naissant Marché Recherche & science, mécanisme Apprendre de l'usage pour s'améliorer automatiquement (learning loop).
Medra dispose déjà de contrats clients actifs (Addition Therapeutics, biotech/pharma) contrairement à Trajectory, Eigenform, AutoScientia et Neurologic AI qui n'affichent aucune traction ou partent d'une base nulle, créant un écart de validation commerciale immédiat.
La recherche scientifique et le développement de produits nécessitent un cycle d'expérimentation extrêmement lent, coûteux et dépendant de l'expertise humaine pour interpréter les résultats et ajuster les prochaines étapes.
Medra : Partenariats avec Addition Therapeutics pour l'ingénierie d'anticorps et la transfection d'ARN, et collaboration avec de grandes biotech/pharma pour des projets sur la purification cellulaire et protéique.
Construit une 'Plateforme de Science Continue' combinant un robot d'IA physique et une IA scientifique qui analyse les données granulaires des expériences pour suggérer des optimisations de protocole, créant ainsi une boucle fermée où l'exécution des expériences améliore le protocole suivant.
Traction : Partenariats avec Addition Therapeutics pour l'ingénierie d'anticorps et la transfection d'ARN, et collaboration avec de grandes biotech/pharma pour des projets sur la purification cellulaire et protéique.
Déploie des flottes d'agents scientifiques autonomes qui hypothesent, testent des milliers d'expériences en parallèle et utilisent leurs propres résultats pour accélérer les découvertes suivantes, créant une boucle auto-améliorante où chaque découverte rend la recherche suivante plus rapide et moins coûteuse.
Traction : Lancement en Summer 2026 (YC Batch), réduction des coûts ARC-1/2 de 10 000x tout en maintenant une précision SOTA, et premiers résultats démontrant des avancées matérielles sur des problèmes combinatoires ML.
Bâtit des architectures locales d'amélioration récursive auto-améliorante où le système formule des hypothèses, écrit du code pour les tester, évalue les résultats et se réentraîne sur ce qu'il a appris, produisant une trace de raisonnement vérifiable à chaque cycle pour améliorer sa compréhension du monde.
Traction : null
Builds autonomous AI that runs the whole experimental cycle (propose, run, evaluate, iterate) in a closed loop without human hand-off, using results to automatically update priors and start the next round.
Presents a framework for continually improving its Corporate GPT from its own usage by capturing interaction records to derive outcome labels and update the system.
Dernière revérification : 2026-11-01
Même marché : Recherche & science
Même mécanisme : Apprendre de l'usage pour s'améliorer automatiquement (learning loop)