗代價高昂。試劑、合成時間與設備使用都在消耗 資本。

愛迪生式方法的根本缺陷在於依賴「篩選」而非 「設計」。篩選假設答案存在於預先合成的庫中。然而，當我們 涉足複雜生物製劑、多元素合金與奈米結構介面時， 最佳解存在於物理上可管理庫中的機率降至 趨近於零。愛迪生法試圖以勞力取代智慧，此策略 隨問題空間複雜度增加而指數性失效。

1.2 化學空間的天文級規模

要理解實體試錯的徒勞，必須掌握搜尋問題的 龐大規模。「化學空間」指所有可能分子與化合物在給定建構 原則與邊界條件下所張成的性質空間。 符合 Lipinski 規則（分子量 < 500、原子類型受限）的 ¹ 具藥理活性小分子數量估計為 數量估計為 $10^{60}$。 ¹ 當擴展至更廣泛的有機化學空間，包括鹵素、 複雜環結構及更大生物製劑時，數量接近 $10^{100}$。 ³

為便於理解，可觀測宇宙中的原子數約為 $10^{80}$。標準高通量篩選（HTS）活動可能測試 $10^{6}$（一百 萬）種化合物。即使製藥巨頭篩選十億種化合物（$10^9$）， 其所探索的也僅為 $0.000000000000000000000000000000000000000000000000001%$ 的可用空間。"小分子宇宙"是天文級的。化學家以 直覺或隨機篩選搜尋它時，實際上已迷失。 ²

此語境下的"愛迪生方法"猶如用茶匙在隨機位置 舀取太平洋海水來繪製地圖。沒有地圖——預測模型——搜尋 在數學上註定低效。該空間的絕大多數仍是化學中的 "暗物質"——理論上穩定但從未被 合成或測試的化合物。穿越這一浩瀚的唯一途徑是從物理 探索轉向計算探索，其中測試假設的成本以 毫秒級計算時間衡量，而非數天實驗室時間。

1.3 直覺的經濟後果

此低效的財務後果令人震驚。開發一種新 藥物的成本已升至每項資產約 $2.23 十億美元（截至 2024 年）。 ⁵ 這一數字包括 單一成功之前數千次失敗的成本。製藥研發的內含報酬率 （IRR）雖近期顯現復甦跡象，卻在 2022 年觸及 12 年低點 1.2%， 2024 年反彈至 5.9%，主要由 GLP-1 激動劑等離群值驅動。 ⁶ 這種 研發生產力下降，常被稱為"Eroom 定律"（Moore 定律倒拼），是 靶點難度增加與易發現分子 枯竭的直接結果。

行業面臨"專利懸崖"與競爭加劇，必須從 偶然轉向可預測。 ⁷ 高通量篩選（HTS）本應透過 工業化試錯過程解決此問題。然而，HTS 往往產生高假陽性率 並識別理化性質不佳（如溶解度、毒性）的化合物， 因為篩選是隨機的而非理性的。 ⁸ 此外，維持龐大物理化合物庫與自動化篩選 基礎設施所需的資本支出，對除最大機構外的所有組織都 難以承受。 ⁹

經濟現實是：物理實驗是研發最昂貴的階段。 測試熱力學不穩定材料或合成可預測為 有毒的分子——是在燒錢。 ¹¹ 要 恢復發現的經濟學，我們必須倒置漏斗：進行大規模、低成本的 電腦模擬篩選以識別最高機率候選物，將昂貴的 溼實驗室留給驗證，而非搜尋。

1.4 "更好電池"的錯覺與材料失敗

愛迪生式方法的侷限在材料科學中尤為突出， 其中"更好電池"的錯覺說明了直覺主導研究的陷阱。 在追求更高能量密度時，研究者常追求理論上可提供高 性能但實踐中違反熱力學穩定性或動力學約束的材料。 ⁴ 由於 這些材料未經嚴格模擬即被物理測試，"死胡同"僅在 大量投資後才被發現。

歷史觀察表明，電池材料發展遵循 "間斷進化"，在新材料類別（如 LiFePO4）發現後出現大幅躍遷， 隨後是長期漸進最佳化。 ⁴ 愛迪生式 方法在最佳化階段（漸進進化）相對有效，但 在統計上不太可能找到下一次"大躍遷"（間斷進化），因為新 材料類別的搜尋空間過於廣闊，隨機抽樣無法覆蓋。預測性 AI 相反可以 在合成一克之前掃描整個已知與假設無機晶體結構資料庫以識別 熱力學穩定候選物。 ¹¹

