قادة الفكر

من الكود إلى العلاج: الثورة القادمة في الذكاء الاصطناعي تحتاج إلى يد (وعين)

mm
نُشر في
تم التحديث في
أضف Unite.AI إلى مصادرك المفضلة على Google
A diverse female scientist in smart glasses works alongside a sophisticated dual-arm robotic lab system in a futuristic wet lab.

كيف ستسهم الأنظمة الذكية والنظارات الذكية وآليات الروبوت في تمكين البشر – وليس استبدالهم

نحن نعيش في مفارقة في مجال الذكاء الاصطناعي.

على الشاشات ، الذكاء الاصطناعي هو خارق. يمكن للنماذج اللغوية الكبيرة كتابة رمز بايثون قابل للتنفيذ في ثوان. يمكن للنظم التوليدية إنتاج صور ومقاطع فيديو واقعية في دقائق. يمكن للنظم الحائزة على جائزة نوبل ، مثل AlphaFold ، التنبؤ بتركيب البروتينات المعروفة تقريبا جميعها. الإنجازات الرقمية تتراكم.

ومع ذلك ، في العالم المادي للبحوث البيولوجية ، يبقى عملية اكتشاف معقدة ويدوية. لا نشعر بالفعل أن الذكاء الاصطناعي يسرع العلم أو الطب ، على الأقل ليس بعد. الأرقام تكشف عن عمق المشكلة. وجد استطلاع هام في مجلة نيتشر ، الذي شمل أكثر من 1500 عالم ، أن أكثر من 70٪ منهم حاولوا وفشلوا في إعادة إنتاج تجارب باحث آخر . أكثر من ذلك ، لم يتمكن أكثر من نصفهم من إعادة إنتاج أعمالهم الخاصة. في علم الأورام بشكل خاص ، وجد مشروع قابلية إعادة الإنتاج الذي استمر ثماني سنوات أن فقط 40٪ من النتائج ذات التأثير العالي يمكن إعادة إنتاجها و 68٪ من التجارب تفتقر إلى توثيق كافٍ حتى محاولة إعادة الإنتاج.

هذا هو السر القذر للعلم الحديث: لدينا مشكلة في 捕获 المعرفة ، وليس فقط مشكلة اكتشاف. التفاصيل التجريبية الحيوية تعيش في رؤوس الباحثين ، وليس في الأوراق. البروتوكولات تتغير. المعرفة الضمنية تخرج من الباب عندما يخرج المتدربون.继承 النظم الذكية هذه الفجوات جميعها.

المشكلة الأساسية هي أن الذكاء الاصطناعي يمكن أن يصمم بروتينا جديدا لعلاج السرطان في محاكاة رقمية ، ولكنه لا يستطيع رفع أنابيب الاختبار لاختبارها. لا يستطيع التنقل في الواقع المضطرب وغير المتوقع لمختبر مائي لتحقق من فرضيته الخاصة. لا يستطيع مشاهدة يدي عالم محنك وتعلم التقنيات الدقيقة التي تجعل التجارب تعمل.

هذا هو الفجوة التنفيذية الأكبر التي تمنع الثورة الذكية من أن تصبح ثورة طبية. في حين أن معظم شركات الروبوتات ما زالت مشغولة بتعليم الآلات طي الملابس أو تحميل الغسالات ، فهي متأخرة عن القدرات الحقيقية للتطورات في مجالات مثل الطب.

للحصول على حل ، يجب أن نتجاوز النماذج النصية وتوجيهنا نحو نماذج الذكاء الاصطناعي التعاونية ، الأنظمة الذكية التي تجمع بين العالم الرقمي والعالم المادي ، وتتجاوز التخطيط والبرمجة والتنفيذ في العالم الحقيقي. في ستانفورد ، نحن نطور LabOS ، إطار عمل رقمي مادي للذكاء الاصطناعي يظهر كيف يمكن للوكلاء الذكية ، والنظارات الذكية ، والروبوتات التعاونية أن تتحد لسد هذه الفجوة ، وتحويل التجارب العلمية إلى محادثة تعاونية بين الإنسان والآلة ، مع 捕获 المعرفة التي تفقد عادة.

الفرق العظيم: لماذا يحتاج الذكاء الاصطناعي إلى “عين” و “يد”

许多 من الانتصارات البارزة في الذكاء الاصطناعي حدثت في بيئات رقمية كاملة: مستودعات الشفرة ، مجموعات البيانات المعدلة ، أو الاختبارات المحاكاة (حيث يتنافس الذكاء الاصطناعي لتشغيل عمل تجاري افتراضي أو استثمار رقمي في الأسهم).

