قادة الفكر
من الشيفرة إلى العلاج: ثورة الذكاء الاصطناعي المقبلة تحتاج إلى يدين وعينين

النقاط الرئيسيةيعمل LabOS على ربط التخطيط الرقمي للذكاء الاصطناعي بالتنفيذ الفعلي في المختبر باستخدام…
عرض المزيد
- يعمل LabOS على ربط التخطيط الرقمي للذكاء الاصطناعي بالتنفيذ الفعلي في المختبر باستخدام نظارات XR والروبوتات.
- أكثر من 70% من العلماء يفشلون في إعادة إنتاج التجارب بسبب فجوة في التقاط المعرفة وليس فجوة في الاكتشاف.
- يجب أن يتضمن العلماء المشاركون بالذكاء الاصطناعي تتبع المصدر والاستقلالية المحدودة لمنع الضرر في مختبرات الطب الحيوي.
كيف ستعزز الأنظمة الوكيلة ونظارات الواقع الممتد الذكية والروبوتات قدرات البشر دون أن تحل محلهم
نعيش مفارقة في مجال الذكاء الاصطناعي.
على الشاشات، يتجاوز الذكاء الاصطناعي قدرات البشر. تكتب النماذج اللغوية الكبيرة شيفرة بايثون قابلة للتشغيل في ثوانٍ، وتنتج الأنظمة التوليدية صورًا ومقاطع فيديو شديدة الواقعية في دقائق. وقد تنبأت أنظمة حائزة على جائزة نوبل، مثل AlphaFold، ببنى جميع البروتينات المعروفة تقريبًا. وتتوالى الإنجازات الرقمية.
لكن في العالم المادي للبحوث الطبية الحيوية، تظل عملية الاكتشاف عملًا يدويًا شاقًا. لا نشعر فعليًا بأن الذكاء الاصطناعي يسرّع العلم أو الطب، على الأقل حتى الآن. وتوضح الأرقام عمق المشكلة. فقد وجد استطلاع بارز نشرته Nature وشمل أكثر من 1,500 عالم أن أكثر من 70٪ حاولوا إعادة إجراء تجارب باحث آخر والحصول على نتائجها، لكنهم أخفقوا. والأكثر إثارة للقلق أن أكثر من نصفهم لم يتمكنوا من تكرار نتائج أعمالهم هم أنفسهم. وفي بيولوجيا السرطان تحديدًا، وجد مشروع استمر ثماني سنوات لدراسة قابلية تكرار النتائج أن 40٪ فقط من النتائج عالية التأثير أمكن تكرارها، وأن 68٪ من التجارب افتقرت إلى توثيق كافٍ حتى لمحاولة تكرارها.
هذا هو السر المزعج للعلم الحديث: لدينا مشكلة في تسجيل المعرفة وحفظها، لا في الاكتشاف وحده. تبقى التفاصيل التجريبية الحاسمة في أذهان الباحثين بدلًا من الأوراق العلمية. وتنحرف البروتوكولات تدريجيًا، وتغادر المعرفة الضمنية مع المتدربين حين يتخرجون. وترث أنظمة الذكاء الاصطناعي المدربة على الأدبيات المنشورة كل هذه الفجوات.
المشكلة الأساسية أن الذكاء الاصطناعي يستطيع تصميم بروتين جديد لعلاج السرطان في محاكاة رقمية، لكنه لا يستطيع الإمساك بماصة لاختباره. ولا يستطيع التعامل مع واقع المختبر التجريبي المضطرب وغير المتوقع للتحقق من فرضيته، أو مراقبة يدي عالم خبير وتعلم التقنيات الدقيقة التي تنجح بها التجارب.
هذه «الفجوة في التنفيذ» هي أكبر عائق منفرد يمنع تحول ثورة الذكاء الاصطناعي إلى ثورة طبية. وبينما تنشغل معظم شركات الروبوتات بتعليم الآلات طي الملابس أو تحميل غسالات الصحون، فإنها تتأخر في تحقيق القدرات التحويلية الحقيقية لهذه التطورات في مجالات مثل الطب.
