Jeden robot zamiast laboratorium. Chemik-AI właśnie dostał etat

Jeden robot zamiast laboratorium. Chemik-AI właśnie dostał etat

W piątek o 18:30, kiedy doktoranci USTC w Hefei wychodzili na kolację, w laboratorium zapaliło się światło — ale nie dla ludzi. Manipulator robota sięgnął po pipetę. Na ekranie monitora Llama-3.1-70B, model językowy ważący 140 GB i zajmujący cztery karty H100, przeanalizował właśnie 200 najnowszych publikacji o katalizatorach MOF i zaproponował eksperyment, którego nikt wcześniej nie rozważał. O 22:15 wynik był gotowy. Doktorant, który wrócił rano, zastał na biurku raport napisany w akademickim angielskim — z hipotezą, procedurą, widmami XRD i sugestią następnego kroku. Robot w międzyczasie przeszedł w tryb standby.

To nie scenariusz science fiction. Tak działa ChemAgents — pierwszy w pełni autonomiczny, wieloagentowy chemik AI opisany właśnie na łamach Journal of the American Chemical Society. W przeciwieństwie do większości przełomów laboratoryjnych, które istnieją tylko na symulatorze, ten przeszedł już sześć rzeczywistych, mokrych eksperymentów: od syntezy metaloorganicznych sieci krystalicznych po optymalizację warunków klasycznej reakcji Suzuki. Bez jednego telefonu do promotora.

Czterech agentów w jednym robocie — laboratorium na biurku

Architektura ChemAgents jest zaskakująco czytelna: hierarchiczny system pięciu wyspecjalizowanych agentów, każdy oparty na tym samym modelu Llama-3.1-70B — co kluczowe — działającym lokalnie, bez łącza do chmury. Żadne dane eksperymentalne nie opuszczają laboratorium.

Task Manager rozmawia z człowiekiem-badaczem w języku naturalnym. Zdanie „zoptymalizuj wydajność reakcji sprzęgania, budżet: 24 godziny, max 50 prób" wystarcza, by uruchomić autonomiczną pętlę. Task Manager rozkłada cel na zadania cząstkowe i deleguje je czterem agentom funkcyjnym. Literature Reader przeszukuje bazę 200 000 publikacji i wyciąga protokoły dla docelowej klasy reakcji. Experiment Designer układa sekwencję eksperymentów — pierwsze pięć to eksploracja przestrzeni parametrów, kolejne dwadzieścia to optymalizacja bayesowska z modelem zastępczym. Computation Performer modeluje struktury przejściowe w DFT i przewiduje wydajności przy użyciu wytrenowanego modelu ML. Robot Operator tłumaczy plan na komendy dla fizycznego manipulatora z dokładnością do mikrolitra.

To nie jest system, który tylko pipetuje według sztywnego skryptu. Gdy eksperyment nr 6 nieoczekiwanie daje 22% wydajności zamiast przewidywanych 60%, Literature Reader automatycznie sprawdza, czy podobny spadek opisano w literaturze. Computation Performer proponuje zmodyfikowany mechanizm przejściowy — konkurencyjną ścieżkę reakcji z produktem ubocznym, który blokuje katalizator. Experiment Designer w locie przeprojektowuje pozostałe 14 eksperymentów w serii, uwzględniając nową hipotezę. Bez telefonu do doktoranta. Bez przerwy na sen.

Pierwszy kontrast mikro→makro: jedno stanowisko robotyczne wielkości biurka — manipulator, cztery karty GPU, spektrometr — zastępuje zespół trzech doktorantów pracujących na zmiany. A ponieważ agent działa 24 godziny na dobę bez zmęczenia, bez powtórek przez pomyłkę i bez tygodniowego opóźnienia, gdy ktoś zachoruje, realny współczynnik przyspieszenia wynosi 7–10× w stosunku do doświadczonego chemika pracującego samodzielnie.

10⁶⁰ cząsteczek, jeden robot

Przestrzeń chemiczna — zbiór wszystkich teoretycznie możliwych cząsteczek o właściwościach lekowych — szacowana jest na 10⁶⁰ struktur. Liczba atomów w obserwowalnym wszechświecie? Około 10⁸⁰. Do tej pory ludzkość zsyntetyzowała około 200 milionów związków — mniej więcej tyle, ile ziaren piasku mieści się w ciężarówce, podczas gdy cała przestrzeń chemiczna to wszystkie plaże na Ziemi pomnożone przez liczbę gwiazd w Drodze Mlecznej. Każdy nowy lek, katalizator czy materiał funkcjonalny to wynik żmudnego, ręcznego przeszukiwania tej przestrzeni przez doktorantów uzbrojonych w kolby i pipety.

