AI proiectează lumea fizică într-un mod care, până foarte recent, părea rezervat laboratoarelor experimentale. În 2026, inteligența artificială nu mai este doar un sistem care generează text, imagini sau cod. Modelele propun structuri cristaline, optimizează layout-uri de cipuri, caută molecule terapeutice, orchestrează laboratoare robotizate și intră chiar în fluxurile de proiectare pentru reactoare și roboți.
Aceasta este o schimbare mult mai importantă decât pare. Un text greșit poate fi corectat cu două clickuri. Un material nou, un medicament, un cip sau o componentă de reactor trebuie să respecte fizica, chimia, toleranțele de fabricație, siguranța și costul. În lumea fizică, „halucinația” nu mai este doar o propoziție falsă — poate deveni un experiment ratat, un wafer pierdut sau un design imposibil de fabricat.
Tocmai de aceea, adevărata revoluție nu este că AI „înlocuiește inginerul”. Este că începe să participe direct în bucla idee → simulare → fabricație → măsurare → redesign. Iar atunci când această buclă este conectată la roboți și laboratoare automate, viteza descoperirii se poate schimba radical.
Momentul în care AI iese din ecran este, în esență, momentul în care software-ul începe să propună lucruri care pot fi construite, sintetizate și testate în realitate.
AI proiectează lumea fizică atunci când trece de la predicție la design
Primele mari aplicații ale AI în știință au fost predictive. Modelul primea date și încerca să estimeze o proprietate: dacă o moleculă se va lega de o proteină, dacă un material va fi stabil, dacă o structură va rezista sau dacă un cip va avea performanța dorită.
Noua generație face un pas suplimentar. În loc să răspundă doar „cum se comportă acest obiect?”, AI-ul începe să răspundă la întrebarea inversă: „ce obiect ar trebui să construiesc dacă vreau aceste proprietăți?”
Această schimbare se numește adesea inverse design. Inginerul definește ținta — de exemplu, un material cu anumită conductivitate, un cip cu anumită densitate sau o moleculă care se leagă de o proteină — iar modelul explorează un spațiu uriaș de variante care ar fi imposibil de verificat manual.
Este exact motivul pentru care generative AI devine relevantă pentru inginerie. Modelele generative nu trebuie să „scrie un răspuns frumos”; trebuie să propună o structură care trece ulterior prin simulare și experiment.
Materialele sunt primul exemplu spectaculos: de la căutare la generare
Tehnologiile moderne sunt limitate adesea nu de idei, ci de materiale. Bateriile au nevoie de electroliți și electrozi mai buni. Centrele de date au nevoie de materiale pentru răcire și putere. Panourile solare, reactoarele, calculatoarele cuantice și catalizatorii depind de compoziții și structuri foarte specifice.
Pentru mai multe informații despre roboți, poți consulta și Viața în 2040: o zi obișnuită dacă tehnologiile dezvoltate astăzi chiar funcționează, unde găsești detalii complementare despre acest subiect.
În 2023, Google DeepMind a prezentat GNoME, un model care a prezis aproximativ 2,2 milioane de structuri cristaline noi. Dintre acestea, 380.000 au fost considerate printre cele mai stabile și promițătoare pentru sinteză experimentală. DeepMind estima că această extindere a spațiului de materiale echivalează cu sute de ani de progres obținut prin metode tradiționale.
Important este că GNoME nu a „fabricat” 380.000 de materiale. A generat și filtrat candidați. Chimia reală a rămas arbitru final. Tocmai aici începe următoarea etapă.
MatterGen încearcă să genereze direct materialul cu proprietatea dorită
Microsoft Research a dus ideea mai aproape de un model generativ clasic. MatterGen este un model de difuzie pentru materiale anorganice care poate genera structuri stabile condiționate de proprietăți dorite: chimie, simetrie, proprietăți mecanice, electronice sau magnetice.
În lucrarea publicată în Nature în 2025, cercetătorii au arătat că materialele propuse de MatterGen sunt de peste două ori mai susceptibile să fie simultan noi și stabile decât unele metode anterioare și de peste zece ori mai aproape de un minim energetic local.
