Myslitelé

Od kódu k léku: Příští AI revoluce potřebuje ruku (a oči)

mm
Publikováno
Aktualizováno
Přidejte Unite.AI mezi své preferované zdroje na Google
A diverse female scientist in smart glasses works alongside a sophisticated dual-arm robotic lab system in a futuristic wet lab.

Jak agentic systémy, XR chytré brýle a robotika budou lidem pomáhat – ne je nahrazovat

Procházíme prostřednictvím paradoxu v oblasti umělé inteligence.

Na obrazovkách je AI nadlidská. Velké jazykové modely píší funkční Python kód během sekund. Generativní systémy produkují fotorealistické obrázky a videa během minut. Nobelovy systémy, jako je AlphaFold, předpověděly struktury téměř všech známých proteinů. Digitální vítězství se hromadí.

Ale ve fyzickém světě biomedicínského výzkumu zůstává proces objevování bolestivě manuálním. Není cítit, že by AI urychloval vědu nebo medicínu, alespoň ne zatím. Čísla odhalují hloubku problému. Značný průzkum Nature mezi více než 1 500 vědci ukázal, že více než 70 % se pokusilo a nezdařilo reprodukovat experimenty jiného výzkumníka. Ještě více znepokojivé: více než polovina nemohla reprodukovat svou vlastní práci. V oblasti onkologie konkrétně osmiletý projekt reprodukovatelnosti našel, že pouze 40 % významných objevů mohlo být replikováno a 68 % experimentů postrádalo dostatečnou dokumentaci, aby se mohlo pokusit o replikaci.

To je špinavý secret moderní vědy: máme problém s zachycením znalostí, ne pouze s objevováním. Kritické experimentální detaily žijí v hlavách výzkumníků, ne v papírech. Protokoly se mění. Tacitní znalosti odcházejí, když se stážisté ukončí. AI systémy, které jsou trénovány na publikované literatuře, dědí všechny tyto mezery.

Základní problém spočívá v tom, že zatímco AI může navrhnout nový protein pro léčbu rakoviny v digitální simulaci, nemůže vzít do ruky pipetu, aby ho otestovala. Nemůže navigovat v nepřehledné, nepředvídatelné realitě mokré laboratoře, aby ověřila svou vlastní hypotézu. Nemůže sledovat ruce zkušeného vědce a naučit se jemné techniky, které dělají experimenty úspěšnými.

Tento “výkonný mezera” je největší překážkou, která brání AI revoluci v tom, aby se stala medicínskou revolucí. Zatímco většina robotických společností je stále zaměstnána učení strojů, aby složily prádlo nebo naložily myčku, zůstávají pozadu v oblasti skutečně transformačních schopností těchto pokroků v oblastech, jako je medicína.

Abychom tento problém vyřešili, musíme jít za hranice chatbotů a směrem k AI Co-Vědcům, agentic systémům, které propojují digitální a fyzický svět, jdou za hranice plánování a kódování a do skutečné realizace. Na Stanfordu vyvíjíme LabOS, digitální-fyzický AI rámec, který demonstruje, jak AI agenci, Extended Reality (XR) chytré brýle a spolupracující robotika mohou spojit, aby uzavřely tuto smyčku, transformovaly vědecké experimenty na spolupráci mezi člověkem a strojem, zatímco automaticky zachycují znalosti, které securrently ztrácejí.

Velký rozpor: Proč AI potřebuje “oči” a “ruce”

Mnohé z nejviditelnějších AI vítězství se staly v oblastech, kde je prostředí plně digitální: repozitáře kódu, kurátorovaná data nebo simulační benchmarky (kde AI soutěží o běh virtuální firmy nebo digitálně investuje do akcií).

Mokré laboratoře jsou jiné. Biologie a obecně vědecký objev je velmi šumivý proces. Instrumenty se mění, operátoři improvizují a “protokol” často žije částečně v hlavách lidí. Rozdíl mezi čistým výsledkem a neúspěšným během může být úhel pipetování, vzorčení, substituce reagentu nebo inkubace, která trvala 10 minut déle. Tyto kontextové detaily se zřídka dostanou do papíru a jsou přesně to, co AI model potřebuje, aby se mohl generalizovat za hranice datasetu.

To je důvod, proč laboratorní AI potřebuje oči (aby viděla, co se děje v kontextu), ruce (aby standardizovala a bezpečně automatizovala kroky s vysokou variabilitou) a paměť (aby zaznamenávala, co se skutečně stalo). Bez těchto schopností mohou modely doporučovat, co dělat, ale nemohou spolehlivě přeložit doporučení do validované fyzické realizace nebo vysvětlit neúspěchy, když realita se odchyluje od plánu.

