Vordenker

Von Code zu Heilung: Die nächste AI-Revolution benötigt eine Hand (und Augen)

mm
Veröffentlicht am
Aktualisiert am
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
A diverse female scientist in smart glasses works alongside a sophisticated dual-arm robotic lab system in a futuristic wet lab.

Wie agente Systeme, XR-Smart-Glasses und Robotik Menschen stärken – anstatt sie zu ersetzen

Wir leben in einem Paradoxon der künstlichen Intelligenz.

Auf Bildschirmen ist die künstliche Intelligenz übermenschlich. Große Sprachmodelle schreiben funktionsfähigen Python-Code in Sekunden. Generative Systeme produzieren photorealistische Bilder und Videos in Minuten. Nobelpreis-ausgezeichnete Systeme wie AlphaFold haben die Strukturen fast aller bekannten Proteine vorhergesagt. Die digitalen Siege häufen sich.

Im physischen Bereich der biomedizinischen Forschung bleibt der Prozess der Entdeckung jedoch schmerzhaft manuell. Wir spüren die künstliche Intelligenz noch nicht wirklich, wenn es um die Beschleunigung von Wissenschaft oder Medizin geht, zumindest noch nicht. Die Zahlen zeigen die Tiefe des Problems. Eine wegweisende Nature-Umfrage unter über 1.500 Wissenschaftlern fand heraus, dass mehr als 70% versucht haben, die Experimente eines anderen Forschers zu reproduzieren, und dann fehlgeschlagen sind. Noch besorgniserregender: Mehr als die Hälfte konnte ihre eigene Arbeit nicht reproduzieren. In der Krebsbiologie insbesondere fand ein achtjähriges Reproduzierbarkeitsprojekt heraus, dass nur 40% der hochkarätigen Ergebnisse repliziert werden konnten und 68% der Experimente nicht ausreichend dokumentiert waren, um eine Replikation zu versuchen.

Dies ist das schmutzige Geheimnis der modernen Wissenschaft: Wir haben ein Wissens-Erfassungsproblem, nicht nur ein Entdeckungsproblem. Kritische experimentelle Details leben in den Köpfen der Forscher, nicht in Papieren. Protokolle driften ab. Tacit knowledge geht verloren, wenn Trainees abschließen. KI-Systeme, die auf veröffentlichter Literatur trainiert werden, erben all diese Lücken.

Das grundlegende Problem ist, dass eine KI, die ein neues Protein für die Krebsbehandlung in einer digitalen Simulation entwerfen kann, nicht in der Lage ist, eine Pipette zu halten, um es zu testen. Sie kann nicht durch die unvorhersehbare Realität eines nassen Labors navigieren, um ihre eigene Hypothese zu validieren. Sie kann nicht die Hände eines erfahrenen Wissenschaftlers beobachten und die subtilen Techniken lernen, die Experimente zum Erfolg führen.

Diese “Ausführungslücke” ist die größte Flaschenhals, die die KI-Revolution daran hindert, zu einer medizinischen Revolution zu werden. Während die meisten Robotik-Unternehmen noch damit beschäftigt sind, Maschinen zu lehren, Wäsche zu falten oder Geschirr zu laden, bleiben sie hinter den wirklich transformierenden Fähigkeiten dieser Fortschritte in Bereichen wie der Medizin zurück.

Um dies zu lösen, müssen wir über Chatbots hinausgehen und auf KI-Co-Wissenschaftler, agente Systeme, die die digitale und physische Welt verbinden, hinarbeiten, die über Planung und Codierung hinausgehen und in die reale Ausführung eintauchen. An der Stanford-Universität entwickeln wir LabOS, ein digitales-physisches KI-Rahmenwerk, das zeigt, wie KI-Agenten, Extended-Reality-(XR)-Smart-Glasses und kooperative Robotik zusammenarbeiten können, um diese Lücke zu schließen und wissenschaftliche Experimente in ein gemeinsames Gespräch zwischen Mensch und Maschine zu verwandeln, während sie automatisch das Wissen erfassen, das derzeit verloren geht.

Die große Kluft: Warum KI “Augen” und “Hände” benötigt

Viele der sichtbarsten KI-Erfolge sind in Bereichen erzielt worden, in denen die Umgebung vollständig digital ist: Code-Repositorys, kuratierte Datensätze oder simulierte Benchmarks (wo KI mit virtuellen Unternehmen oder digitalen Investitionen in Aktien konkurriert).