Partea cea mai importantă este experimentală: echipa a sintetizat un material propus de model și a măsurat proprietatea urmărită la o valoare aflată în aproximativ 20% față de țintă.
Aceasta este diferența dintre „AI a imaginat un cristal” și „AI a propus ceva ce laboratorul poate face și măsura”.
În 2026, bottleneck-ul nu mai este doar descoperirea materialului, ci rețeta de fabricație
Un material poate fi stabil în simulare și totuși foarte greu de sintetizat. Trebuie să știi temperatura, ordinea amestecării, precursorii, timpul de reacție și etapele intermediare.
În august 2026, Lawrence Berkeley National Laboratory a prezentat un model AI care încearcă să prezică nu doar produsul final al unei reacții solide, ci și secvența de faze intermediare, impurități și modul în care atomii se deplasează prin material în timpul sintezei.
Acest lucru atacă o problemă fundamentală: descoperirea unui material util poate dura zile, dar găsirea unei rețete industriale stabile poate dura luni sau ani.
Dacă AI-ul poate proiecta materialul și apoi poate sugera o cale realistă de sinteză, trece de la „motor de idei” la o componentă a ingineriei de proces.
Laboratorul autonom închide bucla: AI propune, robotul face, instrumentul măsoară
Berkeley Lab operează A-Lab, un laborator automatizat pentru materiale în care roboții pregătesc, încălzesc și caracterizează probe, iar software-ul decide ce experiment merită făcut în continuare.
Laboratorul este proiectat ca un sistem closed-loop. AI-ul propune candidatul, robotul încearcă sinteza, instrumentele măsoară rezultatul, iar datele sunt introduse înapoi în algoritm pentru următoarea iterație.
Berkeley Lab spune că A-Lab poate procesa aproximativ 50–100 de ori mai multe probe pe zi decât un om. Nu pentru că robotul „înțelege” chimia ca un cercetător, ci pentru că nu doarme, nu obosește și poate executa precis mii de operațiuni repetitive.
În februarie 2026, laboratorul a anunțat și FORUM-AI, un proiect care urmărește construirea unui sistem agentic end-to-end pentru descoperirea materialelor, capabil să combine literatură, simulări, supercomputing și A-Lab.
Aceasta este adevărata trecere de la generative AI la „self-driving science”
Un model generativ izolat produce candidați. Un laborator autonom produce informație nouă despre realitate.
Diferența este uriașă. Modelul poate propune 10.000 de variante, dar doar experimentul poate spune dacă una se poate fabrica, cât costă și dacă proprietățile supraviețuiesc în condiții reale.
Într-o buclă autonomă, sistemul nu repetă doar experimentele. Poate alege următorul experiment pe baza celui anterior — exact mecanismul care face cercetarea științifică eficientă.
În 2026, Berkeley Lab descrie explicit obiectivul unor platforme în care AI-ul formulează ipoteze, trimite experimente către roboți și rafinează ipotezele pe baza rezultatelor. Este încă cercetare de frontieră, dar infrastructura fizică există deja.
Cipurile au oferit unul dintre primele exemple industriale: AlphaChip
Proiectarea unui cip modern este un puzzle aproape imposibil pentru oameni. Miliarde de tranzistori și blocuri funcționale trebuie conectate pe o suprafață mică, cu constrângeri de latență, consum, căldură și fabricație.
Google DeepMind a dezvoltat AlphaChip, un sistem de reinforcement learning pentru plasarea componentelor unui cip. Metoda pornește de la o grilă goală și plasează componentele una câte una, fiind recompensată pe baza calității layout-ului final.
DeepMind spune că layout-urile generate de AlphaChip au fost folosite în ultimele trei generații de acceleratoare TPU ale Google și descrie unele rezultate drept „superhuman”.
Aici AI-ul nu desenează un cip imaginar pentru o demonstrație. Contribuie la hardware care este fabricat și folosit pentru a antrena alte modele AI.
