Tankeledere

Fra kode til kur: Den næste AI-revolution kræver en hånd (og øjne)

mm
Udgivet den
Opdateret den
Føj Unite.AI til dine foretrukne kilder på Google
A diverse female scientist in smart glasses works alongside a sophisticated dual-arm robotic lab system in a futuristic wet lab.

Hvordan agensystemer, XR-smartglas og robotteknologi vil udvikle mennesker – ikke erstatte dem

Vi lever i en paradoks i kunstig intelligens.

På skærme er AI overmenneskelig. Store sprogmodeller skriver fungerende Python-kode på få sekunder. Generative systemer producerer fotorealistiske billeder og videoer på få minutter. Nobelprisvindende systemer som AlphaFold har forudsagt strukturen af næsten alle kendte proteiner. De digitale sejre er ved at stable sig op.

Men i den fysiske verden af biomedicinsk forskning er opdagelsesprocessen stadig meget manuel. Vi føler ikke rigtigt, at AI accelererer videnskab eller medicin, i hvert fald endnu ikke. Tallene afslører dybden af problemet. En banebrydende Nature-undersøgelse af over 1.500 forskere fandt, at over 70% havde forsøgt og fejlet at reproducere en anden forskers eksperimenter. Endnu mere bekymrende: over halvdelen kunne ikke reproducere deres eget arbejde. I kræftbiologi specifikt fandt et otteårigt reproducerbarhedsprojekt, at kun 40% af høj-impact-fund kunne reproduceres og 68% af eksperimenterne manglede tilstrækkelig dokumentation til at kunne forsøge reproduktion.

Dette er den skidne hemmelighed i moderne videnskab: vi har et videnindfangesproblem, ikke kun et opdagelsesproblem. Kritiske eksperimentelle detaljer lever i forskernes hoveder, ikke i artikler. Protokoller glider. Tacit viden forlader døren, når trainere dimittes. AI-systemer trænet på offentliggjort litteratur arver alle disse huller.

Det grundlæggende problem er, at selv om en AI kan designe et nyt protein til kræftbehandling i en digital simulation, kan den ikke tage en pipette for at teste det. Den kan ikke navigere i den beskidte, uforudsigelige virkelighed af en våd laboratorie for at validere sin egen hypotese. Den kan ikke se en erfaren videnskabsmands hænder og lære de subtile teknikker, der gør eksperimenterne til at fungere.

Dette “eksécutionsgap” er den største flaskehals, der forhindrer AI-revolutionen i at blive en medicinsk revolution. Mens de fleste robotfirmaer stadig er beskæftiget med at lære maskiner at foldere vaske eller laste opvaskemaskiner, er de langt bagefter på de virkelig transformative evner i felter som medicin.

For at løse dette, må vi gå ud over chatbots og hen imod AI Co-Scientists, agenssystemer, der brobygger den digitale og den fysiske verden, og går ud over planlægning og kodning og ind i virkelighedens eksekvering. På Stanford udvikler vi LabOS, et digital-fysisk AI-rammeværk, der demonstrerer, hvordan AI-agenter, Extended Reality (XR) smartglas og samarbejdende robotteknologi kan forenes for at lukke denne cirkel, og omforme videnskabelige eksperimenter til en samarbejdende samtale mellem menneske og maskine, mens den automatisk indfanger den viden, der i øjeblikket går tabt.

Den store skillevej: Hvorfor AI har brug for “øjne” og “hænder”

Mange af de mest synlige AI-sejre er sket, hvor miljøet er fuldstændigt digitalt: kodearkiver, kuraterede datasæt eller simulerede benchmarks (hvor AI konkurrerer om at køre et virtuelt firma eller digitalt investere i aktier).

Vådlaboratorier er anderledes. Biologi og generelt videnskabelig opdagelse er en meget støjende proces. Instrumenter glider, operatører improviserer, og “protokollen” lever ofte delvist i menneskers hoveder. Forskellen mellem et rent resultat og et fejlet løb kan være en pipetteringsvinkel, en vortexmønster, en reagenssubstitutions eller en inkubation, der løber 10 minutter længere. Disse kontekstuelle detaljer kommer sjældent med i en artikel og er præcis, hvad en AI-model har brug for, hvis den skal generalisere ud over et datasæt.

Det er derfor, laboratoriegrads AI har brug for øjne (for at percipere, hvad der sker i kontekst), hænder (for at standardisere og automatisere højvariance-trin) og hukommelse (for at optage, hvad der faktisk sker). Uden disse evner kan modeller anbefale, hvad der skal gøres, men de kan ikke pålideligt oversætte anbefalingerne til valideret fysisk eksekvering eller forklare fejl, når virkeligheden afviger fra planen.

