تصور کنید به جای هفته‌ها تلاش در آزمایشگاه، بتوانید یک مولکول جدید را مانند یک قطعه کد برنامه‌ریزی و اجرا کنید. این رویای تبدیل شیمی به یک فرآیند نرم‌افزاری، اکنون با سرمایه‌گذاری ۲۲ میلیون پوندی در شرکت Chemify در حال تبدیل شدن به واقعیت است. این مبلغ توسط Scottish Enterprise (۱۶ میلیون پوند) و دولت بریتانیا (۶ میلیون پوند) تامین شده است تا پلتفرمی را مقیاس‌بندی کند که طراحی مولکولی توسط هوش مصنوعی زاینده (Generative AI) را با سنتز رباتیک خودکار ادغام می‌کند.
در حالی که صنعت هوش مصنوعی سال‌هاست روی بهینه‌سازی GPUها و مراکز داده تمرکز کرده، در علوم فیزیکی یک گلوگاه زیرساختی متفاوت ظاهر شده است. تولید یک میلیون مولکول مجازی در دنیای دیجیتال امری پیش‌پاافتاده و ساده است، اما ساخت فیزیکی آن‌ها و بازگرداندن نتایج به مدل برای اصلاح آن، چالش اصلی و واقعی است. Chemify دقیقاً در همین شکاف فیزیکی عمل می‌کند تا فراتر از الگوهای کشف صرفاً دیجیتالی که در سایر بخش‌های هوش مصنوعی دیده‌ایم، حرکت کند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی شناسایی الگوهای صنعتی توسط مدل‌های زبانی — مانند شبکه‌های کلاهبرداری (Catfishing) که توسط Anthropic شناسایی شدند — اشاره کردیم، Chemify اکنون همین تفکر مقیاس‌پذیر را به دنیای فیزیکی آورده است. آن‌ها به جای پیش‌بینی صرف ویژگی‌ها، در حال ساخت «هایپراسکایلرهای» شیمی هستند.
بستر مالی و حمایت‌ها
این ۲۲ میلیون پوند کمک مالی بخشی از یک استراتژی سرمایه‌ای بسیار بزرگ‌تر است. Chemify دور تامین مالی سری B خود را که پیش‌تر اعلام شده بود، به ۵۱.۹ میلیون پوند (معادل ۷۰ میلیون دلار) افزایش داد. این اقدام باعث شد مجموع سرمایه‌های جذب‌شده و تامین‌شده توسط این شرکت به بیش از ۱۱۰ میلیون پوند (۱۵۰ میلیون دلار) برسد.
دور اصلی سری B توسط Wing Venture Capital و Insight Partners رهبری شد. علاوه بر این، شرکت‌های 8VC و سرمایه‌گذاران پیشین مانند Triatomic Capital، Blueyard، Rockspring و Eos نیز در این مرحله مشارکت داشتند.
موتور محاسبات شیمیایی (Chemputation)
قلب تپنده این شرکت رویکردی به نام «Chemputation» یا محاسبات شیمیایی است. این سامانه، یادگیری ماشین، نرم‌افزارهای تخصصی شیمی و سیستم‌های رباتیک آزمایشگاهی را با هم ترکیب می‌کند. هدف نهایی این است که شیمی را از یک گردش‌کار دستی و متکی بر مهارت‌های فردی در آزمایشگاه، به یک فرآیند برنامه‌ریزی‌پذیر تبدیل کند. این فرآیند از یک خط لوله (Pipeline) مشخص پیروی می‌کند:
- طراحی (Design): هوش مصنوعی بر اساس ویژگی‌های پیش‌بینی‌شده، یک مولکول هدف را پیشنهاد می‌دهد. مدل‌های زاینده فضاهای شیمیایی عظیمی را جستجو می‌کنند تا ساختارهایی را بیابند که امیدوارکننده به نظر می‌رسند. این رویکرد تکاملی در راستای تبدیل AI به یک شریک فعال در آزمایشگاه است، مشابه آنچه در ارتقای قابلیت‌های Co-Scientist گوگل دیپ‌مایند برای کاهش نرخ خطاهای ساخت مشاهده کردیم.