2. 計算必然性：合成之前 先模擬

2.1 物理資訊機器學習（PIML）與黑箱 AI

要擺脫愛迪生陷阱，研發必須轉向電腦模擬。然而，並非所有 AI 都生而平等。 市場目前充斥著僅從資料 相關性學習的"黑箱"AI 模型。這些模型不足以用於科學發現，因為新領域的實驗資料 往往稀疏、嘈雜且獲取昂貴。此外，標準 機器學習模型難以外推——在訓練資料範圍內表現良好， 但當被要求預測全新類別 材料性質時災難性失敗。

解決方案，也是 Veriprajna 產品的核心，是物理資訊機器學習 （PIML）。PIML 將基本物理定律——質量守恆、能量守恆、 熱力學與量子力學——直接整合進神經網路架構或 損失函數。 ¹³ 我們不再要求 AI 用數百萬資料 點從零學習物理（新材料的此類資料並不存在），而是將支配系統的偏微分方程 （PDE）嵌入模型。

此方法提供三項關鍵優勢：

1.​ 資料效率： PIML 模型所需訓練資料顯著更少，因為"遊戲規則" （物理）已知。例如，在材料損傷 表徵中，PIML 框架透過強制應力平衡與應變-位移相容性 約束， 在縮減資料集上實現高預測精度。 ¹⁴

2.​ 可泛化性： 純資料驅動模型在被要求預測訓練分佈外（外推）時失敗。 受物理定律約束的 PIML 模型， 外推能力遠優，確保預測在 化學空間未探索區域仍保持物理合理性。 ¹⁵

3.​ 物理一致性： 標準生成式 AI 可"幻覺"出違反 價鍵規則或質量守恆的分子。PIML 確保系統追蹤每個電子， 防止反應預測中物質的虛假創生或消失。例如， "FlowER"（電子重分佈流匹配）系統顯式 追蹤電子重分佈以確保化學反應預測中的質量與電荷守恆，這是標準大語言模型 無法做到的。 ¹⁶

2.2 以 AI 超越密度泛函理論（DFT）

密度泛函理論（DFT）數十年來一直是計算化學的 主力，允許從第一性原理計算電子結構。然而， DFT 計算昂貴且隨系統規模擴展性差，通常 $O(N^3)$ 至 $O(N^4)$。對複雜分子或晶體表面的單次高保真 DFT 計算可 在高性能計算集群上耗時數天。 ¹⁷ 這一計算成本將 DFT 限制為 驗證少量候選物，而非掃描整個搜尋空間。

現代工作流程利用 AI 以極低成本逼近 DFT 精度。透過在現有 DFT 資料上 訓練圖神經網路（GNN），我們創建"代理模型"或 機器學習勢（MLP）。 ¹⁷ 這些模型可在毫秒而非小時內預測勢能面 與力，實現 $1000\times$ 或更高的加速。

●​ 案例： 採用主動學習開發的 ANI-1x 勢在分子基準上達到 DFT 級 精度，僅使用樸素 隨機抽樣所需資料的 10%。 ¹⁸

●​ 搜尋完備性： 將 DFT 與 ML 結合可計算"搜尋 完備性"——估計可發現穩定化合物中被 找到的比例。這使材料發現從開放式搜尋轉為有界 最佳化問題。 ¹⁹ 透過貝氏統計模型分析 DFT 能量分佈，研究者可判斷特定化學空間搜尋何時 達到收益遞減，從而最佳化計算資源分配。 ¹⁹

2.3 圖神經網路（GNN）與大語言模型的角色

普遍存在一種誤解，認為 GPT-4、Claude 或 Gemini 等大語言模型（LLM）是所有 AI 問題（包括科學）的通用解。儘管 LLM 擅長 處理文本並可輔助文獻綜述、方案生成或編碼，它們 本質上難以處理分子的幾何與拓撲本質。 ²⁰ 分子 不是句子；它們是由節點（原子）與邊（鍵）定義的 3D 圖，具有特定 幾何約束、手性與電子性質，無法線性映射為文本 串。