AI proiectează cipurile care vor antrena următoarea generație de AI
Această buclă este una dintre cele mai interesante din tehnologie. AI-ul ajută la proiectarea acceleratorului, acceleratorul antrenează modele mai mari, iar modelele mai mari pot fi folosite pentru a proiecta hardware mai bun.
Nu este o buclă autonomă infinită. Fabricarea de semiconductori rămâne limitată de litografie, materiale, costuri, packaging, energie și randament. Dar etapa de proiectare poate accelera suficient încât ciclurile de hardware să devină mai rapide.
Într-o industrie în care un singur tape-out poate costa zeci sau sute de milioane de dolari, reducerea timpului de design și găsirea unui layout mai bun au valoare economică enormă.
Medicamentele sunt poate cea mai ambițioasă formă de design fizic
Un medicament este, în esență, o structură moleculară construită pentru a modifica un proces biologic fără a produce efecte toxice inacceptabile. Spațiul posibil al moleculelor este atât de mare încât nu poate fi explorat exhaustiv.
AlphaFold a schimbat problema inițială prin predicția structurilor proteinelor. Baza AlphaFold conține acum peste 200 de milioane de structuri proteice prezise. AlphaFold 3 a extins modelarea către interacțiunile dintre proteine, ADN, ARN, liganzi și alte molecule.
În 2026, Isomorphic Labs spune că noul său Drug Design Engine — IsoDDE — merge dincolo de simpla predicție structurală și încearcă să estimeze legarea moleculelor, să identifice buzunare de legare și să susțină designul rațional al unor medicamente complet noi.
Compania a atras în mai 2026 o rundă de finanțare de 2,1 miliarde de dolari pentru a scala motorul AI și a împinge programele terapeutice spre clinică. Finanțarea nu demonstrează succesul medical, dar arată cât de mult capital începe să parieze pe această paradigmă.
Un medicament proiectat cu AI a trecut deja de faza „doar pe computer”
Insilico Medicine dezvoltă rentosertib, un candidat pentru fibroză pulmonară idiopatică. Compania îl descrie drept primul medicament cu o țintă descoperită cu AI și o moleculă proiectată cu AI care a ajuns în studii clinice de fază II.
În 2026, programul avea deja un studiu Phase IIa finalizat. Compania a raportat semnale favorabile în funcția pulmonară la doza cea mai mare studiată, dar acestea trebuie interpretate ca rezultate ale unui program clinic aflat încă în dezvoltare, nu ca dovadă a unui tratament aprobat.
Un alt candidat al Insilico, ISM6331, un inhibitor pan-TEAD descris de companie ca fiind AI-designed, a intrat în studiu clinic de fază I, iar datele first-in-human au fost acceptate pentru prezentare la ESMO 2026.
Acesta este pragul relevant: AI-ul nu mai propune doar molecule care arată bine în simulare. Unele ajung în oameni, unde biologia reală decide dacă designul a fost bun.
Dar în medicină validarea rămâne mult mai lentă decât designul
Un model poate genera mii de molecule într-o zi. Un studiu clinic poate dura ani. Această asimetrie este esențială.
AI poate reduce timpul de selecție a unei ținte, optimizarea unei molecule și anumite etape preclinice. Nu poate comprima complet toxicologia, recrutarea pacienților, farmacocinetica și demonstrarea eficacității pe termen lung.
Asta înseamnă că revoluția AI în medicamente poate produce mai multe programe și poate ucide mai repede ideile slabe, dar nu elimină testarea biologică.
Reactoarele intră în aceeași logică: AI explorează geometrii pe care oamenii nu le-ar testa manual
În energie nucleară, AI nu „desenează un reactor și îl pornește”. Proiectarea este constrânsă de fizică, materiale, termohidraulică și reglementare.