- برنامه‌ریزی (Planning): یک سیستم بهینه‌سازی مسیر به نام ASSEMBLER، پایگاه داده‌ای از کلاس‌های واکنش را که پیش‌تر تایید و خودکار شده‌اند، جستجو می‌کند تا بهینه‌ترین مسیر سنتز را بیابد.
- کدگذاری (Encoding): دستورالعمل‌ها به زبان χDL نوشته می‌شوند. این یک زبان برنامه‌نویسی شیمیایی است که مستقل از سخت‌افزار (Hardware-agnostic) است و روی ربات‌های مختلف اجرا می‌شود.
- اجرا (Execution): سیستم‌های رباتیک عملیات سنتز، آماده‌سازی (Workup)، خالص‌سازی و ارزیابی تحلیلی نهایی را به طور کامل مدیریت می‌کنند.
بستن حلقه با Genesis
برای بهینه‌سازی و پالایش این فرآیند، شرکت سامانه Chemify Genesis را معرفی کرده است. این یک سیستم کشف «حلقه-بسته» (Closed-loop) است که بر اساس چرخه «پرسش، ساخت و آزمایش» (Ask, Make, Test) عمل می‌کند. در این مدل، پژوهشگران یک هدف علمی و محدودیت‌های خاص را تعریف می‌کنند، سیستم کاندیداها را پیشنهاد و سنتز می‌کند و در نهایت سیستم‌های تجربی نتایج را اندازه‌گیری می‌کنند.
برخلاف پژوهش‌های سنتی که اغلب نتایج منفی یا آزمایش‌های شکست‌خورده را نادیده می‌گیرند یا گزارش نمی‌کنند، Genesis تمام موفقیت‌ها، نتایج جزئی و شکست‌ها را با دقت ثبت می‌کند. این داده‌ها در کنار دستورالعمل‌های دقیق، شرایط محیطی و داده‌های تحلیلی ذخیره می‌شوند.
این حجم از داده منجر به خلق چیزی می‌شود که Chemify آن را «مدل جهانی برای شیمی» (World Model for Chemistry) می‌نامد. در تحقیقات هوش مصنوعی، مدل‌های جهانی بازنمایی‌هایی از نحوه رفتار یک محیط می‌سازند تا پیش‌بینی‌های آینده را بهبود بخشند. در اینجا، محیط همان «فضای شیمیایی» است. با یادگیری از مشاهدات فیزیکی به جای تکیه صرف بر مقالات تاریخی، هوش مصنوعی درک بهتری از مرزهای سنتز عملی پیدا می‌کند. این حلقه بازخورد تضمین می‌کند که AI فقط مولکول‌های «جالب» را طراحی نکند، بلکه موادی را پیشنهاد دهد که واقعاً در دنیای فیزیکی قابل ساخت باشند. این تمرکز بر حجم انبوه داده‌های تجربی برای بهبود مدل‌ها، یادآور معماری Faraday است که در آن یادگیری تقویتی جای خود را به داده‌های حجیم داد تا دقت در پژوهش‌های پیچیده افزایش یابد.
مقیاس‌بندی لایه فیزیکی
اجرای این حلقه در مقیاس صنعتی نیازمند زیرساخت‌های فیزیکی عظیمی است. Chemify نخستین Chemifarm خود را در سال ۲۰۲۵ در گلاسگو افتتاح کرد؛ مرکزی که به طور اختصاصی برای طراحی و سنتز خودکار مولکولی ساخته شده است. طبق برنامه‌ریزی شرکت، نسل دوم این مرکز در اواخر سال ۲۰۲۶ فعال می‌شود که شامل مجموعه بزرگ‌تری از سیستم‌های خودکار، توان عملیاتی (Throughput) بالاتر و قابلیت‌های سنتز گسترده‌تری خواهد بود.
این توسعه بخشی از یک پروژه بزرگ‌تر ۸۹.۹ میلیون پوندی است که ۶۷.۹ میلیون پوند از آن توسط خود شرکت Chemify تامین شده است. شرکت قصد دارد نیروی کار خود در اسکاتلند را از ۱۵۲ نفر به حدود ۴۵۰ نفر در سه سال آینده افزایش دهد. انتظار می‌رود این گسترش منجر به ایجاد ۳۰۰ شغل جدید و حفظ ۱۰۰ شغل موجود شود.