LLM 通常將分子視為字符串表示（SMILES），可能導致 "幻覺"——生成看似有效但對應化學上不可能或 不穩定結構的字符串。 ²¹

●​ GNN 優勢： 基準顯示，顯式建模分子圖 結構並在相鄰原子間傳遞消息的 GNN，在涉及幾何結構的性質預測任務中 持續優於 LLM。 ²⁰ GNN 具有 "置換不變性"（原子順序無關，與文本串不同），可直接 納入 3D 座標與鍵角。

●​ 混合方法： Veriprajna 倡導的理想架構是混合 架構。LLM 充當"推理智慧體"或"編排器"，解析科學文獻以 提取合成配方並設計高層實驗方案。同時， 專用 GNN 與 PIML 模型充當"專家引擎"，執行 嚴格的性質預測、逆向設計與穩定性分析。 ²⁴ 這一"副駕駛" 模型利用 LLM 的語義推理，同時依賴 GNN 的幾何精度 承擔分子設計的重任。 ²⁴

特性	大語言 模型（LLM）	圖神經 網路（GNN）	物理資訊 ML（PIML）
資料 表示	一維文本串 （SMILES）	3D 圖 （節點/邊）	微分 方程 / 張量
主要優勢	推理、 文獻 綜合、編碼	拓撲/幾何 性質 預測	物理 一致性、 外推
弱點	幻覺、缺乏 3D 感知	語義理解 理解	複雜 實現， 求解器
理想角色	編排器 / 智慧體	性質預測器	約束 / 模擬引擎

3. 自主架構：閉環 發現

3.1 主動學習的"飛輪"

從愛迪生式到計算式僅是第一步。終極躍遷是 閉環發現實驗室，常稱為自駕實驗室（SDL）。在此範式中， AI 不僅是被動分析師，更是主動實驗者。系統閉合 預測與驗證之間的環路，創造加速 的良性循環。

工作流程作為持續循環運行，常描述為設計-製造-測試-分析 （DMTA） ¹² ：

1.​ 假設生成（設計）： AI 模型（"智慧體"）利用對搜尋空間的當前理解預測具有最佳化性質的候選 材料。它利用對搜尋空間的當前理解最佳化其性質。 它不只是猜測；它最佳化擷取函數以選擇產生 最大價值的實驗。

2.​ 自動化合成（製造）： 機器人平臺接收設計指令。 移液工作站、流動反應器或 3D 打印機在無人工 干預下合成材料。

3.​ 表徵（測試）： 集成感測器（光譜、XRD、顯微）測量 合成材料的性質。

4.​ 反饋（分析）： 結果反饋至 AI 模型。關鍵是，模型 基於新資料點更新其內部信念（代理模型）。

5.​ 迭代： 循環重複，AI 選擇下一實驗。

這一"飛輪"效應將發現加速數個數量級。伯克利 A-Lab， 例如在 17 天內合成了 41 種新型無機材料——人類研究者需數月或 數年才能完成。 ²⁶ AI 智慧體基於中間結果自主修正合成 配方，展現真正的自適應行為。

3.2 主動學習：數學引擎

閉環實驗室的大腦是主動學習。與傳統監督學習 需要海量靜態標註資料集不同，主動學習從小資料出發， 迭代向"神諭"（實驗）查詢最有價值的資料點。 ²⁸ 核心 機制在於平衡探索（搜尋化學空間未知區域） 與利用（精化已知命中物周邊區域）。這通常透過 貝氏最佳化實現。

3.2.1 貝氏最佳化（BO）與高斯過程

貝氏最佳化是化學主動學習的標準數學框架。它使用 機率模型（通常為高斯過程 GP）逼近昂貴的"黑 箱"函數（實驗）。 ³⁰ GP 對搜尋空間中每一點預測兩件事 ：

1.​ 均值（$\mu$）： 預期性質值（如產率、導電性）。

2.​ 變異數（$\sigma^2$）： 該預測的不確定性。

此不確定性量化是 BO 的超能力。它使系統識別「暗」 搜尋空間中模型一無所知的區域，以及對其 高效能有信心的「亮」區域。

3.2.2 擷取函數：搜尋策略

系統使用擷取函數，根據 GP 的 預測決定下一實驗。函數選擇決定 AI 的策略 ³⁰ ：

●​ 上信賴界（UCB）： 此策略樂觀。它選擇_可能_ 極佳的點（高不確定性 + 高均值）。它實質上在說：「此區域不確定，但 上限很高，我們去看看。」參數 $\lambda$ 調節平衡 於探索與利用之間。