مختبرات مائية مختلفة. علم الأحياء ، وعلمALLY ، هو عملية صاخبة جدا. الأدوات تتغير ، ويعمل المشغلون بشكل مبدع ، و “البروتوكول” يعيش أحيانا في رؤوس الناس. الفرق بين نتيجة نظيفة واختبار فاشل يمكن أن يكون زاوية أنابيب ، أو نمط دوار ، أو استبدال مادة كيميائية ، أو حضانة طويلة 10 دقائق. هذه التفاصيل السياقية نادرا ما تظهر في ورقة علمية وهي ما يحتاجه نموذج الذكاء الاصطناعي ليتجاوز مجموعة البيانات.

هذا هو السبب في أن الذكاء الاصطناعي من الدرجة المختبرية يحتاج إلى عيون (لرؤية ما يحدث في السياق) ، وأيدي (لتحديد وتحسين الخطوات عالية التباين) ، وذاكرة (لسجيل ما حدث بالفعل). بدون هذه القدرات ، يمكن للنماذج أن توصي بما يجب فعله ، ولكنها لا تستطيع ترجمة التوصيات إلى تنفيذ مادي موثوق به أو تفسير الفشل عندما يختلف الواقع عن الخطة.

ما وراء النماذج النصية: من رفيق الطيران إلى عالم العلوم

مصطلح “الذكاء الاصطناعي الوكيل” يستخدم أحيانا بشكل فضفاض. في الإعدادات البيولوجية ، يجب أن يعني شيئا دقيقا: نظام يمكنه تحديد هدف (على سبيل المثال “تحسين كفاءة تحرير الجينات CRISPR مع تقليل الأهداف الخاطئة”) ، وفكته إلى تسلسل من المهام ، وتنفيذ هذه المهام عبر الأدوات ، وتقييم النتائج ، وتعديل الخطة تحت القيود ومع اتخاذ القرارات القابلة للتدقيق.

هذا يهم لأن سير العمل البحثي ليس مكالمة نموذجية واحدة. إنه أنابيب نهاية إلى نهاية تمتد من صياغة الفرضية إلى تصميم التجربة ، ومعالجة البيانات ، واختبار الإحصائي ، والتفسير. التفكير الحديث في اكتشاف الأدوية بدأ في التأكيد على الأنظمة الوكيلية التي يمكن أن توسع هذه الأنابيب بدلا من تسريع الخطوات الفردية فقط (على سبيل المثال ، مناقشة Unite.AI حول الوكلاء في اكتشاف الجزيئات الصغيرة ).

في هندسة البرمجيات ، لقد رأينا بالفعل أدلة تجريبية مبكرة على أن رفيق الطيران الذكاء الاصطناعي يمكن أن يزيد من إنتاجية المطور. في الطب البيولوجي ، الفرصة المماثلة ليست فقط كتابة الشفرة ، بل كتابة واعتماد البروتوكولات ، وتنظيم البيانات ، ومراقبة التنفيذ ، وإغلاق الحلقة بين التنبؤ والقياس ، وربط الذكاء الاصطناعي بالعلماء البشر في المختبرات.

LabOS: عندما يعمل الذكاء الاصطناعي على نظام تشغيل للمختبرات في المستقبل

في عملنا في ستانفورد على الذكاء الاصطناعي للعلوم ، الذي يغطي رفيق تحرير الجينات CRISPR مثل CRISPR-GPT و نظام LabOS الذي يساعد العلماء في مختبرات الطب البيولوجي وعلوم المواد ، لقد كنا نستكشف تحولا معمارية:

1. تصميم نظام تشغيل مختبر نهاية إلى نهاية يربط مختبر رقمي (جاف) بمختبر مادي (مائي).

الفرضية بسيطة: إذا كان دفتر المختبر هو ذاكرة العلم ، فإن نظام التشغيل المختبري يجب أن يكون طبقة التنفيذ ، التي 捕获 النية ، وترجمتها إلى إجراءات ، ومراقبة النتائج ، وتحويل كل تشغيل إلى معرفة منظمة.

الشكل. عرض مفاهيمي لنظام LabOS الذي يربط حلقة مختبرية رقمية تطور ذاتيا (التخطيط ، والبرمجة ، والانتقاد ، وإنشاء الأدوات) بحلقة مختبرية مائية بشرية وذكاء اصطناعي (التوثيق الآلي ، و 捕获 المعرفة ، وتوجيه الزجاج الذكي ، ودمج الروبوتات).