Beyond Chatbots: Fra Copilots til Co-Scientists

Begrebet “agens AI” bruges undertiden løst. I biomedicinske sammenhænge skal det betyde noget præcist: et system, der kan tage et mål (for eksempel “optimer CRISPR-geneeditingseffektivitet, mens minimérer off-targets”), nedbryde det til en række af opgaver, eksekvere disse opgaver på tværs af værktøjer, evaluere resultaterne og tilpasse planen under begrænsninger og med auditable beslutningstagning.

Dette er vigtigt, fordi forskningsarbejdsgange ikke er et enkelt modelkald. De er end-to-end-pipelines, der omfatter hypotesformulering, eksperimentdesign, dataforarbejdning, statistisk test og fortolkning. Nylig tænkning i stofopdagelse har begyndt at understrege agenssystemer, der kan skala disse pipelines, snarere end blot accelerere enkelttrin (for eksempel Unite.AIs diskussion af agenter i small-molecule-opdagelse).

I softwareingeniørarbejde har vi allerede set tidlige empiriske beviser for, at AI-copilots kan øge udviklerens gennemstrømning. I biomedicin er den tilsvarende mulighed ikke kun at skrive kode, men at skrive og validere protokoller, strukturere data, overvåre eksekvering og lukke cirklen mellem forudsigelse og måling, og forbinder AI til menneskelige videnskabsmænd i laboratorier.

LabOS: Når AI kører på et operativsystem for laboratorierne i morgen

I vores arbejde på Stanford på AI4Science, der omfatter genedit-copilots som CRISPR-GPT og AI-XR co-execution systemer som LabOS, der hjælper videnskabsmænd i biomedicinske og materialsvidenskabelige laboratorier, har vi undersøgt en arkitektonisk skift:

1. Design af et end-to-end “laboratorie-operativsystem”, der kobler en digital (tør) laboratorie til en fysisk (våd) laboratorie.

Præmisset er enkelt: Hvis en laboratoriebog er videnskabens hukommelse, skal et laboratorie-operativsystem være eksekveringslaget, der indfanger intention, oversætter den til handling, observerer resultaterne og gør hvert løb til struktureret viden.

Figur. En konceptuel visning af LabOS, der kobler en selv-udviklende digital laboratorieløkke (planlægning, kodning, kritik, værktøjsopbygning) med en menneske-AI-vådlaboratorieløkke (auto-dokumentation, videnindfanging, XR-vejledning og robotintegration).

2. AI i den digitale laboratorie – Selv-udviklende planlægning og værktøjsbygning

I den digitale (tørre) laboratorie kan vi lade AI gøre, hvad det allerede gør godt: søge, syntetisere og foreslå. Men vi vil også have, at det er selv-forbedrende. Ikke ved at “hallucinere ny videnskab”, men ved at lære bedre værktøjer og arbejdsgange fra feedback.

En praktisk digital laboratorieløkke kan rammes som fire tilbagevendende faser:

  • Planlægning (hypotese + design): foreslå hypoteser, vælge eksperimentelle variabler, forudse konfoundere og specificere målbare slutpunkter.
  • Kodning (implementering): generere eller tilpasse analysemanuskripter, simulationsrørledninger og instrumentkontrollærer, hvor det er relevant.
  • Kritikagent (raisonnement + evaluering): stress-test antagelser, tjek statistisk kraft, foreslå kontroller og flagge sandsynlige fejlmodi.
  • Værktøjsopbygning (søgning + udvikling): når arbejdsgangen mangler en komponent (en parser, en QC-rutine, en dashboard), bygge det og tilføje det tilbage til værktøjskassen.

3. AI i den fysiske laboratorie – AI med “øjne” (XR-briller) og “hænder” (robotteknologi)

Den fysiske (våde) laboratorie er, hvor systemet enten opnår tillid – eller mister den. Målet er ikke at erstatte videnskabsmanden, men at reducere friktion og fejl, mens man øger observerbarheden.