●​ 期望改進（EI）： 計算新點擊敗 當前已知最佳值的機率，並按改進幅度加權。這是 更保守、偏重利用的策略。

●​ 湯普森抽樣： 從 後驗分佈抽樣函數並選擇最大值的機率方法。它特別擅長處理 複雜非凸景觀與批量實驗，因為它自然 促進所選批次的多樣性。 ³²

3.2.3 多保真與成本知情最佳化

真實實驗在成本與保真度上各異。電腦模擬（DFT）廉價但 近似；溼實驗室合成昂貴但準確。Veriprajna 倡導 多保真貝氏最佳化（MF-BO）。 ³⁴

●​ MF-BO： 此演演算法融合低保真源（模擬）與 高保真源（實驗）的資料。它學習兩者相關性。若 模擬在某區域與現實高度相關，AI 將依賴廉價 模擬探索該區域，僅在 必要時觸發昂貴實驗。 ³⁴

●​ 成本知情 BO（CIBO）： 此變體顯式將實驗的貨幣或時間 成本納入擷取函數。若兩個實驗提供相似 資訊增益，但一個需要 $5,000 試劑而另一個僅需 $50 試劑，CIBO 將選擇更便宜路徑。研究表明 CIBO 可將最佳化成本降低高達 90% 同時達成相同結果。 ³⁶

3.3 負向資料的價值

在愛迪生模型中，負向結果（失敗實驗）常被丟棄或埋沒於 實驗記錄本。在主動學習模型中，負向資料是黃金。

●​ 決策邊界： 要區分"藥物"與"非藥物"，AI 必須知道 非藥物長什麼樣。負向資料銳化模型決策邊界。 ²⁹

●​ 減少幻覺： 在訓練集中納入負向資料有助於錨定 生成模型，防止其預測熱力學 上不可能的反應。 ³⁸

●​ 繪製死胡同： 透過系統探索並記錄失敗，AI 繪製化學 "死胡同"。對失敗景觀的拓撲知識是 永久 IP，防止組織再次在那些路徑上浪費資源 。 ³

4. 中介軟體與整合：數位神經 系統

4.1 彌合鴻溝：AI 到硬體

部署自主實驗室的主要瓶頸是實驗室硬體的碎片化。 不同廠商的譜儀、移液工作站與加熱板使用不同 專有語言。要構建閉環，我們需要通用翻譯層——機器人 中介軟體。沒有它，AI 只是缸中之腦，無法控制雙手。

4.2 SiLA 2 標準

**實驗室自動化標準化（SiLA 2）**已成為 現代自主實驗室的關鍵使能者。與 OPC UA 等工業標準不同——後者笨重、 以工廠為中心、對科學工作流程實現複雜——SiLA 2 專為 生命科學設計，基於現代 Web 協議。 ⁴⁰

●​ 微服務架構： SiLA 2 將每臺儀器視為微服務。這使 AI 智慧體可發送高層命令（如"移取 5ml"）而無需 瞭解特定機械臂的低層串口命令。 ⁴⁰

●​ 雲連接： 它支持安全的伺服器發起連接（HTTP/2、gRPC）， 使基於雲的 AI 大腦（如 Veriprajna 模型）可安全穿越防火牆 控制本地實驗室硬體。 ⁴¹

●​ 互操作性： 它允許將遺留設備與尖端 機器人整合。一臺 20 年歷史的 HPLC 可封裝 SiLA 2 驅動並融入 尖端自主環路。 ⁴²

對比：SiLA 2 與 OPC UA

特性	SiLA 2	OPC UA
領域	生命科學 / 研發	工業自動化 / 製造
架構	微服務 （gRPC/HTTP2）	客戶端-伺服器（二進位/XML）
複雜性	低（特性定義	高（複雜資訊