Dar tocmai complexitatea aceasta face AI-ul interesant. Oak Ridge National Laboratory a demonstrat încă din 2021 un algoritm AI pentru optimizarea geometriei unui miez nuclear. Cercetătorii au folosit un emulator multiphysics pentru a evalua mii de geometrii și au raportat o îmbunătățire de aproximativ 3× a indicatorului ales pentru distribuția temperaturii.
În 2025–2026, ORNL a extins această direcție către advanced manufacturing, digital twins și AI-driven design pentru componente și sisteme nucleare.
Aceste instrumente nu înlocuiesc codurile validate și analiza de siguranță. Ele pot însă explora mult mai repede spații de design pe care un inginer nu le-ar parcurge manual.
Fuziunea merge și mai departe: ORNL dezvoltă un orchestrator AI pentru proiectarea unei centrale pilot
În 2026, ORNL a prezentat proiectul FADO — Fusion Agentic Design Orchestrator — un flux agentic destinat proiectării sistemelor de fuziune.
Ideea este să combine simulări HPC, criterii de mentenanță, robotică și construcție într-un mediu virtual comun. În loc ca fiecare specialist să ruleze manual coduri complexe, agenți AI pot pregăti și coordona simulările și pot elimina rapid designurile care nu respectă cerințele.
Este important să păstrăm proporțiile: FADO este un proiect de cercetare, nu o centrală de fuziune proiectată autonom de AI. Dar arată direcția în care ingineria sistemelor extrem de complexe încearcă să meargă.
De la digital twin la design generator: AI poate evalua obiectul înainte să existe
Un digital twin este o reprezentare computațională a unui sistem real. Dacă modelul este suficient de precis, poți modifica parametri și observa virtual consecințele înainte să tai metal sau să torni beton.
Generative design adaugă un pas: algoritmul poate genera el însuși variante și le poate evalua în digital twin. Pentru turbine, reactoare, vehicule sau fabrici, aceasta înseamnă explorarea automată a mii de configurații.
Cel mai mare avantaj nu este că AI găsește mereu forma „perfectă”, ci că poate descoperi compromisuri neașteptate între greutate, performanță, cost și mentenanță.
Roboții transformă designul digital în acțiune
„Physical AI” este termenul folosit tot mai mult pentru modele care percep și acționează în lumea fizică. În ianuarie și martie 2026, NVIDIA a lansat noi generații de modele GR00T și Cosmos pentru roboți și vehicule autonome.
Compania lucrează cu producători precum ABB Robotics, FANUC, KUKA, Universal Robots, Yaskawa, Boston Dynamics și alții pentru aplicații care merg de la manipulare industrială la chirurgie și construcții autonome.
Aici AI nu mai proiectează doar obiectul. Poate învăța secvența de mișcări necesară pentru a-l fabrica, muta, inspecta sau repara.
Acesta este punctul în care generative AI, digital twins și robotică încep să se unească într-un singur flux industrial.
Fabrica viitorului poate funcționa ca un laborator closed-loop
Imaginați-vă o linie de producție în care AI-ul observă defectele, modifică designul, simulează schimbarea, generează instrucțiuni noi pentru roboți și apoi măsoară rezultatul produs.
Astăzi, fiecare dintre aceste componente există separat în diferite industrii. Ce se schimbă este integrarea lor.
Când software-ul poate trece rapid de la date la design și de la design la fabricație, ciclul produsului se scurtează. Produsele pot evolua mai des, loturile pot deveni mai personalizate, iar procesele pot fi optimizate aproape continuu.
De ce lumea fizică este mult mai greu de „generat” decât un text
Un model lingvistic poate propune zece paragrafe în câteva secunde. Dacă două sunt mediocre, costul este aproape zero.
În lumea fizică, fiecare propunere are cost. Un experiment consumă reactanți și timp. Un wafer semiconductor costă bani. Un test medical implică oameni. O componentă nucleară trebuie certificată.
Din acest motiv, modelele de design fizic trebuie cuplate cu filtre mult mai dure: simulări bazate pe fizică, calcule cuantice, constrângeri de fabricație și testare experimentală.