Vi ser den fysiske laboratorieløkke som fire komplementære evner:

  • Auto-optagelse og dokumentation: optage handlinger, tidsstempel, instrumentindstillinger og afvigelser automatisk, så dokumentation ikke er en eftertanke.
  • Videnindfanging til hurtig, reproducerbar eksekvering: omdanne løb til strukturerede, forespørgelige artefakter (protokolversions, parametersæt, QC-resultater) i overensstemmelse med dataforvaltningsprincipper som FAIR.
  • Real-time vision-sprogvejledning via XR-smartbriller: bruge multimodale modeller til at fortolke scenen (hvad operatøren gør, hvilken reagens der er i hånden) og give trin-for-trin-vejledning og sikkerhedstjek.
  • Cobot/robotintegration til automatisering: standardisere repetitive trin, muliggøre sikre overdragelser og reducere varians. Platforme for simulation-til-virkeligheds-arbejdsgange (for eksempel NVIDIA Isaac) og real-time AI-behandling på kanten som smartglas live-streaming og menneske-AI-interaktion i LabOS er vigtige aktiveringslag.

Dette arkitektur er i overensstemmelse med en bredere retning i feltet: “selvkørende” eller autonome laboratorier, der kombinerer automatisering med maskinel læring til at planlægge det næste eksperiment. Hvad LabOS tilføjer, er et tættere menneskegrænseflade, så autonomi ikke kommer på bekostning af gennemsigtighed.

Hvorfor laboratoriegrads AI ikke kun er “AI på et datasæt”

AI-systemer til biomedicinsk/superintelligens ser ofte imponerende ud i retrospektiv evaluering eller eksamen, og så underpræsterer i den fysiske laboratorie. Årsagen er sjældent en enkelt fejl. Det er normalt en mismatch mellem modellens antagelser og laboratoriets virkelighed.

Tre huller dukker op gentagne gange:

  • Kontekstgap: datasæt omfatter normalt ikke de kontekstuelle variabler, som operatører ved, er vigtige (temperatur-udsving, reagenspartinummer, subtile protokolforskydninger).
  • Handlingssgap: mange AI-systemer kan anbefale, hvad der skal gøres, men kan ikke pålideligt oversætte anbefalingerne til valideret fysisk eksekvering.
  • Tilbagemeldingsgap: uden struktureret, højkvalitets tilbagemelding fra eksekvering, kan modeller ikke lære, hvor de fejler – og videnskabsmænd kan ikke auditere, hvorfor.

At lukke disse huller er mindre om at opfinde en ny neural netværksarkitektur, men mere om at bygge instrumentering, grænseflader og datakontrakter, der gør laboratoriet læseligt for maskiner, og tillader AI at se og arbejde med mennesker.

Tillid ved design: Sikkerhed og styring for AI, der kan handle

Agens AI i opdagelsesforskning introducerer ikke kun bekymringer om nøjagtighed. Det introducerer nye fejlmodi, fordi det kan handle. I et laboratorie betyder handling potentielt spild, skade eller misvisende konklusioner, især når eksperimenter føder ind i kliniske hypoteser.

En nyttig holdning er at behandle et AI-aktiveret laboratoriestak som et socio-teknisk system, der kræver sikkerhed. Flere eksisterende rammer hjælper, men de må oversættes til laboratoriets virkelighed:

  • Risikostyring som en kontinuerlig praksis: NIST’s AI-risikostyringsramme (AI RMF 1.0) giver en praktisk vokabular til at kortlægge, måle og styre AI-risiko på tværs af livscyklussen.
  • Reguleringsalignering for medicin-relateret AI: FDA’s AI/ML-software som et medicinsk enhed (SaMD) arbejde, herunder dets handlingsplan og relaterede retningslinjer, giver en konkrete visning af, hvad “god praksis” ser ud som, når AI påvirker patientpleje.

For genedit og andre højkonsekvensdomæner er styring allerede en global diskussion. Anbefalinger diskuteres om menneskegenedit, for at understrege behovet for passende tilsynsmechanismer og ansvarlig styring, såsom dem, der er fremlagt af American Society for Gene and Cell Therapy, eller ASGCT. Systemer som LabOS skal være designede til at gøre overholdelse lettere, ikke sværere.

Checkliste: Kontroller for sikre AI-co-videnskabsmænd til videnskabelig opdagelse

I vores syn skal en sikkerhedsbevidst laboratorie-operativsystem implementere mindst følgende designs:

  • Proveniens som standard: hver datasæt, protokolversions og modeloutput skal være sporbare til input og tidsstempel.
  • Begrænset autonomi: systemet skal have eksplisitte tilladelser (hvad det kan gøre uden bekræftelse) og eskalationsregler (hvornår det skal spørge).
  • Menneskelig overtageri og gradvis nedgang: når sensorer eller datastrømme fejler, eller usikkerhed er høj, skal systemet falde tilbage til en sikrere, mere simpel tilstand.
  • Kontinuerlig validering: in-silico-forudsigelser skal være parret med fysisk laboratorie-validering; fysisk laboratorie-løb skal inkludere QC-porter før konklusioner propagerer nedstrøms tilbage til AI-modellerne/agenterna i den digitale verden.
  • Sikkerhed og dual-brugsbevidsthed: beskytte laboratorie-infrastruktur mod manipulation.