Autonomiczne laboratoria — „self-driving labs" — nie są nowym pomysłem. Pierwsze systemy high-throughput screening powstały w przemyśle farmaceutycznym już w latach 90. Ale były to maszyny głupie w sensie algorytmicznym: robot podawał 1000 wariantów, człowiek analizował wyniki, po tygodniu narad podejmował decyzję o następnej serii, robot czekał. To, co wnosi ChemAgents, to zamknięcie pętli decyzyjnej. System nie czeka na człowieka między iteracjami — sam czyta literaturę, sam projektuje eksperyment, sam interpretuje wyniki, sam poprawia błędy.

Drugi kontrast: jeden serwer GPU za 15 000 dolarów i manipulator za 50 000 dolarów dają system, który wykonuje pracę laboratoryjną wartą rocznie około 300 000 dolarów (trzy etaty postdoców w chemii eksperymentalnej). Zwrot z inwestycji: poniżej trzech miesięcy. Dla porównania — koszt wyszkolenia jednego doktora chemii (5 lat studiów doktoranckich, odczynniki, aparatura) to w Polsce około 600 000 złotych ze środków publicznych i grantowych. Jeden ChemAgents kosztuje tyle samo — ale pracuje 24/7 przez 5 lat bez urlopu.

Zespół Songa nie jest jedyny w tym wyścigu. Równolegle w Nature Communications ukazała się praca zespołu z MIT i Broad Institute (Singh et al., 2025) opisująca platformę do autonomicznej inżynierii enzymów — również opartą na agentach LLM i automatycznym biofoundry. System wyewoluował enzym o 50-krotnie wyższej aktywności w ciągu 48 godzin, prowadząc 12 rund mutagenezy i selekcji w pełni autonomicznie. W obu przypadkach wspólnym mianownikiem jest fundamentalne przesunięcie: od „AI jako narzędzia analitycznego, które podpowiada człowiekowi" do „AI jako badacza wykonującego fizyczne eksperymenty w materialnym świecie".

Polska: doskonała chemia obliczeniowa, laboratorium śpi po 17:00

Polska chemia teoretyczna i obliczeniowa od lat gra w pierwszej lidze. Grupa profesora Andrzeja Sokólskiego z Politechniki Wrocławskiej rozwija metody DFT stosowane w modelowaniu katalizatorów — dokładnie takie narzędzia, jakie wchodzą do Model Library ChemAgents. Zespół profesora Bartosza Trzaskowskiego z Centrum Nowych Technologii UW publikuje prace o projektowaniu ligandów wspomaganym obliczeniami kwantowymi, które regularnie trafiają do JACS — tego samego czasopisma, w którym ukazał się ChemAgents. Profesor Tomasz Puzyn z Uniwersytetu Gdańskiego kieruje laboratorium QSAR, które od lat używa machine learningu do przewidywania właściwości związków chemicznych — kompetencja, która bezpośrednio przekłada się na warstwę Computation Performer w systemie autonomicznym.

Brakuje jednego elementu: fizycznego robota z zamkniętą pętlą decyzyjną. Polskie laboratoria high-throughput — Laboratorium Automatyzacji Syntezy w IChO PAN czy platforma screeningowa w Centrum Badań Molekularnych i Makromolekularnych PAN w Łodzi — automatyzują dozowanie i analizę, ale nadal wymagają, by człowiek patrzył na wyniki i decydował o następnym ruchu. Pętla otwarta. Luka do zamknięcia: model językowy, warstwa agentowa, integracja sprzętowa.

Ile kosztowałoby zbudowanie polskiego ChemAgents? Manipulator z końcówką do pipetowania — 100–150 tys. zł (KUKA lub Universal Robots, dostępne przez polskich integratorów jak Astor). Serwer z czterema kartami GPU do inference modelu 70B — 60–80 tys. zł. Spektrometr do bieżącej analizy — 200–400 tys. zł. Łącznie około 400–600 tys. zł — równowartość dwuletniego kosztu jednego doświadczonego chemika z pełnym zapleczem odczynnikowym. Dla instytucji takich jak Sieć Badawcza Łukasiewicz (budżet roczny ~1,2 mld zł) czy programów NCN (OPUS do 2 mln zł, MAESTRO do 3 mln zł na projekt) — to nie są kwoty astronomiczne. To decyzja strategiczna.