Cu cât costul experimentului este mai mare, cu atât AI-ul trebuie să fie mai bun la alegerea următorului candidat.
„AI a descoperit” nu înseamnă automat „omul nu mai este necesar”
În aproape toate exemplele de mai sus, oamenii definesc obiectivul, aleg datele, configurează simulările, construiesc robotul, validează rezultatul și decid dacă produsul merită dus mai departe.
Rolul AI este să comprime un spațiu de căutare enorm. Un inginer poate evalua zeci de opțiuni; un algoritm poate evalua milioane, apoi poate aduce în fața expertului doar câteva variante promițătoare.
În acest sens, AI-ul nu înlocuiește neapărat creativitatea umană. Schimbă scara la care creativitatea poate opera.
Cel mai mare risc este optimizarea perfectă a unei ținte greșite
Un sistem generativ poate fi extraordinar de eficient și totuși să producă un rezultat prost dacă obiectivul este formulat incomplet.
Un material poate avea conductivitate excelentă, dar poate fi imposibil de produs ieftin. Un cip poate avea latență mică, dar yield slab. Un robot poate executa sarcina în simulare, dar poate fi nesigur lângă oameni.
Acesta este motivul pentru care designul fizic cere obiective multi-criteriu: performanță, cost, siguranță, sustenabilitate, mentenanță și fabricabilitate.
AI-ul optimizează ceea ce îi dai. Ingineria bună începe prin a decide ce merită optimizat.
Dacă laboratoarele devin autonome, avantajul competitiv se mută spre infrastructura experimentală
În epoca software, o companie putea câștiga cu algoritmi și compute. În epoca AI pentru știință, poate avea nevoie și de roboți, spectrometre, instalații pilot, clean rooms și acces la fabrici.
Acest lucru poate crea o nouă diferență între țări și companii. Nu este suficient să ai un model capabil să proiecteze un material. Trebuie să poți să-l produci și să-l măsori.
Isomorphic Labs spune explicit în 2026 că își construiește nu doar modelele și software-ul, ci și infrastructura fizică necesară pentru a duce medicamentele de la design până în clinică.
Berkeley Lab conectează supercomputerele cu A-Lab. Industria semiconductorilor conectează software-ul de design cu foundries. Physical AI conectează world models cu roboți reali.
Inteligența artificială începe să reducă distanța dintre „posibil” și „construibil”
Multă vreme, designul tehnologic a fost limitat de numărul de variante pe care oamenii aveau timp să le testeze.
AI schimbă această economie. Poate produce candidați, poate elimina rapid opțiunile imposibile și poate direcționa experimentul spre zonele cele mai promițătoare.
În materiale, această schimbare înseamnă milioane de structuri candidate. În chip design, mii de placement-uri. În medicamente, spații moleculare uriașe. În reactoare și robotică, geometrii și strategii de control pe care oamenii nu le-ar explora exhaustiv.
Ce se poate întâmpla până în 2030
- Mai multe materiale generate de AI vor ajunge în produse comerciale, mai ales în baterii, cataliză și electronică.
- AI va deveni standard în EDA și chip layout, nu doar instrument experimental.
- Mai multe molecule proiectate cu AI vor intra în studii clinice, iar industria va putea compara rata de succes cu metodele clasice.
- Laboratoarele autonome vor deveni infrastructură științifică obișnuită în centrele mari de cercetare.
- Digital twins + generative design vor intra mai adânc în energie, aerospațial și construcții.
- Physical AI va transforma roboții din mașini programate în sisteme capabile să generalizeze între sarcini și medii.
Ce nu ar trebui să credem încă
- AI nu poate proiecta în siguranță orice medicament sau reactor fără oameni.
- O structură stabilă în simulare nu este automat un material fabricabil.
- Un robot care funcționează în demo nu este automat pregătit pentru orice fabrică.
- Un candidat generat de AI nu este un produs până când nu trece prin validare și fabricație.
- Viteza de generare nu elimină limitele fizicii, reglementării și costului.
