Myslitelé

Od kódu k léčbě: příští revoluce AI potřebuje ruce a oči

Dr. Le Cong
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.
Klíčové bodyLabOS propojuje digitální plánování AI s fyzickým prováděním v laboratoři pomocí brýlí…
Zobrazit více
  • LabOS propojuje digitální plánování AI s fyzickým prováděním v laboratoři pomocí brýlí pro rozšířenou realitu a robotiky.
  • Více než 70 % vědců nedokáže reprodukovat experimenty kvůli mezeře v zachycování znalostí, nikoli kvůli mezeře v objevování.
  • Spolupracovníci AI musí zahrnovat původ a omezenou autonomii, aby se zabránilo škodám v biomedicínských laboratořích.

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

V oblasti umělé inteligence zažíváme paradox.

Na obrazovkách je AI nadlidská. Velké jazykové modely píší funkční Python kód během sekund. Generativní systémy produkují fotorealistické obrázky a videa během minut. Systémy oceněné Nobelovou cenou, 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 urychlovala vědu nebo medicínu, alespoň ne zatím. Čísla odhalují hloubku problému. Významný průzkum časopisu Nature mezi více než 1 500 vědci ukázal, že více než 70 % se pokusilo reprodukovat experimenty jiného výzkumníka, ale neuspělo. Ještě více znepokojivé: více než polovina nemohla reprodukovat svou vlastní práci. V oblasti onkologie konkrétně osmiletý projekt reprodukovatelnosti zjistil, že pouze 40 % významných objevů mohlo být replikováno a 68 % experimentů postrádalo dostatečnou dokumentaci, aby se vůbec dalo pokusit o jejich replikaci.

To je nepříjemné tajemství moderní vědy: máme problém se zachycováním znalostí, ne pouze s objevováním. Kritické experimentální detaily žijí v hlavách výzkumníků, ne v papírech. Protokoly se mění. Tacitní znalosti odcházejí, když stážisté dokončí vzdělávání. 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.

Tato “mezera v provádění” je největší překážkou, která brání AI revoluci v tom, aby se stala medicínskou revolucí. Zatímco většina robotických společností je stále zaměstnána učením 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, agentním 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 agenti AI, Extended Reality (XR) chytré brýle a spolupracující robotika se mohou spojit, aby uzavřely tuto smyčku, transformovaly vědecké experimenty na společný dialog člověka a stroje, zatímco automaticky zachycují znalosti, které se v současnosti 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 v provozování virtuální firmy nebo digitálně investuje do akcií).

Mokré laboratoře jsou jiné. Biologie a obecně vědecký objev je proces s vysokou mírou šumu. Instrumenty se mění, operátoři improvizují a “protokol” často žije částečně v hlavách lidí. Rozdíl mezi čistým výsledkem a neúspěšným během může být úhel pipetování, způsob vířivého míchání, výměna činidla nebo inkubace, která trvala 10 minut déle. Tyto kontextové detaily se zřídka dostanou do článku 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 se realita odchyluje od plánu.

Mimo chatboty: Od kopilotů k co-vědcům

Termín “agentní AI” je někdy používán volně. V biomedicínských podmínkách by měl znamenat něco přesného: systém, který může vzít cíl (například “optimalizovat efektivitu genové editace pomocí CRISPR, a současně minimalizovat úpravy mimo cílová místa”), rozložit ho do posloupnosti úkolů, provést tyto úkoly napříč nástroji, vyhodnotit výsledky a přizpůsobit plán pod omezujícími podmínkami a s auditovatelným rozhodováním.

To je důležité, protože výzkumné pracovní postupy nejsou jediným voláním modelu. Jsou to ucelené pracovní řetězce, které zahrnují formulaci hypotézy, návrh experimentu, zpracování dat, statistické testování a interpretaci. Nedávné myšlení v oblasti objevování léků začalo zdůrazňovat agentní systémy, které mohou škálovat tyto pracovní řetězce, spíše než pouze urychlit jednotlivé kroky (například Unite.AI diskuse o agentech v objevování léčiv založených na malých molekulách).