Jest też ścieżka przemysłowa. Polskie firmy farmaceutyczne i biotechnologiczne — Selvita (przychody 324 mln zł w 2025, laboratoria w Krakowie i Poznaniu, 900+ pracowników), Molecure (GPW, pipeline inhibitorów arginazy i YKL-40 w fazie klinicznej), Ryvu Therapeutics (platforma Kinase Library, partnerstwa z Merck i Exelixis) — każda spędza dziesiątki tysięcy roboczogodzin rocznie na optymalizacji syntez i testowaniu bibliotek związków. ChemAgents w Selvicie oznaczałby możliwość prowadzenia optymalizacji leadów 24/7, co w praktyce skraca czas projektu discovery z 18 do 6 miesięcy. Przy koszcie kapitału i wyścigu o patenty — przewaga warta dziesiątki milionów złotych. Pytanie nie brzmi „czy warto", tylko „kto pierwszy".

Trzy bariery między laboratorium a rewolucją

Technologia działa. Ale między publikacją w JACS a rutynowym użyciem w przemyśle stoją trzy bariery — i żadna nie jest naukowa.

Pierwsza: interoperacyjność. Każdy producent sprzętu laboratoryjnego używa własnego protokołu komunikacji — Hamilton, Tecan, Eppendorf, Thermo Fisher nie mówią tym samym językiem. ChemAgents działa z jednym konkretnym manipulatorem. Stworzenie uniwersalnego translatora — warstwy abstrakcji między agentem AI a dowolnym sprzętem — to zadanie inżynieryjne na 12–18 miesięcy, ale o ogromnym potencjale komercyjnym. Startup, który zbuduje „ROS-a dla chemii", zgarnie rynek zanim wielcy producenci sprzętu się obudzą.

Druga: zaufanie do czarnej skrzynki. EMA i FDA wymagają pełnej odtwarzalności i audytowalności procesu discovery leków. System oparty na LLM — modelu z natury nie w pełni deterministycznym — będzie musiał przejść walidację, która dziś nie ma precedensu. Zespół Songa częściowo adresuje ten problem przez rejestrację każdego promptu i odpowiedzi w dzienniku pokładowym, ale do zatwierdzenia leku odkrytego autonomicznie przez AI droga jest długa.

Trzecia — i dla Polski najbardziej konkretna: brakuje dedykowanego finansowania pomostowego między nauką a wdrożeniem. Horyzont Europa ma instrumenty na „digital twins for chemistry" w klastrze 4, NCN ogłasza konkursy na „AI w nauce", NCBR ma Szybką Ścieżkę — ale żaden program nie jest szyty na miarę „kupujemy robota, ładujemy model 70B, zatrudniamy chemoinformatyka i uruchamiamy autonomiczne laboratorium". Projekt za 1–1,5 mln zł w fazie proof-of-concept jest za duży na OPUS, a za mały na konsorcjum NCBR-owskie.

Jest jednak sygnał, że luka może się zamknąć. W 2026 roku PARP uruchamia program „Ścieżka SMART" z komponentem transformacji cyfrowej przemysłu — pierwszy instrument, w ramach którego firma farmaceutyczna może wnioskować o dofinansowanie autonomicznego laboratorium jako elementu cyfryzacji B+R. Dla Selvity, Molecure czy Ryvu to potencjalnie 10–15 mln zł dofinansowania na wdrożenie — jeśli tylko ktoś złoży wniosek przed konkurencją z Niemiec czy Szwajcarii.

Tymczasem autonomiczne laboratoria powstają w Chinach (USTC Hefei — ten sam zespół co ChemAgents), USA (MIT, Broad Institute, LBNL), Szwajcarii (ETH Zurich — platforma ARES) i Wielkiej Brytanii (University of Liverpool — Materials Innovation Factory). Każdy miesiąc zwłoki to miesiąc, w którym konkurencyjne laboratorium działa 24/7, podczas gdy polski chemik kończy ostatnią pipetę o 17:00 i gasi światło. Za dwa lata wybór będzie prosty: dołączyć do zespołu, który ma ChemAgents, albo konkurować z systemem pracującym bez przerwy, bez urlopu i bez pensji.

Źródła

DOI: 10.1021/jacs.4c17738 — Song T., Luo M., Zhang X. et al., A Multiagent-Driven Robotic AI Chemist Enabling Autonomous Chemical Research On Demand, Journal of the American Chemical Society (2025). 141 cytowań.

DOI: 10.1038/s41467-025-61209-y — Singh N., Lane S., Yu T. et al., A generalized platform for artificial intelligence-powered autonomous enzyme engineering, Nature Communications (2025). 81 cytowań.

DOI: 10.1038/s41467-025-57831-x — Science acceleration and accessibility with self-driving labs, Nature Communications (2025). Przegląd stanu autonomicznych laboratoriów.