AI-ul iese din ecran atunci când rezultatul trebuie să supraviețuiască realității
Generative AI a devenit populară pentru că poate produce instantaneu lucruri vizibile: text, imagini și video. Dar poate cea mai profundă utilizare a ei se petrece în locuri pe care publicul nu le vede — în laborator, clean room, simulator și fabrică.
Acolo, modelul nu este apreciat pentru cât de convingător sună, ci pentru cât de bine rezistă rezultatul în fața experimentului.
Dacă un material poate fi sintetizat, dacă un cip poate fi fabricat, dacă o moleculă funcționează în corp și dacă un robot își execută sarcina în lumea reală, AI-ul a trecut de la generarea de informație la generarea de posibilități fizice.
Acesta este motivul pentru care următoarea etapă a inteligenței artificiale poate fi mai importantă decât chatboturile: nu doar ne spune cum ar putea arăta viitorul, ci începe să participe la proiectarea lucrurilor din care acel viitor va fi construit.
InfoBuz a analizat separat tehnologiile care pot schimba lumea până în 2030, iar apariția AI-ului ca instrument de design fizic le conectează aproape pe toate: materiale, energie, biotehnologie, calcul și robotică.
În plus, articolul despre consumul energetic al AI și limita electricității arată reversul aceleiași transformări: AI poate proiecta lumea fizică, dar are nevoie de infrastructură fizică tot mai mare pentru a face acest lucru.
Întrebări frecvente despre AI și lumea fizică
Poate AI să inventeze materiale complet noi? Da, modelele precum GNoME și MatterGen pot propune structuri cristaline noi. Dar stabilitatea și fabricabilitatea trebuie validate prin calcule și experimente.
AI proiectează deja cipuri comerciale? Da. Google DeepMind spune că AlphaChip a fost folosit pentru layout-uri în ultimele trei generații de TPU-uri Google.
Există medicamente proiectate cu AI în studii clinice? Da. Mai mulți candidați au intrat în studii clinice, iar rentosertib al Insilico a finalizat Phase IIa. Asta nu înseamnă că este un medicament aprobat.
Poate AI proiecta un reactor nuclear? AI este folosit deja pentru optimizarea geometriilor, simulări și fluxuri de design, dar proiectarea și autorizarea unui reactor rămân procese conduse de specialiști și reglementatori.
Ce este physical AI? Este o categorie de sisteme AI care percep mediul și controlează roboți, vehicule sau alte sisteme fizice, adesea folosind world models și simulare.
Ce sunt self-driving labs? Laboratoare în care AI-ul selectează experimentele, roboții le execută, instrumentele măsoară rezultatele, iar sistemul folosește datele pentru următoarea rundă.
Surse și transparență
- Google DeepMind – GNoME: 2,2 milioane de structuri cristaline și 380.000 candidați stabili
- Microsoft Research / Nature – MatterGen: generative model for inorganic materials design
- Lawrence Berkeley National Laboratory – AI modeling for solid-state synthesis, 3 august 2026
- Berkeley Lab – FORUM-AI și laboratorul A-Lab, 3 februarie 2026
- Google DeepMind – AlphaChip și designul TPU
- Google DeepMind – AlphaFold și peste 200 milioane de structuri proteice
- Isomorphic Labs – Drug Design Engine, februarie 2026
- Isomorphic Labs – rundă de finanțare de 2,1 miliarde $, 12 mai 2026
- Insilico Medicine – Rentosertib, Phase IIa completed
- Insilico Medicine – ISM6331 Phase I / ESMO 2026
- Oak Ridge National Laboratory – AI-based design of a nuclear reactor core
- ORNL – FADO: AI-assisted fusion power plant design, 2026
- NVIDIA – Physical AI și roboți industriali, 16 martie 2026







Discuția cititorilor
Ai o opinie sau o întrebare despre acest articol? Spune-ne ce crezi.
Fii primul care deschide discuția.
Te rugăm să păstrezi un limbaj civilizat și să discuți la subiect. Comentariile spam sunt filtrate automat.