Mimo chatboty: Od kopilotů k co-vědcům

Termín “agentic AI” je někdy používán volně. V biomedicínských prostředích by měl znamenat něco přesného: systém, který může vzít cíl (například “optimalizovat efektivitu editace genu CRISPR, zatímco minimalizuje cíle”), rozložit ho do posloupnosti úkolů, provést tyto úkoly napříč nástroji, vyhodnotit výsledky a přizpůsobit plán pod omezujícími podmínkami a s auditable rozhodováním.

To je důležité, protože výzkumné pracovní postupy nejsou jediným modelem. Jsou to koncepční potrubí, která sahají od formulace hypotézy, experimentálního designu, zpracování dat, statistického testování a interpretace. Nedávné myšlení v oblasti objevování léků začalo zdůrazňovat agentic systémy, které mohou škálovat tyto potrubí, spíše než pouze urychlit jednotlivé kroky (například Unite.AI diskuse o agenticích v malé molekulární objevování).

V softwarovém inženýrství jsme již viděli rané empirické důkazy, že AI kopiloti mohou zvýšit produktivitu vývojářů. V biomedicíně je analogická příležitost nejen psaní kódu, ale také psaní a validace protokolů, strukturování dat, monitorování realizace a uzavírání smyčky mezi predikcí a měřením, propojování AI s lidskými vědci v laboratořích.

LabOS: Když AI běží na operačním systému pro laboratoře zítřka

V naší práci na Stanfordu na AI4Science, pokrývající kopiloty pro editaci genu CRISPR jako CRISPR-GPT a AI-XR ko-execution systémy jako LabOS, které pomáhají vědci v biomedicínských a materiálových laboratořích, jsme prozkoumali architektonický posun:

1. Navrhování koncepčního “lab operačního systému”, který spojuje digitální (suchou) laboratoř s fyzickou (mokrou) laboratoří.

Předpoklad je jednoduchý: pokud je laboratorní zápisník pamětí vědy, pak by měl laboratorní operační systém být vrstvou realizace, zachycující záměr, překládající ho do akcí, pozorující výsledky a měnící každý běh na strukturované znalosti.

Obrázek. Konceptuální pohled na LabOS, který spojuje samo-evoluční digitální laboratorní smyčku (plánování, kódování, kritika, tvorba nástrojů) s lidsko-AI mokrou laboratorní smyčkou (auto-dokumentace, zachycení znalostí, XR vedení a robotická integrace).

2. AI v digitální laboratoři – samo-evoluční plánování a tvorba nástrojů

V digitální (suché) laboratoři můžeme nechat AI dělat to, co již dělá dobře: vyhledávání, syntézu a návrh. Ale chceme, aby se také samo-vylepšovalo. Ne “hallucinováním nové vědy”, ale učením se lepších nástrojů a pracovních postupů z feedbacku.

Praktická digitální laboratorní smyčka může být rámcována jako čtyři opakující se fáze:

  • Plánování (hypotéza + design): navrhnout hypotézy, vybrat experimentální proměnné, předpovědět rušivé faktory a specifikovat měřitelné konce.
  • Kódování (implementace): generovat nebo adaptovat analytické skripty, simulační potrubí a šablony pro kontrolu instrumentů, kde je to vhodné.
  • Kritický agent (důvod + hodnocení): testovat předpoklady, kontrolovat statistickou sílu, navrhnout kontroly a označit pravděpodobné režimy selhání.
  • Tvorba nástrojů (vyhledávání + vývoj): když pracovní postup postrádá komponent (parser, QC rutinu, dashboard), vytvořit ji a přidat ji zpět do nástrojové sady.

3. AI v fyzické laboratoři – AI s “očí” (XR brýlemi) a “rukama” (robotikou)

Fyzická (mokrá) laboratoř je místem, kde systém buď získá důvěru – nebo ji ztratí. Cílem není nahradit vědce, ale snížit tření a chyby, zatímco se zvyšuje pozorovatelnost.