Udvikle mennesker overalt: Kan AI-co-videnskabsmænd udjævne spillefeltet?

En af de mest overbevisende løfter om en AI-XR “co-videnskabsmand” er ikke kun hastighed for eliteinstitutioner, men tilgængelighed for alle. Overvej, hvad der i øjeblikket begrænser mindre laboratorier, startups og fjern/landsby/rørlige klinikker:

  • Begrænset adgang til specialiseret ekspertise til guldstandard-protokoller og instrumenter.
  • Højere relativ omkostning af træning, fejl og omgang.
  • Fragmenteret værktøjskasse: noter, regneark, instrumentlogger og analysemanuskripter er sjældent forbundet på en ren måde.

Et system, der kan vejlede eksekvering i kontekst (gennem XR-briller), indfange, hvad der sker automatisk, og foreslå det næste bedste trin baseret på tidligere løb, kunne gøre avancerede assays mere reproducerbare på tværs af steder. I princippet kunne det også støtte distribueret klinisk forskning, hvor protokoller skal eksekveres konsekvent, selv når ressourcer varierer.

Tidsplan: Når får hver videnskabsmand og kliniker en co-videnskabsmand?

For at sige det kort, er vi tættere, end mange tror, på nogle højværdi-, højfrekvensopgaver (såsom produktion af et lægemiddel pålideligt i laboratoriet) og længere væk, end de fleste demos antyder, for andre (såsom AI, der fuldstændigt løser store problemer som kræft eller Alzheimers). En realistisk tidsplan ser således ud:

  1. Kort sigt (inden for 1 år): Workflow-copilots, der reducerer administrativt arbejde: protokoldraft, litteratursyntese, analysemanuskripter og automatiserede QC-rapporter. Begrænsningsfaktoren er integration, ikke modelkapacitet.
  2. Mellem sigt (1-2 år): Co-eksekutionssystemer i laboratoriet: XR-brillevæjledning, automatiseret dokumentation og selektiv robotisering af højvariance-trin. Tillid afhænger af audit-spor og tæt menneske-i-løkken-design.
  3. Længere sigt (3+ år): Cross-domæne co-forskere, der forbinder opdagelse til translation: forbinder laboratoriedata til kliniske slutpunkter, overvåger sikkerhedssignaler og hjælper med at designe forsøg – samtidig med at overholde regulerings- og etiske forventninger.

Fra kode til kur: Vejen frem til 1000x videnskabelig opdagelse

LabOS er et forsøg på at besvare et enkelt spørgsmål: Hvad hvis et eksperiment kunne køres som en samtale, hvor intention, eksekvering og bevis er forbundet fra ende til ende? Hvis vi bygger disse systemer godt, kan de hjælpe med at løse translationsgapet, der bremser biomedicin og mange fysiske videnskabsdiscipliner (for eksempel materialsvidenskab). Hvis vi bygger dem dårligt, vil de forstærke irreproducerbarhed og skabe nye sikkerhedsrisici.

Det vigtigste arbejde i de næste få år vil være grundlæggende: standardiserede data- og enhedsgrænseflader via bygning af operativsystemet (ligesom iOS kører alle typer af apps), bygning af AI-benchmarks, der inkluderer eksekvering og usikkerhed (som LabSuperVision-benchmarket i LabOS), og start på udrulning i den virkelige verden, der opmuntrer til innovation, mens den beskytter patienter og forskningsintegritet.

For forskere og klinikere er spørgsmålet ikke, om AI vil indtræde i laboratoriet. Det har allerede gjort. Spørgsmålet er, om vi vil integrere det som en samling af ikke-relaterede værktøjer eller som et pålideligt, auditablet system designet til biomedicinsk videnskabs realiteter.

Forslag til læsning og kilder

mm

Le Cong, PhD, er en adjungeret professor i patologi og genetik ved Stanford University, hvor hans gruppe udvikler AI-naturlig genom-engineering og AI-XR-robotiske systemer, der forbinder digital-lab-ræsonnement til fysisk-lab-ekssekvering, for at styrke mennesker i videnskabelig opdagelse.