Col1	語言）	模型）
研發適用性	高（靈活、敏捷）	低（僵化、部署繁重）

4.3 數位孿生：執行之前先模擬

在物理機器人動一根肌肉之前，實驗應在數位 孿生中模擬。數位孿生是物理實驗室的動態虛擬副本，包括儀器、 環境與樣品物流。 ⁴³

●​ 模擬與驗證： AI 可在數位 孿生中運行數千次"虛擬實驗"以在執行前驗證方案的邏輯、時序與碰撞路徑 。這可防止昂貴碰撞與樣品損失。 ⁴⁴

●​ 異常檢測： 透過將實驗室即時感測器資料與數位 孿生預測對比，系統可檢測異常（如堵塞移液頭導致 壓力尖峰，或漂移的溫度感測器）以免毀掉整批。孿生充當 運營健康的"地面真值"。 ⁴⁴

●​ 產能規劃： 數位孿生允許實驗室管理者模擬人員配置與 設備利用率，識別工作流程瓶頸（如離心機積壓） 並最佳化排程以實現最大吞吐。 ⁴³

4.4 AI 驅動 LIMS

實驗室資訊管理系統（LIMS）是實驗室的脊樑。傳統 LIMS 是被動的資料庫。新一代是AI 驅動 LIMS。 ⁴⁵

●​ 主動監控： 不僅儲存結果，AI-LIMS 即時分析。 它可立即標記超規結果並觸發自動複測或暫停 工作流程。 ⁴⁵

●​ 預測性維護： 透過監控 LIMS 中儲存的儀器使用模式與性能 資料，AI 可預測設備何時需要維護，_在_其 故障之前，減少停機時間。 ⁴⁶

5. 經濟影響：閉環的投資報酬

5.1 資本支出與營運支出最佳化

向 AI 驅動研發的轉型從根本上改變發現的成本結構。

●​ 營運支出削減： 傳統 HTS 營運支出繁重（耗材、試劑、人員 時間）。主動學習將找到命中物所需物理實驗數量 降低數個數量級（通常 10 至 100 倍）。例如，CIBO 策略可 將試劑成本降低 90%。 ³⁶

●​ 資本支出效率： 雖構建機器人實驗室需前期資本支出，自主設備 利用率接近 100%（24/7 運行），相比之下人工實驗室典型 利用率為 30-40%。資產回報率（ROA）因此 顯著更高。

5.2 加速上市時間

速度是製藥與材料領域的首要貨幣。藥物的"專利壽命"固定； 研發每節省一天，市場就多一天獨佔期。

●​ 案例研究（Exscientia）： AI 設計的小分子約 12 個月進入 I 期試驗，而行業平均為 4-5 年。 ⁴⁷

●​ 案例研究（Insilico Medicine）： AI 發現的纖維化候選物從 靶點發現到臨床前候選物不足 18 個月，成本僅為典型 的一小部分。 ⁴⁷

●​ 材料科學： "A-Lab" 證明自主系統可在數天內繪製相 圖並發現穩定結構，而歷史上這一過程需 數十年。 ²⁶

5.3 "不"模擬的代價

"愛迪生方法"產生隱性"機會成本"。每一美元花在可用模擬 排除的材料測試上，就是未投給可行候選物的一美元。製藥研發失敗率 徘徊在 90% 左右，AI "快速失敗"與"虛擬 失敗"的能力是提升 ROI 的最大槓桿。 ³ Broad Institute 等開發的預測模型 用於藥物毒性（DILI/DICT），使研究者在 合成_之前_過濾有毒化合物，節省數百萬下游失敗成本。 ⁴⁸

6. 案例研究與真實世界驗證

向閉環發現的轉變並非理論；它已在 企業中產生成果。

6.1 A-Lab（材料科學）

勞倫斯·伯克利國家實驗室的"A-Lab"是完全 自主發現引擎的典範。

●​ 吞吐： 它在 17 天內合成了 41 種新型無機化合物。

●​ 自主性： 系統使用主動學習修正自身合成配方。當 反應未產生目標相時，AI 分析 XRD 圖譜，調整 前驅體比例或加熱曲線，並重試。

●​ 影響： 新型材料 71% 的成功率遠高於人類 直覺驅動合成。 ²⁶

6.2 製藥領軍者

●​ 默克： 積極使用 AI 與自動化為 Keytruda 的"專利懸崖" 做準備，利用這些技術以高質量 候選物充實管線。 ⁷

●​ Exscientia 與 Insilico： 這些"AI 優先"生物技術公司驗證了 AI 可比傳統大型製藥 方法更快更便宜交付臨床候選物的模式。它們的成功迫使整個行業轉向。 ⁴⁷