Nasse Labore sind anders. Biologie und im Allgemeinen wissenschaftliche Entdeckung sind ein sehr lauter Prozess. Instrumente driften ab, Operatoren improvisieren und “das Protokoll” lebt oft teilweise in den Köpfen der Menschen. Der Unterschied zwischen einem sauberen Ergebnis und einem fehlgeschlagenen Lauf kann ein Pipettierwinkel, ein Vortex-Muster, ein Reagenz-Ersatz oder eine Inkubation sein, die 10 Minuten zu lange gedauert hat. Diese kontextuellen Details machen es selten in ein Papier und sind genau das, was ein KI-Modell benötigt, wenn es über einen Datensatz hinaus verallgemeinern soll.

Das ist, warum laborgerechte KI “Augen” (um zu erkennen, was in Kontext passiert), “Hände” (um hochvariate Schritte zu standardisieren und zu automatisieren) und “Gedächtnis” (um aufzuzeichnen, was tatsächlich passiert ist) benötigt. Ohne diese Fähigkeiten können Modelle empfehlen, was zu tun ist, aber sie können nicht zuverlässig Empfehlungen in validierte physische Ausführung übersetzen oder erklären, warum die Realität von der Planung abweicht.

Jenseits von Chatbots: Von Co-Piloten zu Co-Wissenschaftlern

Der Begriff “agente KI” wird manchmal locker verwendet. In biomedizinischen Umgebungen sollte er jedoch etwas Präzises bedeuten: ein System, das ein Ziel (z.B. “Optimieren Sie die CRISPR-Gene-Editierungseffizienz, während Sie Off-Target-Effekte minimieren”) in eine Sequenz von Aufgaben zerlegen, diese Aufgaben über Tools ausführen, Ergebnisse bewerten und den Plan unter Einschränkungen und mit auditablem Entscheidungsprozess anpassen kann.

Dies ist wichtig, weil Forschungsworkflows nicht nur ein einzelner Modellaufruf sind. Sie sind End-to-End-Pipelines, die Hypothesenformulierung, experimentelle Auslegung, Datenverarbeitung, statistische Tests und Interpretation umfassen. Neuere Überlegungen in der Arzneimittelentdeckung haben begonnen, agente Systeme zu betonen, die diese Pipelines skalieren können, anstatt nur einzelne Schritte zu beschleunigen (z.B. Unite.AIs Diskussion über Agenten in kleiner Molekül-Entdeckung).

In der Software-Entwicklung haben wir bereits frühe empirische Beweise dafür gesehen, dass KI-Co-Piloten die Produktivität von Entwicklern steigern können. In der Biomedizin ist die analoge Chance nicht nur, Code zu schreiben, sondern auch Protokolle und Daten zu validieren, die Ausführung zu überwachen und die Schleife zwischen Vorhersage und Messung zu schließen, um KI mit menschlichen Wissenschaftlern in Laboren zu verbinden.

LabOS: Wenn KI auf einem Betriebssystem für die Labore von morgen läuft

In unserer Arbeit an der Stanford-Universität über AI4Science, die CRISPR-Gene-Editierung und KI-XR-Ko-Exekutionssysteme wie LabOS umfasst, die Wissenschaftlern in biomedizinischen und Materialwissenschaftslaboren helfen, haben wir eine architektonische Verschiebung erforscht:

1. Entwurf eines End-to-End-“Lab-Betriebssystems”, das ein digitales (trockenes) Labor mit einem physischen (nassen) Labor verbindet.

Die Prämisse ist einfach: Wenn ein Labornotizbuch das Gedächtnis der Wissenschaft ist, sollte ein Lab-OS die Ausführungsebene sein, die Absicht erfassen, sie in Aktionen übersetzen, Ergebnisse beobachten und jeden Lauf in strukturiertes Wissen verwandeln.

Abbildung. Eine konzeptionelle Ansicht von LabOS, die eine selbstentwickelnde digitale Lab-Schleife (Planung, Codierung, Kritik, Werkzeugerstellung) mit einer menschlichen KI-Wet-Lab-Schleife (Auto-Dokumentation, Wissenserfassung, XR-Anleitung und robotische Integration) verbindet.

2. KI im digitalen Labor – Selbstentwickelnde Planung und Werkzeugerstellung

Im digitalen (trockenen) Labor können wir KI das tun lassen, was sie bereits gut kann: suchen, synthetisieren und vorschlagen. Aber wir wollen auch, dass sie sich selbst verbessert. Nicht, indem sie “neue Wissenschaft halluziniert”, sondern indem sie bessere Werkzeuge und Workflows aus Feedback lernt.