Pohledíme na fyzickou laboratorní smyčku jako čtyři komplementární schopnosti:

  • Auto-záznam a dokumentace: zachytit akce, časové razítko, nastavení instrumentů a odchylky automaticky, aby dokumentace nebyla myšlenkou.
  • Zachycení znalostí pro rychlou, reprodukovatelnou realizaci: převést běhy na strukturované, dotazovatelné artefakty (verze protokolu, sady parametrů, výsledky QC) v souladu se zásadami správy dat, jako je FAIR.
  • Reálné vidění-jazykové vedení přes XR chytré brýle: použít multimodální modely k interpretaci scény (co operátor dělá, který reagent je v ruce) a poskytovat krok za krokem vedení a bezpečnostní kontroly. AR/XR již prokázala hodnotu v high-stakes fyzických pracovních postupech, jako je experimentální vedení (LabOS, Stanford, Princeton, ve spolupráci s NVIDIA).
  • Cobot/robotická integrace pro automatizaci: standardizovat opakující se kroky, umožnit bezpečné předávání a snížit variabilitu. Platformy pro simulaci-na-reálné pracovní postupy (například NVIDIA Isaac) a reálné AI zpracování na okraji, jako je živé streamování a interakce člověka-AI v LabOS, jsou důležité umožňující vrstvy.

Tato architektura se shoduje s širším směrem v oblasti: “samo-řídící” nebo autonomní laboratoře, které kombinují automatizaci s učením strojů, aby naplánovaly další experiment. Co LabOS přidává, je těsnější lidská rozhraní vrstva, aby autonomie nešla na úkor transparentnosti.

Proč laboratorní AI není jen “AI na datasetu”

AI systémy pro biomedicínskou/scientific superinteligenci často vypadají působivě v retrospektivní evaluaci nebo při zkouškách, a poté podávají slabý výkon v fyzické laboratoři. Důvodem je zřídka jeden bug. Je to obvykle nesoulad mezi modelovými předpoklady a realitou laboratoře.

Tři mezery se opakují:

  • Kontextová mezera: datové sady obvykle vynechávají kontextové proměnné, které operátoři znají, že jsou důležité (teplotní výkyvy, čísla šarží reagentů, jemné odchylky protokolu).
  • Akční mezera: mnoho AI systémů může doporučit, co dělat, ale nemůže spolehlivě přeložit doporučení do validovaných fyzických kroků.
  • Feedback mezera: bez strukturované, vysoké kvality feedbacku z realizace, modely nemohou se naučit, kde selhávají – a vědci nemohou auditovat, proč.

Zavření těchto mezer je méně o vynálezu nové neuronové sítě a více o budování instrumentace, rozhraní a datových kontraktů, které dělají laboratoř čitelnou pro stroje a umožňují AI pracovat s lidmi.

Důvěra podle designu: Bezpečnost a governance pro AI, která může jednat

Agentic AI ve výzkumné oblasti neonly zvyšuje známé obavy o přesnost. Zavádí nové režimy selhání, protože může jednat. V laboratoři znamená akce potenciál pro odpad, újmu nebo mylné závěry, zejména když experimenty krmit do klinických hypotéz.

Užitečný přístup je považovat AI-podporovaný laboratorní stack za socio-technický systém, který potřebuje jistotu. Několik existujících rámců pomáhá, ale musí být přeloženo do laboratorní reality:

  • Risk management jako kontinuální praxe: NISTův AI Risk Management Framework (AI RMF 1.0) poskytuje praktický slovník pro mapování, měření a řízení AI rizika napříč životním cyklem.
  • Regulační soulad pro medicínsky příbuznou AI: FDA práce na AI/ML Software jako zdravotnickém zařízení (SaMD), včetně Akčního plánu a souvisejících pokynů, nabízí konkrétní pohled na to, co “dobrá praxe” vypadá, když AI ovlivňuje péči o pacienty.

Pro editaci genu a další vysoké důsledky domény je governance již globální konverzací. Doporučení jsou diskutována na lidské genové editaci, aby zdůraznila potřebu vhodných mechanismů dohledu a odpovědné governance, jako jsou ty, které navrhuje Americká společnost pro genovou a buněčnou terapii, nebo ASGCT. Systémy jako LabOS by měly být navrženy tak, aby usnadnily dodržování předpisů, ne aby jej ztížily.

Kontrolní seznam: Ovládací prvky pro bezpečné AI co-vědce pro vědecký objev

Naším názorem je, že bezpečnostně vědomý laboratorní operační systém by měl implementovat alespoň následující designy:

  • Prokazatelnost výchozím nastavením: každá datová sada, verze protokolu a modelový výstup by měly být stopovatelné k vstupům a časovým razítkům.
  • Ohraničená autonomie: systém by měl mít explicitní oprávnění (co může dělat bez potvrzení) a eskalační pravidla (kdy musí požádat).
  • Lidské přerušení a elegantní degradace: když senzory nebo datové proudy selžou, nebo je vysoká nejistota, systém by se měl vrátit do bezpečnějšího, jednoduššího režimu.
  • Kontinuální validace: in-silico předpovědi by měly být spárovány s fyzickou laboratorní validací; fyzické laboratorní běhy by měly zahrnovat QC brány předtím, než závěry propagují dolů zpět k AI modelům/agentům v digitálním světě.
  • Bezpečnost a povědomí o dvojímu použití: chránit laboratorní infrastrukturu před manipulací.

