Robin: AI-systemet som driver forskning fra hypotese til labresultat
FutureHouse har bygget et AI-system som ikke bare foreslår hypoteser – det følger dem hele veien inn i laboratoriet, analyserer rådata og justerer kursen underveis. Robin er det første systemet som kobler hypotesegenerering og eksperimentell dataanalyse i én sammenhengende arbeidsflyt.
Tre agenter med ulike roller
Robin er ikke én modell, men et orkester av spesialiserte agenter som jobber i sekvens.
Hvert trinn i forskningsprosessen håndteres av en agent med dedikert funksjon.
- Crow gjør innledende litteratursøk og oppsummerer relevant forskning raskt og uten hallusinerte referanser
- Falcon går dypere – evaluerer kandidater, genererer detaljerte vurderingsrapporter og rangerer dem etter vitenskapelig grunnlag
- Finch tar over når labdataene kommer inn og analyserer råmateriale som RNA-sekvensering og flowcytometri
Crow og Falcon er basert på PaperQA2, et litteratursøksystem med ekspertnivå presisjon, med tilgang til vitenskapelig litteratur, kliniske studier og Open Targets Platform.
Finch og konsensusmekanismen
Finch er den mest teknisk krevende delen av Robin, og den som skiller systemet fra tidligere AI-forskningsverktøy.
Labdata er støyende. For å kompensere for dette kan Finch kjøre opptil 10 uavhengige analyseløp parallelt og slå dem sammen til én konsensuskonklusjon.
- Kjører kode i Jupyter notebook for reproduserbare resultater
- Bruker ReAct-basert agentprompting for iterativ analyse
- Veier motstridende interne vurderinger mot hverandre før konklusjon godtas
Resultatet er et system som er mer robust mot støy og tilfeldige feil enn en enkelt analysemodell.
Funnet som bekreftet konseptet
Robin ble brukt til å identifisere nye behandlingskandidater for tørr aldersrelatert makuladegenerasjon (dAMD) – en av de vanligste årsakene til irreversibelt synstap på verdensbasis.
Systemet foreslo å styrke fagocytosen i retinal pigmentepitel som en terapeutisk strategi. Etter testing i labmiljø identifiserte Robin ripasudil – et legemiddel allerede i klinisk bruk mot glaukom – som en lovende ny kandidat for dAMD.
- Crow gjennomførte innledende litteraturgjennomgang og foreslo mekanisme
- Falcon evaluerte og rangerte 10 medikamentkandidater
- Finch analyserte flowcytometri- og RNA-sekvensdata fra labforsøkene
Dette er beskrevet i en publisert artikkel i Nature, noe som gir funnene vitenskapelig tyngde utover en teknisk demo.
Hvorfor dette er viktig
Robin er ikke et chatverktøy for forskere – det er et system som faktisk utfører deler av forskningsprosessen.
- Første system som integrerer hypotesegenerering og eksperimentell dataanalyse i én loop
- Kan tilpasses til hvilken som helst sykdom som utgangspunkt
- Semi-autonomt: mennesker godkjenner kandidater og utfører lab-arbeidet, Robin håndterer den intellektuelle koordineringen
Koblet mot Co-scientist og lignende systemer begynner konturen av en fremtidig forskningsinfrastruktur å ta form – der AI ikke bare assisterer, men driver deler av oppdagelsesprosessen.
Oppsummering
Robin viser at AI-systemer nå kan håndtere hele syklusen fra spørsmål til labresultat – ikke bare ett steg av gangen.
- Bygget av FutureHouse, publisert i Nature 2026
- Tre spesialiserte agenter: Crow, Falcon og Finch
- Identifiserte ripasudil som ny dAMD-kandidat i faktisk labforsøk
Det neste store spørsmålet er skalering: hva skjer når slike systemer kjøres parallelt på dusinvis av sykdommer samtidig?