لحل ذلك، يجب أن نتجاوز روبوتات المحادثة نحو علماء مشاركين مدعومين بالذكاء الاصطناعي: أنظمة وكيلة تصل العالم الرقمي بالمادي، وتتخطى التخطيط والبرمجة إلى التنفيذ الواقعي. في ستانفورد، نطور LabOS، وهو إطار للذكاء الاصطناعي يجمع العالمين الرقمي والمادي. ويوضح كيف يمكن لوكلاء الذكاء الاصطناعي ونظارات الواقع الممتد (XR) الذكية والروبوتات التعاونية أن تتحد لإغلاق هذه الحلقة، وتحويل التجارب العلمية إلى حوار تعاوني بين الإنسان والآلة، مع تسجيل المعرفة التي تضيع حاليًا بصورة تلقائية.
الفجوة الكبرى: لماذا يحتاج الذكاء الاصطناعي إلى «عينين» و«يدين»
حدث كثير من أبرز نجاحات الذكاء الاصطناعي في بيئات رقمية بالكامل: مستودعات الشيفرة، ومجموعات البيانات المنسقة بعناية، والاختبارات المرجعية المحاكاة، حيث يتنافس الذكاء الاصطناعي في إدارة مشروع افتراضي أو الاستثمار في الأسهم رقميًا.
أما المختبرات التجريبية الرطبة فمختلفة. فعلم الأحياء، والاكتشاف العلمي عمومًا، عملية شديدة الضوضاء والتقلب. تنحرف الأجهزة تدريجيًا، ويرتجل المشغلون حلولًا، ويبقى جزء من «البروتوكول» غالبًا في أذهانهم. وقد يكون الفرق بين نتيجة سليمة وتجربة فاشلة زاوية استخدام الماصة، أو نمط الخلط الدوامي، أو استبدال كاشف، أو حضانة امتدت عشر دقائق أكثر من اللازم. ونادرًا ما تظهر هذه التفاصيل السياقية في الورقة العلمية، رغم أنها بالضبط ما يحتاجه نموذج الذكاء الاصطناعي كي يعمم قدراته خارج مجموعة البيانات.
لهذا يحتاج الذكاء الاصطناعي المناسب للمختبرات إلى عينين لإدراك ما يحدث في سياقه، ويدين لتوحيد الخطوات عالية التباين وأتمتتها بأمان، وذاكرة لتسجيل ما حدث فعلًا. ومن دون هذه القدرات، تستطيع النماذج اقتراح ما ينبغي فعله، لكنها لا تستطيع تحويل التوصيات بصورة موثوقة إلى تنفيذ مادي جرى التحقق منه، أو تفسير الإخفاق عندما يختلف الواقع عن الخطة.
ما بعد روبوتات المحادثة: من المساعدين إلى العلماء المشاركين
يُستخدم تعبير «الذكاء الاصطناعي الوكيل» أحيانًا بتساهل. لكنه ينبغي في البيئات الطبية الحيوية أن يعني شيئًا محددًا: نظامًا يتلقى هدفًا، مثل تحسين كفاءة تحرير الجينات بتقنية CRISPR مع تقليل التعديلات خارج المواضع المستهدفة، ويقسمه إلى مهام متتابعة، وينفذها عبر أدوات مختلفة، ويقيّم النتائج، ويعدل الخطة ضمن القيود وبقرارات قابلة للتدقيق.
وهذا مهم لأن سير العمل البحثي ليس استدعاءً واحدًا لنموذج، بل سلسلة متكاملة تشمل صياغة الفرضية، وتصميم التجربة، ومعالجة البيانات، والاختبارات الإحصائية، والتفسير. وبدأ التفكير الحديث في اكتشاف الأدوية يركز على أنظمة وكيلة توسع هذه السلاسل بدلًا من مجرد تسريع خطوات منفردة، مثل مناقشة Unite.AI للوكلاء في اكتشاف الأدوية ذات الجزيئات الصغيرة.
في هندسة البرمجيات، رأينا بالفعل أدلة تجريبية أولية على قدرة مساعدي الذكاء الاصطناعي على زيادة إنتاجية المطورين. وفي الطب الحيوي، لا تقتصر الفرصة المقابلة على كتابة الشيفرة، بل تشمل كتابة البروتوكولات والتحقق منها، وتنظيم البيانات، ومراقبة التنفيذ، وإغلاق الحلقة بين التنبؤ والقياس، بما يصل الذكاء الاصطناعي بالعلماء البشر في المختبرات.