2. الذكاء الاصطناعي في المختبر الرقمي – التخطيط والبناء الذاتي

في المختبر الرقمي (الجاف) ، يمكننا ترك الذكاء الاصطناعي يفعل ما يفعل جيدا بالفعل: البحث ، والتنسيق ، والاقتراح. لكننا نريد أيضا أن يكون自ับปรับปรุง. ليس من خلال “تحليل جديد للعلم” ، ولكن من خلال تعلم أدوات وعمليات عمل أفضل من التغذية الراجعة.

يمكن إطار عمل مختبر رقمي عملي أن يتم تحديده بأربع مراحل متكررة:

  • التخطيط (الفرضية + التصميم): اقتراح الفرضيات ، واختيار المتغيرات التجريبية ، وتوقع العوامل المضادة ، وتصميم النهايات القابلة للقياس.
  • البرمجة (التنفيذ): توليد أو تعديل نصوص تحليل ، وخطوط أنابيب محاكاة ، وقوالب تحكم بالأدوات عند الاقتضاء.
  • وكيل النقد (المنطق + التقييم): اختبار الفرضيات ، واختبار القوة الإحصائية ، واقتراح السيطرة ، وتحديد أنماط الفشل المحتملة.
  • إنشاء الأدوات (البحث + التطوير): عندما يفتقر سير العمل إلى مكون (مُحلل ، أو روتين جودة ، أو لوحة تحكم) ، قم بإنشائه وإضافته إلى مجموعة الأدوات.

3. الذكاء الاصطناعي في المختبر المادي – الذكاء الاصطناعي مع “عين” (نظارات ذكية) و “يد” (روبوتات)

المختبر المادي (المائي) هو المكان الذي يكتسب النظام فيه الثقة – أو يخسرها. الهدف هو ليس استبدال العالم ، ولكن تقليل الاحتكاك والخطأ ، وتحسين الرؤية.

نحن نرى حلقة المختبر المادي على أنها أربع قدرات مكملة:

  • التسجيل الآلي والتوثيق: 捕获 الإجراءات ، والتوقيتات ، وإعدادات الأدوات ، والانحرافات تلقائيا ، بحيث لا يكون التوثيق فكرة بعد الحدث.
  • 捕获 المعرفة من أجل التنفيذ السريع والموثوق: تحويل التشغيل إلى أشياء قابلة للاستعلام وموثقة (نسخ بروتوكول ، مجموعات معلمات ، نتائج جودة) متوافقة مع مبادئ إدارة البيانات مثل FAIR .
  • توجيه لغة-رؤية في الوقت الفعلي عبر نظارات ذكية: استخدام نماذج متعددة لتحليل المشهد (ما الذي يقوم به المشغل ، أي مادة كيميائية في اليد) وتقديم توجيه خطوة بخطوة وضوابط أمان.
  • دمج الروبوتات للاستخدام الآلي: معالجة الخطوات المتكررة ، وتسهيل التسليم الآمن ، وتقليل التباين.

هذا الهيكل يتوافق مع اتجاه أوسع في المجال: مختبرات “ذكية” أو مستقلة التي تجمع بين الآلية والتعلم الآلي لتحديد التجربة التالية. ما يضيفه نظام LabOS هو طبقة واجهة بشرية أكثر ضيقا ، بحيث لا تأتي الاستقلالية على حساب الشفافية.

لماذا لا يعتبر الذكاء الاصطناعي من الدرجة المختبرية مجرد “ذكاء اصطناعي على مجموعة بيانات”

نظم الذكاء الاصطناعي للذكاء البيولوجي / العلمي غالبا ما تبدو مثيرة للإعجاب في التقييمات الرجعية أو في الاختبارات ، ثم تؤدي أداءً ضعيفا في المختبر المادي. السبب نادرا ما يكون خطأ واحد. إنه عادةً عدم تطابق بين افتراضات النموذج وواقع المختبر.