Posílit lidi všude: Může AI co-vědci vyrovnat hru?

Jedním z nejvíce přesvědčivých slibů AI-XR “co-vědce” není jen rychlost pro elitní instituce, ale přístupnost pro každého. Zvažte, co目前 omezuje menší laboratoře, startupy a vzdálené/venkovské/klinické pracoviště:

  • Omezený přístup ke specializované odbornosti pro zlaté standardy protokolů a instrumentů.
  • Vyšší relativní cena školení, chyb a přetěžení.
  • Fragmentované nástroje: zápisníky, tabulky, instrumentální záznamy a analytické skripty se zřídka spojují čistě.

Systém, který může vést realizaci v kontextu (pomocí XR brýlí), zachytit, co se stalo automaticky, a navrhnout další nejlepší krok na základě předchozích běhů, mohl by učinit pokročilé testy více reprodukovatelnými napříč místy. V zásadě by mohl také podporovat distribuovanou klinickou výzkum, kde protokoly musí být realizovány konzistentně, i když zdroje se liší.

Časová osa: Kdy každý vědec a klinický pracovník získá co-vědce?

Stručně řečeno, jsme blíže, než si mnoho lidí myslí, pro některé vysoce hodnotné, vysoké frekvenční úkoly (jako je spolehlivě produkovat lék v laboratoři) a dále, než většina demonstrací naznačuje, pro jiné (jako je AI úplně vyřešit velké problémy, jako je rakovina nebo Alzheimerova choroba). Realistický roadmap vypadá takto:

  1. Blízká budoucnost (do 1 roku): Workflow kopiloti, kteří snižují administrativní zátěž: návrh protokolu, syntéza literatury, šablony analýz a automatizované QC zprávy. Omezením je integrace, ne modelová schopnost.
  2. Střední doba (1-2 roky): Ko-execution systémy v laboratoři: XR brýle vedení, automatizovaná dokumentace a selektivní robotika pro kroky s vysokou variabilitou. Důvěra bude záviset na auditních stopách a těsném lidském zapojení do designu.
  3. Dlouhodobá budoucnost (3+ roky): Mezioboroví ko-vědci, kteří propojují objev s translací: propojují laboratorní data s klinickými konci, monitorují bezpečnostní signály a pomáhají navrhnout studie – zatímco dodržují regulační a etické očekávání.

Od kódu k léku: Cesta vpřed k 1000x vědeckému objevu

LabOS je jeden pokus odpovědět na jednoduchou otázku: co kdyby experiment mohl být spuštěn jako konverzace, kde záměr, realizace a důkaz jsou propojeny koncepčně? Pokud postavíme tyto systémy dobře, mohou pomoci vyřešit překladovou mezeru, která zpomaluje biomedicínu a mnoho fyzikálních vědeckých disciplín (například materiálovou vědu). Pokud je postavíme špatně, budou zesilovat nereproducibilitu a vytvářet nové bezpečnostní rizika.

Nejdůležitější práce v příštích letech bude zakladatelská: standardizované datové a zařízení rozhraní prostřednictvím budování operačního systému (podobně jako iOS běží všechny typy aplikací), budování AI benchmarků, které zahrnují realizaci a nejistotu (jako je benchmark LabSuperVision v LabOS), a začínající nasazení v reálném světě, které podporují inovace, zatímco chrání pacienty a výzkumnou integritu.

Pro výzkumníky a klinické pracovníky není otázka, zda AI vstoupí do laboratoře. Už tam je. Otázkou je, zda ji integrujeme jako sadu nespojených nástrojů nebo jako důvěryhodný, auditable systém navržen pro realitu biomedicínské vědy.

Navrhované čtení a zdroje

mm

Le Cong, PhD, je asociativní profesor patologie a genetiky na Stanford University, kde jeho skupina vyvíjí AI-rodnou inženýrství genomu a AI-XR-robotické systémy, které spojují digitální laboratorní myšlení s fyzickou laboratorní realizací, aby umožnily lidem vědecké objevy.