LabOS: عندما يعمل الذكاء الاصطناعي على نظام تشغيل لمختبرات المستقبل
في عملنا بستانفورد على الذكاء الاصطناعي للعلوم (AI4Science)، الذي يشمل مساعدي تحرير الجينات مثل CRISPR-GPT و أنظمة التنفيذ المشترك بالذكاء الاصطناعي والواقع الممتد مثل LabOS التي تساعد العلماء في مختبرات الطب الحيوي وعلوم المواد، نستكشف تحولًا في البنية:
1. تصميم «نظام تشغيل للمختبر» متكامل يربط المختبر الرقمي الجاف بالمختبر المادي الرطب.
الفكرة بسيطة: إذا كان دفتر المختبر ذاكرة العلم، فينبغي أن يكون نظام تشغيل المختبر طبقة التنفيذ، فيسجل النية، ويترجمها إلى أفعال، ويراقب النتائج، ويحول كل تجربة إلى معرفة منظمة.

الشكل: تصور مفاهيمي لنظام LabOS يربط حلقة مختبر رقمي ذاتية التطور، تشمل التخطيط والبرمجة والنقد وإنشاء الأدوات، بحلقة مختبر رطب تجمع الإنسان والذكاء الاصطناعي، وتشمل التوثيق الآلي، وحفظ المعرفة، والإرشاد بالواقع الممتد، ودمج الروبوتات.
2. الذكاء الاصطناعي في المختبر الرقمي: تخطيط وتطوير أدوات يتطوران ذاتيًا
في المختبر الرقمي الجاف، يمكننا ترك الذكاء الاصطناعي يفعل ما يجيده بالفعل: البحث، ودمج المعلومات، والاقتراح. لكننا نريده أيضًا أن يحسن نفسه، لا عبر «هلوسة علم جديد»، بل بتعلم أدوات وسير عمل أفضل من التغذية الراجعة.
يمكن تنظيم حلقة عملية للمختبر الرقمي في أربع مراحل متكررة:
- التخطيط (الفرضية والتصميم): اقتراح فرضيات، واختيار المتغيرات التجريبية، وتوقع العوامل المربكة، وتحديد مؤشرات نتائج قابلة للقياس.
- البرمجة (التنفيذ): توليد أو تكييف نصوص التحليل، وسلاسل المحاكاة، وقوالب التحكم في الأجهزة عند الاقتضاء.
- الوكيل الناقد (الاستدلال والتقييم): اختبار الافتراضات بصرامة، والتحقق من القوة الإحصائية، واقتراح التجارب الضابطة، وتحديد صور الإخفاق المحتملة.
- إنشاء الأدوات (البحث والتطوير): عندما يفتقر سير العمل إلى مكون، مثل محلل بيانات أو إجراء لضبط الجودة أو لوحة متابعة، يُبنى ويضاف إلى مجموعة الأدوات.
3. الذكاء الاصطناعي في المختبر المادي: «عينان» عبر نظارات XR و«يدان» عبر الروبوتات
المختبر المادي الرطب هو المكان الذي يكسب فيه النظام الثقة أو يفقدها. فالهدف ليس استبدال العالم، بل تقليل الاحتكاك والأخطاء وزيادة إمكانية مراقبة ما يحدث.
ننظر إلى حلقة المختبر المادي باعتبارها أربع قدرات متكاملة:
- التسجيل والتوثيق الآليان: تسجيل الإجراءات والطوابع الزمنية وإعدادات الأجهزة والانحرافات تلقائيًا، كي لا يصبح التوثيق أمرًا يُتدارك لاحقًا.
- حفظ المعرفة من أجل تنفيذ سريع وقابل لتكرار النتائج: تحويل التجارب إلى مخرجات منظمة وقابلة للاستعلام، مثل إصدارات البروتوكول ومجموعات المعلمات ونتائج ضبط الجودة، بما يتوافق مع مبادئ إدارة البيانات مثل FAIR.