ثلاث فجوات تظهر بشكل متكرر:

  • فجوة السياق: مجموعات البيانات عادة ما تحذف المتغيرات السياقية التي يعرفها المشغلون أنها مهمة (انحرافات درجة الحرارة ، أرقام مادة كيميائية ، انحرافات بروتوكول دقيقة).
  • فجوة الإجراء: العديد من نظم الذكاء الاصطناعي يمكن أن توصي بما يجب فعله ، ولكنها لا تستطيع ترجمة التوصية إلى إجراءات مادية موثوقة.
  • فجوة التغذية الراجعة: بدون تغذية راجعة منظمة وذات جودة عالية من التنفيذ ، لا يمكن للنماذج أن تتعلم من哪里 تفشل – ولا يمكن للعلماء أن يفهموا لماذا.

إغلاق هذه الفجوات أقل عن اختراع هيكل شبكي جديد ، وأكثر عن بناء الأدوات والواجهات و عقود البيانات التي تجعل المختبر مفهوما للأجهزة ، وتمكن الذكاء الاصطناعي من العمل مع البشر.

الثقة بالتصميم: السلامة والحوكمة للذكاء الاصطناعي الذي يمكن أن يتصرف

الذكاء الاصطناعي الوكيل في أبحاث الاكتشاف لا يثير فقط مخاوف متعلقة بالدقة. إنه يطرح أنماط فشل جديدة لأنها يمكن أن تتصرف. في مختبر ، الإجراء يعني إمكانية الهدر أو الضرر أو استنتاجات خاطئة ، خاصة عندما تدخل التجارب إلى فرضيات سريرية.

من المفيد النظر إلى نظام الذكاء الاصطناعي المتمكن كنظام اجتماعي تقني يحتاج إلى ضمان. هناك إطارات موجودة تساعد ، ولكن يجب ترجمتها إلى واقع المختبر:

  • إدارة المخاطر كعملية مستمرة: إطار إدارة مخاطر الذكاء الاصطناعي من NIST ( AI RMF 1.0 ) يوفر مصطلحات عملية لتحديد وتقييم وإدارة مخاطر الذكاء الاصطناعي على مدار دورة حياته.
  • التوافق التنظيمي للذكاء الاصطناعي الطبي: عمل إدارة الأغذية والأدوية حول برامج الذكاء الاصطناعي / التعلم الآلي كأداة طبية ، بما في ذلك خطة العمل والارشادات ذات الصلة ، يقدم نظرة ملموسة لما يبدو “ممارسة جيدة” عندما يتأثر الذكاء الاصطناعي بالرعاية الصحية.

对于 تحرير الجينات وغيرها من المجالات ذات العواقب الكبيرة ، الحوكمة هي بالفعل محادثة عالمية. يتم مناقشة التوصيات حول تحرير الجينوم البشري ، لتوضيح الحاجة إلى آليات رقابة مناسبة وحوكمة مسؤولة ، مثل تلك التي قدمتها جمعية علم الجينات والعلاج الجيني الأمريكية ، أو ASGCT. يجب تصميم أنظمة مثل LabOS لجعل الامتثال أسهل ، وليس أكثر صعوبة.

قائمة التحقق: ضوابط للعلماء الذكاء الاصطناعي المتمكنين لأبحاث علمية

في رأينا ، يجب على نظام تشغيل مختبري آمن أن ي実لمع التالي على الأقل:

  • الأصل بال mặc: يجب أن يكون كل مجموعة بيانات ونسخة بروتوكول ومخرجات نموذج قابلة للتعقب إلى المدخلات والتوقيتات.
  • استقلالية محددة: يجب أن يكون للنظام صلاحيات صريحة (ما يمكنه فعله بدون تأكيد) وقواعد تصعيد (متى يجب أن يطلب).
  • إيقاف تشغيل بشري وتدهور لطيف: عندما تفشل الحساسات أو تيار البيانات ، أو عندما تكون عدم اليقين عالية ، يجب على النظام العودة إلى وضع أكثر أمانا وبسيطا.
  • التحقق المستمر: يجب أن تترافق التنبؤات في السيليكون مع التحقق في المختبر المادي؛ يجب أن تتضمن تشغيلات المختبر المادي بوابات جودة قبل أن تنتشر الاستنتاجات إلى النماذج / الوكلاء في العالم الرقمي.
  • الأمان ووعي الاستخدام المزدوج: حماية البنية التحتية للمختبر من التلاعب.