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 systémy společného provádění s AI a XR jako LabOS, které pomáhají vědcům v biomedicínských a materiálových laboratořích, jsme prozkoumali architektonický posun:

1. Navrhování uceleného “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 samostatně se vyvíjející 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 – samostatně se vyvíjející 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 sama zlepšovala. 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 cílové ukazatele.
  • Kódování (implementace): generovat nebo adaptovat analytické skripty, simulační potrubí a šablony pro kontrolu instrumentů, kde je to vhodné.
  • Kritický agent (uvažování a hodnocení): testovat předpoklady, kontrolovat statistickou sílu, navrhnout kontrolní experimenty a označit pravděpodobné režimy selhání.
  • Tvorba nástrojů (vyhledávání + vývoj): když pracovní postup postrádá komponentu (parser, QC rutinu, dashboard), vytvořit ji a přidat ji zpět do nástrojové sady.

3. AI ve fyzické laboratoři – AI s “očima” (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.

Na fyzickou laboratorní smyčku nahlížíme jako na čtyři komplementární schopnosti:

  • Auto-záznam a dokumentace: zachytit akce, časové razítko, nastavení instrumentů a odchylky automaticky, aby se dokumentace neřešila až dodatečně.
  • 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.
  • Vizuálně-jazykové vedení v reálném čase 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 ve fyzických pracovních postupech s významnými důsledky, 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 zpracování AI v reálném čase na okrajových zařízeních, jako je živé streamování z chytrých brýlí a interakce člověka s 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 vrstva rozhraní pro člověka, aby autonomie nešla na úkor transparentnosti.

Proč laboratorní AI není jen “AI na datasetu”

AI systémy pro biomedicínskou/vědeckou superinteligenci často vypadají působivě v retrospektivní evaluaci nebo při zkouškách, a poté podávají slabý výkon ve 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, o nichž operátoři vědí, 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 a kvalitní zpětné vazby z realizace se modely nemohou 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 vidět lidi a pracovat s nimi.

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

Agentní AI ve výzkumné oblasti nejen vyvolává známé obavy o přesnost. Zavádí nové režimy selhání, protože může jednat. V laboratoři znamená akce riziko plýtvání, újmy nebo mylných závěrů, zejména když experimenty přispívají ke klinickým hypotézám.

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, jak vypadá “dobrá praxe”, když AI ovlivňuje péči o pacienty.

Pro genovou editaci a další oblasti se závažnými důsledky je governance již globální konverzací. Diskutuje se o doporučeních týkajících se editace lidského genomu, aby se zdůraznila potřeba 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).
  • Možnost převzetí řízení člověkem a řízené omezení funkcí: 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 se závěry vrátí k AI modelům/agentům v digitálním světě.
  • Bezpečnost a povědomí o dvojím použití: chránit laboratorní infrastrukturu před manipulací.

Posílit lidi všude: Mohou AI spoluvýzkumníci vyrovnat příležitosti?

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

  • Omezený přístup ke specializované odbornosti pro zlaté standardy protokolů a instrumentů.
  • Vyšší relativní cena školení, chyb a opakování práce.
  • 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 distribuovaný klinický 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 plán 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 návrhu, který člověka udržuje těsně zapojeného do rozhodovací smyčky.
  3. Dlouhodobá budoucnost (3+ roky): Mezioboroví ko-vědci, kteří propojují objev s translací: propojují laboratorní data s klinickými cílovými ukazateli, 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 probíhat jako rozhovor, kde záměr, realizace a důkaz jsou propojeny od začátku do konce? Pokud postavíme tyto systémy dobře, mohou pomoci vyřešit mezeru mezi výzkumem a jeho uplatněním, která zpomaluje biomedicínu a mnoho fyzikálních vědeckých disciplín (například materiálovou vědu). Pokud je postavíme špatně, budou zesilovat nereproducibilitu a vytvářet nová bezpečnostní rizika.

Nejdůležitější práce v příštích letech bude základní: standardizovaná datová a přístrojová rozhraní prostřednictvím budování operačního systému (podobně jako iOS spouští všechny typy aplikací), budování AI benchmarků, které zahrnují realizaci a nejistotu (jako je benchmark LabSuperVision v LabOS), a začínající nasazení v reálném světě, které podporuje inovace a zároveň 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, auditovatelný systém navržený pro realitu biomedicínské vědy.

Navrhované čtení a zdroje

Le Cong, PhD, je docent (Associate Professor) patologie a genetiky na Stanford University, kde jeho skupina vyvíjí genomové inženýrství navržené od základu pro umělou inteligenci a AI-XR-robotické systémy, které spojují digitální laboratorní myšlení s fyzickou laboratorní realizací, aby umožnily lidem vědecké objevy.