- الإرشاد البصري اللغوي الفوري عبر نظارات الواقع الممتد الذكية: استخدام نماذج متعددة الوسائط لتفسير المشهد، بما فيه ما يفعله المشغل والكاشف الذي يحمله، وتقديم إرشادات متدرجة وفحوص أمان. وقد أثبت الواقع المعزز والممتد قيمته في مسارات عمل مادية ذات عواقب مهمة، مثل الإرشاد التجريبي (LabOS وستانفورد وبرينستون بالتعاون مع NVIDIA).
- دمج الروبوتات التعاونية وغيرها للأتمتة: توحيد الخطوات المتكررة، وتمكين تسليم المهام بأمان، وتقليل التباين. ومنصات سير العمل الذي ينتقل من المحاكاة إلى الواقع، مثل NVIDIA Isaac، ومعالجة الذكاء الاصطناعي الفورية عند الحافة، مثل البث المباشر من النظارات الذكية والتفاعل بين الإنسان والذكاء الاصطناعي في LabOS، طبقات تمكينية مهمة.
تتوافق هذه البنية مع اتجاه أوسع في المجال: مختبرات ذاتية القيادة أو مستقلة تجمع الأتمتة بالتعلم الآلي لتخطيط التجربة التالية. ويضيف LabOS طبقة تواصل أوثق مع الإنسان، بحيث لا تأتي الاستقلالية على حساب الشفافية.
لماذا لا يقتصر الذكاء الاصطناعي المناسب للمختبرات على «ذكاء اصطناعي يعمل على مجموعة بيانات»
تبدو أنظمة الذكاء الاصطناعي الساعية إلى ذكاء فائق في الطب الحيوي أو العلوم مثيرة للإعجاب غالبًا عند تقييمها بأثر رجعي أو خوضها الامتحانات، ثم يضعف أداؤها في المختبر المادي. ونادرًا ما يكون السبب خطأ واحدًا؛ فعادة ما يكون تعارضًا بين افتراضات النموذج وواقع المختبر.
وتظهر ثلاث فجوات بصورة متكررة:
- فجوة السياق: تغفل مجموعات البيانات عادة المتغيرات السياقية التي يعرف المشغلون أهميتها، مثل انحرافات الحرارة وأرقام دفعات الكواشف والانحرافات الدقيقة عن البروتوكول.
- فجوة الفعل: تستطيع أنظمة كثيرة اقتراح ما ينبغي فعله، لكنها لا تستطيع تحويل الاقتراح بصورة موثوقة إلى خطوات مادية جرى التحقق منها.
- فجوة التغذية الراجعة: من دون ملاحظات منظمة وعالية الجودة من التنفيذ، لا تستطيع النماذج تعلم مواضع إخفاقها، ولا يستطيع العلماء تدقيق أسباب ذلك.
سد هذه الفجوات لا يتعلق أساسًا بابتكار بنية جديدة لشبكة عصبية، بل ببناء منظومات القياس والواجهات وعقود البيانات التي تجعل المختبر مفهومًا للآلات وتتيح للذكاء الاصطناعي رؤية البشر والعمل معهم.
الثقة منذ التصميم: السلامة والحوكمة للذكاء الاصطناعي القادر على الفعل
لا يثير الذكاء الاصطناعي الوكيل في أبحاث الاكتشاف مخاوف الدقة المعتادة فحسب، بل يضيف أنماط إخفاق جديدة لأنه يستطيع التصرف. وفي المختبر، قد يعني الفعل هدرًا أو ضررًا أو استنتاجات مضللة، خصوصًا عندما تغذي التجارب فرضيات سريرية.
ومن المفيد التعامل مع المنظومة المختبرية المدعومة بالذكاء الاصطناعي بوصفها نظامًا اجتماعيًا تقنيًا يحتاج إلى ضمانات. تساعد أطر قائمة عدة، لكن يجب تطبيقها بما يلائم واقع المختبر:
- إدارة المخاطر كممارسة مستمرة: يقدم إطار NIST لإدارة مخاطر الذكاء الاصطناعي (AI RMF 1.0) مفردات عملية لرصد مخاطر الذكاء الاصطناعي وقياسها وإدارتها طوال دورة الحياة.