7. 戰略展望：從包裝層到解決方案

7.1 超越"包裝層"

市場上許多當前 AI 產品不過是公共 LLM API （OpenAI、Anthropic）的"包裝層"。這些對文本生成有用但不足以支撐深度科學。 它們缺乏領域特異性、物理約束及與硬體 集成，無法實現真正的研發轉型。包裝層無法與 SiLA 2 移液工作站整合； 它無法在化學反應中強制質量守恆；它無法以貝氏嚴謹性 導航 $10^{100}$ 搜尋空間。

Veriprajna 將自己定位為深度 AI 解決方案提供商。這意味著：

●​ 定製架構： 我們構建結合 GNN（分子 幾何）、PIML（物理一致性）與 LLM（推理）的混合模型。

●​ 資料主權： 我們部署私有微調模型，確保專有 化學資料永不離開客戶安全環境。

●​ 全棧整合： 我們不僅提供代碼；我們架構整個環路，從 貝氏最佳化演演算法到控制移液頭的 SiLA 2 驅動。

7.2 化學的未來

$10^{100}$ 的搜尋空間不再是不可逾越的深淵；它是待 導航的景觀。高性能計算、生成式 AI 與機器人 自動化的融合使我們能夠移液通往突破——但僅_在_我們模擬 路徑之後。

未來屬於那些停止猜測、開始計算的人。愛迪生方法 是過去的必然。閉環發現是未來的必然。

不要猜測再驗證。先模擬再選擇。

參考文獻

1. Chemical space - Wikipedia，2025 年 12 月 11 日查閱於，b https://en.wikipedia.org/wiki/Chemical_space

2. Scientists Map All Possible Drug-like Chemical Compounds - Duke Today，b 2025 年 12 月 11 日查閱於， https://today.duke.edu/2013/04/smallmolecules

3. Edisonian approach - Wikipedia，2025 年 12 月 11 日查閱於，b https://en.wikipedia.org/wiki/Edisonian_approach

4. Addressing Edison's Concern，2025 年 12 月 11 日查閱於，b https://www.its.caltech.edu/~matsci/bt/EdisonText.html f

5. Measuring the return from pharmaceutical innovation 2024 | Deloitte US, b 查閱於 2025 年 12 月 11 日， https://www.deloite.com/us/en/Industries/life-sciences-health-care/articles/measturing-return-from-pharmaceutical-innovation.html

6. Pharma R&D Returns Grow Again, But Deloitte Warns Progress is 'Fragile' b BioSpace, 查閱於 2025 年 12 月 11 日， https://www.biospace.com/business/pharma-r-d-returns-grow-again-but-deloite-warns-progress-is-fragile

7. Top 10 pharma R&D budgets in 2024 - Fierce Biotech, 查閱於 2025 年 12 月 11 日，b https://www.fiercebiotech.com/special-reports/top-10-pharma-rd-budgets-2024

8. Virtual Screening and High-Throughput Screening in Drug Discovery b ResearchGate, 查閱於 2025 年 12 月 11 日， https://www.researchgate.net/publication/392708243_Virtual_Screening_and_High-Throughput_Screening_in_Drug_Discovery

9. High Throughput Screening Market Forecast, 2025-2032 - Coherent Market Insights, 查閱於 2025 年 12 月 11 日， https://www.coherentmarketinsights.com/industry-reports/high-throughput-screening-market

10. How do you choose between HTS, virtual screening and FBDD? - Domainex, 查閱於 2025 年 12 月 11 日， https://www.domainex.co.uk/news/how-do-you-choose-between-hts-virtual-screening-and-fbdd

11. How the Materials Project connects computational and experimental materials science, 查閱於 2025 年 12 月 11 日， https://it.lbl.gov/how-the-materials-project-connects-computational-and-experimental-materials-science/