دفتر مرکزی جهانی و مرکز تحقیق و توسعه (R&D) جدید آن‌ها در «هاب نوآوری سلامت» (Health Innovation Hub) در منطقه گوان، در محدوده منطقه نوآوری Riverside گلاسگو و در نزدیکی بیمارستان دانشگاهی کوئین الیزابت مستقر خواهد شد.
مدل هایپراسکایلر شیمی
شرکت Chemify خود را به عنوان یک «هایپراسکایلر شیمی» (Chemistry Hyperscaler) تعریف می‌کند. همان‌طور که ارائه‌دهندگان خدمات ابری (Cloud Computing) به شرکت‌ها اجازه می‌دهند ظرفیت GPU را به صورت On-demand اجاره کنند، Chemify به سازمان‌ها اجازه می‌دهد ظرفیت سنتز رباتیک استاندارد را رزرو کنند. این مدل نیاز هر شریک تجاری به ساخت گردش‌کارهای آزمایشگاهی داخلی و هزینه‌بر را از بین می‌برد.
سیستم Genesis به گونه‌ای طراحی شده است که شرکا را به هر دو لایه نرم‌افزاری و ظرفیت فیزیکی Chemifarm متصل کند. برای محافظت از مالکیت معنوی (IP)، شرکت مدل‌های هر شریک و داده‌های تجربی آن‌ها را در دامنه‌های محافظت‌شده و مجزا نگهداری می‌کند و آن‌ها را با داده‌های مشتریان دیگر ترکیب نمی‌کند. با این حال، اتوماسیون کامل در اختراعات، چالش‌های حقوقی جدیدی را ایجاد کرده است؛ چنان‌که دادگاه‌های آمریکا اخیراً حکم کردند هوش مصنوعی نمی‌تواند به تنهایی به عنوان مخترع در ثبت اختراعات نام‌برده شود، موضوعی که برای مدل‌های هایپراسکایلر اهمیت ویژه‌ای دارد.
در حالی که گلاسگو مرکز اصلی عملیات باقی می‌ماند، Chemify برنامه‌هایی برای گسترش بین‌المللی، از جمله احداث مراکز Chemifarm اضافی در ایالات متحده را اعلام کرده است.
تحلیل: تغییر به سمت محاسبات فیزیکی
این حرکت نشان‌دهنده تغییر در تعریف «مقیاس» (Scale) در هوش مصنوعی علمی است. برای سال‌ها تصور بر این بود که افزایش قدرت محاسباتی و داده‌های بیشتر، مسئله کشف مواد را حل می‌کند. اما مدل Chemify نشان می‌دهد که گلوگاه واقعی، «توان عملیاتی تجربی» (Experimental Throughput) است؛ یعنی سرعتی که در آن یک پیش‌بینی دیجیتال توسط یک نتیجه فیزیکی تایید می‌شود.
برای کسب‌وکارهای داروسازی و علم مواد، این بدان معناست که مزیت رقابتی از «داشتن بهترین مدل» به «داشتن کارآمدترین حلقه بازخورد فیزیکی» تغییر می‌کند. اگر شیمی واقعاً برنامه‌ریزی‌پذیر شود، هزینه شکست در آزمایشگاه به شدت کاهش می‌یابد و زمان رسیدن مواد جدید به بازار (Time-to-market) تسریع می‌شود.
باید منتظر بود و دید که این مدل چگونه بر بازار سنتی سازمان‌های تحقیقات قراردادی (CRO) تاثیر می‌گذارد، زیرا هایپراسکایلرهای خودکار ممکن است به تدریج جایگزین خدمات دستی آزمایشگاهی شوند.
گام بعدی شما
- اگر در حوزه داروسازی یا علم مواد فعال هستید، مدل «سنتز به عنوان سرویس» (SaaS for Synthesis) را دنبال کنید.
- بررسی کنید که چگونه زبان‌های برنامه‌نویسی سخت‌افزار-ناشناس (مانند χDL) می‌توانند استانداردهای جدیدی در آزمایشگاه‌ها ایجاد کنند.
- تغییر پارادایم از «بهترین مدل» به «سریع‌ترین حلقه بازخورد فیزیکی» را در استراتژی‌های R&D خود بگنجانید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک لایه‌های زیرساختی، به تحلیل ما درباره تراشه‌های تخصصی شتاب‌دهنده مراجعه کنید.
گفتگو