- مواءمة الذكاء الاصطناعي المتصل بالطب مع التنظيم: تقدم أعمال إدارة الغذاء والدواء الأمريكية (FDA) بشأن البرمجيات القائمة على الذكاء الاصطناعي والتعلم الآلي بوصفها جهازًا طبيًا (SaMD)، ومنها خطة العمل والإرشادات ذات الصلة، تصورًا ملموسًا للممارسات الجيدة عندما يؤثر الذكاء الاصطناعي في رعاية المرضى.
أصبحت حوكمة تحرير الجينات وغيره من المجالات ذات العواقب الكبيرة نقاشًا عالميًا بالفعل. وتناقَش توصيات تخص تحرير الجينوم البشري لتأكيد الحاجة إلى آليات إشراف مناسبة وحوكمة مسؤولة، مثل التوصيات التي تطرحها الجمعية الأمريكية للعلاج الجيني والخلوي (ASGCT). وينبغي تصميم أنظمة مثل LabOS لتسهيل الامتثال لا لتعقيده.
قائمة تحقق: ضوابط لعلماء مشاركين آمنين بالذكاء الاصطناعي في الاكتشاف العلمي
نرى أن نظام تشغيل المختبر المراعي للسلامة ينبغي أن يطبق التصاميم التالية على الأقل:
- توثيق المنشأ افتراضيًا: ينبغي إمكان تتبع كل مجموعة بيانات وإصدار بروتوكول ومخرجات نموذج إلى المدخلات والطوابع الزمنية.
- استقلالية محدودة: يجب أن تكون للنظام صلاحيات صريحة تحدد ما يمكنه فعله دون تأكيد، وقواعد تصعيد تحدد متى يجب أن يطلب الإذن.
- قدرة الإنسان على تجاوز قرارات النظام والتراجع المنضبط في الوظائف: عند تعطل الحساسات أو تدفقات البيانات، أو ارتفاع عدم اليقين، ينبغي أن يعود النظام إلى وضع أبسط وأكثر أمانًا.
- التحقق المستمر: ينبغي إقران التنبؤات الحاسوبية بالتحقق في المختبر المادي، وأن تتضمن التجارب المادية بوابات لضبط الجودة قبل انتقال الاستنتاجات مجددًا إلى نماذج الذكاء الاصطناعي ووكلائه في العالم الرقمي.
- الأمن والوعي بالاستخدام المزدوج: حماية البنية التحتية للمختبر من العبث.
تمكين البشر في كل مكان: هل يستطيع العلماء المشاركون بالذكاء الاصطناعي تحقيق تكافؤ الفرص؟
من أكثر وعود العالم المشارك الذي يجمع الذكاء الاصطناعي والواقع الممتد جاذبيةً إتاحة الإمكانات للجميع، لا مجرد تسريع العمل في مؤسسات النخبة. لنتأمل ما يحد حاليًا من المختبرات الصغيرة والشركات الناشئة والعيادات النائية والريفية والإقليمية:
- محدودية الوصول إلى الخبرة المتخصصة في البروتوكولات والأجهزة المعتمدة بوصفها المعيار الأفضل.
- ارتفاع التكلفة النسبية للتدريب والأخطاء وإعادة العمل.
- تشتت الأدوات: نادرًا ما تتصل الدفاتر والجداول الإلكترونية وسجلات الأجهزة ونصوص التحليل بسلاسة.
قد يجعل نظام يوجه التنفيذ بحسب السياق عبر نظارات XR، ويسجل ما حدث تلقائيًا، ويقترح أفضل خطوة تالية بناءً على تجارب سابقة، الاختبارات المتقدمة أكثر قابلية لتكرار نتائجها بين المواقع. ومن حيث المبدأ، قد يدعم أيضًا البحث السريري الموزع الذي يتطلب تنفيذ البروتوكولات باتساق رغم اختلاف الموارد.
الجدول الزمني: متى يحصل كل عالم وطبيب على عالم مشارك؟
نحن أقرب مما يظن كثيرون في بعض المهام مرتفعة القيمة والمتكررة، مثل إنتاج دواء بصورة موثوقة في المختبر، وأبعد مما توحي به معظم العروض في مهام أخرى، مثل أن يحل الذكاء الاصطناعي تمامًا مشكلات كبيرة كالسرطان أو ألزهايمر. وتبدو خريطة الطريق الواقعية كما يلي:
- المدى القريب: خلال سنة واحدة: مساعدو سير العمل الذين يقللون العبء الإداري عبر صياغة البروتوكولات وتجميع الأدبيات وقوالب التحليل وتقارير ضبط الجودة الآلية. والعامل المحدد هو التكامل، لا قدرة النموذج.