12. The Bright Future of Materials Science with AI: Self-Driving Laboratories and Closed-Loop Discovery - ResearchGate, 查閱於 2025 年 12 月 11 日， https://www.researchgate.net/publication/397193999_The_Bright_Future_of_Materials_Science_with_AI_Self-Driving_Laboratories_and_Closed-Loop_Discovery

13. Physics-informed machine learning for combustion: A review - arXiv, 查閱於 2025 年 12 月 11 日， https://arxiv.org/html/2509.03347v1

14. Physics-Informed Machine Learning Models for the Characterization of Materials b with Damage, 18-R6214 | Southwest Research Institute, 查閱於 2025 年 12 月 11 日， https://www.swri.org/what-we-do/internal-research-development/2023/chemistry-materials/physics-informed-machine-learning-models-the-characterization-of-materials-damage-18-r6214

15. Physics-Constrained Machine Learning for Chemical Engineering - arXiv, 查閱於 2025 年 12 月 11 日， https://arxiv.org/html/2508.20649v1

16. A new generative AI approach to predicting chemical reactions | MIT News, 查閱於 2025 年 12 月 11 日， https://news.mit.edu/2025/generative-ai-approach-to-predicting-chemical-reactions-0903

17. Machine Learning Approaches for Accelerated Materials Discovery - AZoM, 查閱於 2025 年 12 月 11 日， https://www.azom.com/article.aspx?ArticleID=23290

18. Less is more: Sampling chemical space with active learning - AIP Publishing, 查閱於 2025 年 12 月 11 日， https://pubs.aip.org/aip/jcp/article/148/24/241733/963478/Less-is-more-Sampling-chemical-space-with-active

19. A Combined DFT/Machine Learning Framework for Materials Discovery: Application to Spinels and Assessment of Search Completeness and Efficiency | Theoretical and Computational Chemistry | ChemRxiv | Cambridge Open Engage, 查閱於 2025 年 12 月 11 日， https://chemrxiv.org/engage/chemrxiv/article-details/60c750b5469df44174f448e9

20. Benchmarking Large Language Models for Molecule Prediction Tasks | alphaXiv, 查閱於 2025 年 12 月 11 日， https://www.alphaxiv.org/overview/2403.05075

21. LLM Copilots for Bench Scientists: A Practical Guide | IntuitionLabs, 查閱於 2025 年 12 月 11 日， https://intuitionlabs.ai/articles/llm-copilots-bench-scientists

22. Evaluating the Performance and Robustness of LLMs in Materials Science Q&A and Property Predictions - arXiv, 查閱於 2025 年 12 月 11 日， https://arxiv.org/html/2409.14572v2

23. Graph Neural Networks in Modern AI-Aided Drug Discovery | Chemical Reviews, 查閱於 2025 年 12 月 11 日， https://pubs.acs.org/doi/10.1021/acs.chemrev.5c00461

24. Large Language Models Meet Graph Neural Networks: A Perspective of Graph Mining - MDPI, 查閱於 2025 年 12 月 11 日， https://www.mdpi.com/2227-7390/13/7/1147

25. Large Language Models vs Graph Neural Networks: It Depends - Symmetry Systems, 查閱於 2025 年 12 月 11 日， https://www.symmetry-systems.com/blog/large-language-models-vs-graph-neural-networks-it-depends/

26. Artificial intelligence-driven autonomous laboratory for accelerating chemical discovery, 查閱於 2025 年 12 月 11 日， https://www.oaepublish.com/articles/cs.2025.66

27. Autonomous Chemical Experiments: Challenges and Perspectives on Establishing a Self-Driving Lab - PMC - PubMed Central, 查閱於 2025 年 12 月 11 日， https://pmc.ncbi.nlm.nih.gov/articles/PMC9454899/

28. Active learning in robotics - Thomas A. Berrueta, 查閱於 2025 年 12 月 11 日， https://tberrueta.github.io/assets/pdfs/TaylorMechatronics2021.pdf

29. The Hidden Value of Failure: Why Negative Data is Critical for AI-Driven Drug Discovery, 查閱於 2025 年 12 月 11 日， https://www.digitalchemistry.ai/resources/white-papers/the-hidden-value-of-failure-why-negative-data-is-critical-for-ai-driven-drug-discovery/

30. Acquisition functions in Bayesian Optimization | Let's talk about science!, 查閱於 2025 年 12 月 11 日， https://ekamperi.github.io/machine%20learning/2021/06/11/acquisition-functions.html