تمكين البشر في كل مكان: هل يمكن للعلماء الذكاء الاصطناعي المتمكنين مساواة الميدان؟

واحدة من أكثر الوعد الذي يعد به عالم العلوم الذكاء الاصطناعي المتمكن ليس فقط السرعة للمؤسسات الرائدة ، بل هو القابلية للجميع. فكر في ما يحد حاليا من مختبرات صغيرة ، وشركات بدء ، ومستشفيات ريفية / إقليمية:

  • الوصول المحدود إلى الخبرة المتخصصة لبروتوكولات وأدوات من الدرجة الذهبية.
  • تكلفة أعلى نسبيا لتدريب الأخطاء وإعادة العمل.
  • أدوات متفرقة: دفاتر ، وورقات إلكترونية ، وسجلات أدوات ، وبرامج تحليل نادرا ما ترتبط بشكل نظيف.

نظام يمكنه توجيه التنفيذ في السياق (من خلال نظارات ذكية) ، و 捕获 ما حدث تلقائيا ، واقتراح الخطوة التالية بناء على التشغيل السابق يمكن أن يجعل الاختبارات المتقدمة أكثر تكرار عبر المواقع. في المبدأ ، يمكنه أيضا دعم البحث السريري الموزع حيث يجب تنفيذ البروتوكولات بشكل متسق ، حتى عندما تختلف الموارد.

الجدول الزمني: متى يحصل كل عالم وطبيب على عالم ذكاء اصطناعي متمكن؟

باختصار ، نحن أقرب مما يعتقد معظم الناس لبعض المهام القيمة والمتكررة (مثل إنتاج دواء موثوق به في المختبر) ، وأبعد مما يفترض الكثير من العروض للتطبيقات الأخرى (مثل حل مشاكل كبيرة مثل السرطان أو الزهايمر). خريطة طريق واقعية تبدو هكذا:

  1. في المدى القصير (داخل سنة) : رفيق سير العمل الذي يقلل من العبء الإداري: صياغة البروتوكول ، وتنسيق الأدب ، وقوالب التحليل ، وتقارير الجودة الآلية. العامل المحدد هو التكامل ، وليس قدرة النموذج.
  2. في المدى المتوسط (1-2 سنة) : أنظمة التنفيذ المشتركة في المختبر: توجيه نظارات ذكية ، وتوثيق آلي ، وروبوتات مختارة لخطوات عالية التباين. الثقة ستعتمد على سجلات التدقيق وتصميم الوكلاء البشريين في الحلقة.
  3. في المدى الطويل (3+ سنة) : باحثون متعددين النطاق الذين يربطون الاكتشاف بالترجمة: ربط بيانات المختبر بنهايات سريرية ، ومراقبة إشارات السلامة ، ومساعدة في تصميم التجارب – مع الامتثال للتوقعات التنظيمية والاخلاقية.

من الكود إلى العلاج: الطريق الأمامي إلى اكتشاف علمي بمقدار 1000 مرة

نظام LabOS هو محاولة للإجابة على سؤال بسيط: ماذا لو كان يمكن تشغيل تجربة كمحادثة ، حيث النية والتنفيذ والبرهان متصلة من النهاية إلى النهاية؟ إذا بنينا هذه الأنظمة جيدا ، يمكنها مساعدة في حل فجوة الترجمة التي تبطئ الطب البيولوجي والعديد من التخصصات العلمية المادية (مثل علم المواد). إذا بنيناها بشكل سيئ ، سوف تعزز عدم القابلية للتكرار وتنشئ مخاطر أمان جديدة.

العمل الأكثر أهمية في السنوات القليلة القادمة سيكون أساسيا: واجهات بيانات وأجهزة موحدة من خلال بناء نظام التشغيل (مثل نظام iOS الذي يعمل على جميع أنواع التطبيقات) ، وبناء معايير الذكاء الاصطناعي التي تشمل التنفيذ وعدم اليقين (مثل معيار LabSuperVision في LabOS) ، والبدء في النشر في العالم الحقيقي الذي يشجع على الابتكار مع حماية المرضى وسلامة البحث.

对于 الباحثين والأطباء ، السؤال ليس是否 سيدخل الذكاء الاصطناعي المختبر. لقد دخل بالفعل. السؤال هو ما إذا كنا سندمجها كأدوات منفصلة أو كنظام موثوق ومؤمن مصمم للواقع البيولوجي.

اقتراحات للقراءة والمصادر

mm

لي كونغ، دكتوراه، هو أستاذ مساعد في علم الأمراض و علم الوراثة في جامعة ستانفورد، حيث يعمل فريق lui على تطوير هندسة الجينوم الأصيلة و أنظمة الروبوتات الذكية-الذكاء الاصطناعي التي تربط بين المنطق الرقمي و التنفيذ المادي في المختبر، لتعزيز قدرات البشر في اكتشاف العلوم.