- المدى المتوسط: سنة إلى سنتين: أنظمة تنفيذ مشترك في المختبر تشمل توجيهًا عبر نظارات XR وتوثيقًا آليًا وروبوتات مختارة للخطوات عالية التباين. وستعتمد الثقة على مسارات التدقيق وتصميم يُبقي الإنسان مشاركًا على نحو وثيق.
- المدى الأطول: ثلاث سنوات فأكثر: باحثون مشاركون عبر مجالات مختلفة يصلون الاكتشاف بالتطبيق: يربطون بيانات المختبر بمؤشرات النتائج السريرية، ويراقبون إشارات السلامة، ويساعدون في تصميم التجارب، مع الالتزام بالتوقعات التنظيمية والأخلاقية.
من الشيفرة إلى العلاج: الطريق نحو مضاعفة الاكتشاف العلمي ألف مرة
LabOS محاولة للإجابة عن سؤال بسيط: ماذا لو أمكن إجراء تجربة بوصفها حوارًا تتصل فيه النية والتنفيذ والأدلة من البداية إلى النهاية؟ إذا أحسنا بناء هذه الأنظمة، فقد تساعد في سد فجوة نقل النتائج إلى التطبيق التي تبطئ الطب الحيوي وكثيرًا من تخصصات العلوم الفيزيائية، مثل علم المواد. وإذا أسأنا بناءها، فستفاقم عدم قابلية تكرار النتائج وتولد مخاطر سلامة جديدة.
سيكون العمل الأهم في السنوات المقبلة تأسيسيًا: توحيد واجهات البيانات والأجهزة عبر بناء نظام تشغيل، كما يشغل iOS مختلف أنواع التطبيقات، وبناء اختبارات مرجعية للذكاء الاصطناعي تشمل التنفيذ وعدم اليقين، مثل LabSuperVision في LabOS، وبدء النشر الفعلي بما يشجع الابتكار ويحمي المرضى ونزاهة البحث.
بالنسبة إلى الباحثين والأطباء، ليس السؤال ما إذا كان الذكاء الاصطناعي سيدخل المختبر؛ فقد دخله بالفعل. السؤال هو هل سندمجه كمجموعة أدوات منفصلة، أم كنظام موثوق وقابل للتدقيق ومصمم لواقع العلوم الطبية الحيوية.
قراءات مقترحة ومصادر
- استطلاع قابلية تكرار النتائج (Nature، 2016): https://www.nature.com/articles/533452a
- مقالة CRISPR-GPT المحكّمة (Nature Biomedical Engineering): https://www.nature.com/articles/s41551-025-01463-z
- خبر Stanford Medicine عن CRISPR-GPT (2025): https://med.stanford.edu/news/all-news/2025/09/ai-crispr-gene-therapy.html
- المسودة البحثية لنظام LabOS (arXiv): https://arxiv.org/abs/2510.14861
- موقع LabOS والاختبار المرجعي LabSuperVision: https://ai4lab.stanford.edu
- إطار NIST لإدارة مخاطر الذكاء الاصطناعي (AI RMF 1.0): https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
- نظرة عامة من FDA على برمجيات الذكاء الاصطناعي والتعلم الآلي بوصفها أجهزة طبية: https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-software-medical-device
- مبادئ FAIR للبيانات (Scientific Data، 2016): https://doi.org/10.1038/sdata.2016.18
- مقالة Unite.AI عن اختناقات اكتشاف الأدوية ذات الجزيئات الصغيرة: https://www.unite.ai/how-ai-is-breaking-down-the-bottlenecks-in-small-molecule-drug-discovery/
- مقالة Unite.AI عن الذكاء الاصطناعي والجراحة الروبوتية: https://www.unite.ai/how-ai-is-ushering-in-a-new-era-of-robotic-surgery/