31. Bayesian Optimization for Chemical Synthesis in the Era of Artificial Intelligence: Advances and Applications - MDPI, 查閱於 2025 年 12 月 11 日， https://www.mdpi.com/2227-9717/13/9/2687

32. what is Thompson sampling and upper Confidence bound | by Yashwanth Reddy - Medium, 查閱於 2025 年 12 月 11 日， https://medium.com/@reddyyashu20/what-is-thompson-sampling-and-upper-confidence-bound-d8088a703b02

33. Deconstructing the human algorithms for exploration - PMC - NIH, 查閱於 2025 年 12 月 11 日， https://pmc.ncbi.nlm.nih.gov/articles/PMC5801139/

34. Bayesian Optimization over Multiple Experimental Fidelities ..., 查閱於 2025 年 12 月 11 日， https://pubs.acs.org/doi/10.1021/acscentsci.4c01991

35. Multi-fidelity Sequential Learning for Accelerated Materials Discovery - ChemRxiv, 查閱於 2025 年 12 月 11 日， https://chemrxiv.org/engage/api-gateway/chemrxiv/assets/orp/resource/item/60c756c60f50dbb7f939813f/original/multi-fidelity-sequential-learning-for-accelerated-materials-discovery.pdf

36. Cost-Informed Bayesian Reaction Optimization - ChemRxiv, 查閱於 2025 年 12 月 11 日， https://chemrxiv.org/engage/api-gateway/chemrxiv/assets/orp/resource/item/66220e8a21291e5d1d27408d/original/cost-informed-bayesian-reaction-optimization.pdf

37. Cost-informed Bayesian reaction optimization - PMC - NIH, 查閱於 2025 年 12 月 11 日， https://pmc.ncbi.nlm.nih.gov/articles/PMC11465108/

38. 查閱於 2025 年 12 月 11 日， https://pmc.ncbi.nlm.nih.gov/articles/PMC12164950/#:~:text=Here%2C%20we%20demonstrate%20that%20information,limited%20volume%20of%20successful%20data.

39. Negative chemical data boosts language models in reaction outcome prediction PMC, 查閱於 2025 年 12 月 11 日， https://pmc.ncbi.nlm.nih.gov/articles/PMC12164950/

40. Standardization in Lab Automation - Wikipedia, 查閱於 2025 年 12 月 11 日， https://en.wikipedia.org/wiki/Standardization_in_Lab_Automation

41. SiLA Rapid Integration - Standards, 查閱於 2025 年 12 月 11 日， https://sila-standard.com/standards/

42. SiLA 2: The Next Generation Lab Automation Standard - ResearchGate, 查閱於 2025 年 12 月 11 日， https://www.researchgate.net/publication/360985834_SiLA_2_The_Next_Generation_Lab_Automation_Standard

43. Optimising digital twin laboratories with conversational AIs: enhancing immersive training and simulation through virtual reality - RSC Publishing, 查閱於 2025 年 12 月 11 日， https://pubs.rsc.org/en/content/articlehtml/2025/dd/d4dd00330f

44. Digital Twins in Pharmaceutical Quality Control | Lab Manager, 查閱於 2025 年 12 月 11 日， https://www.labmanager.com/digital-twins-in-pharmaceutical-quality-control-34142

45. AI-Powered LIMS Systems: Transforming Lab Accuracy & Automation | Medium, 查閱於 2025 年 12 月 11 日， https://medium.com/@healthray/ai-powered-lims-systems-transforming-lab-accuracy-automation-6e5aaf0748ba

46. AI-Driven Pharma LIMS Analytics Transform Lab Data Insights - LabLynx, 查閱於 2025 年 12 月 11 日， https://www.lablynx.com/resources/articles/ai-driven-pharma-lims-analytics/

47. Measuring AI ROI in Drug Discovery: Key Metrics & Outcomes | IntuitionLabs, 查閱於 2025 年 12 月 11 日， https://intuitionlabs.ai/articles/measuring-ai-roi-drug-discovery

48. De-risking drug discovery with predictive AI | Broad Institute, 查閱於 2025 年 12 月 11 日， https://www.broadinstitute.org/news/de-risking-drug-discovery-predictive-ai