Eine praktische digitale Lab-Schleife kann als vier wiederkehrende Stadien gerahmt werden:

  • Planung (Hypothese + Design): Hypothesen vorschlagen, experimentelle Variablen auswählen, Störfaktoren antizipieren und messbare Endpunkte spezifizieren.
  • Codierung (Implementierung): Analyse-Skripte, Simulations-Pipelines und Instrumenten-Steuerungsvorlagen generieren oder anpassen, wo angebracht.
  • Kritik-Agent (Argumentation + Bewertung): Annahmen testen, statistische Power überprüfen, Kontrollen vorschlagen und wahrscheinliche Fehlermodi kennzeichnen.
  • Werkzeugerstellung (Suche + Entwicklung): Wenn die Workflow einen Komponenten fehlt (einen Parser, eine QC-Routine, ein Dashboard), bauen Sie es und fügen Sie es dem Werkzeugkasten hinzu.

3. KI im physischen Labor – KI mit “Augen” (XR-Glasses) und “Händen” (Robotik)

Das physische (nasse) Labor ist der Ort, an dem das System entweder Vertrauen gewinnt oder es verliert. Das Ziel ist nicht, den Wissenschaftler zu ersetzen, sondern Reibung und Fehler zu reduzieren, während die Sichtbarkeit erhöht wird.

Wir betrachten die physische Lab-Schleife als vier komplementäre Fähigkeiten:

  • Auto-Aufzeichnung und Dokumentation: Aktionen, Zeitstempel, Instrumenteneinstellungen und Abweichungen automatisch erfassen, so dass Dokumentation nicht nachträglich erfolgt.
  • Wissenserfassung für schnelle, reproduzierbare Ausführung: Läufe in strukturierte, abfragbare Artefakte (Protokollversionen, Parameter-Sets, QC-Ergebnisse) umwandeln, die mit Daten-Stewardship-Prinzipien wie FAIR übereinstimmen.
  • Echtzeit-Vision-Sprach-Anleitung via XR-Smart-Glasses: multimodale Modelle verwenden, um die Szene zu interpretieren (was der Operator tut, welches Reagenz in der Hand ist) und schrittweise Anleitung und Sicherheitsprüfungen bereitzustellen. AR/XR hat bereits in hochriskanten physischen Workflows wie experimenteller Anleitung (LabOS, Stanford, Princeton, in Zusammenarbeit mit NVIDIA) seinen Wert bewiesen.
  • Ko-Roboter-Integration für Automatisierung: wiederkehrende Schritte standardisieren, sichere Übergaben ermöglichen und Variabilität reduzieren. Plattformen für Simulation-zu-Real-Workflows (z.B. NVIDIA Isaac) und Echtzeit-KI-Verarbeitung am Rand wie die Live-Streaming- und menschliche KI-Interaktion in LabOS sind wichtige Enable-Layer.

Diese Architektur stimmt mit einer breiteren Richtung im Feld überein: “selbstfahrende” oder autonome Labore, die Automatisierung mit maschinellem Lernen kombinieren, um das nächste Experiment zu planen. Was LabOS hinzufügt, ist eine engere menschliche Schnittstelle, so dass Autonomie nicht auf Kosten von Transparenz geht.

Warum laborgerechte KI nicht nur “KI auf einem Datensatz” ist

KI-Systeme für biomedizinische/wissenschaftliche Superintelligenz sehen oft beeindruckend aus, wenn sie in retrospektiver Bewertung oder bei Prüfungen eingesetzt werden, und unterperformen dann im physischen Labor. Der Grund ist selten ein einzelner Bug. Es ist normalerweise eine Diskrepanz zwischen den Annahmen des Modells und der Realität des Labors.

Drei Lücken treten wiederholt auf:

  • Kontext-Lücke: Datensätze enthalten typischerweise nicht die kontextuellen Variablen, die Operatoren wissen, dass sie wichtig sind (Temperatur-Exkursionen, Reagenz-Lot-Nummern, subtile Protokoll-Abweichungen).
  • Aktions-Lücke: Viele KI-Systeme können empfehlen, was zu tun ist, aber können nicht zuverlässig Empfehlungen in validierte physische Schritte übersetzen.
  • Rückkopplungs-Lücke: Ohne strukturierte, hochwertige Rückkopplung von der Ausführung können Modelle nicht lernen, wo sie fehlschlagen – und Wissenschaftler können nicht überprüfen, warum.

Das Schließen dieser Lücken ist weniger eine Frage der Erfindung einer neuen neuronalen Netzwerk-Architektur, sondern mehr eine Frage der Entwicklung der Instrumentierung, Schnittstellen und Daten-Verträge, die das Labor für Maschinen lesbar machen und es KI ermöglichen, mit Menschen zusammenzuarbeiten.

Vertrauen durch Design: Sicherheit und Governance für KI, die handeln kann

Agente KI in der Entdeckungsforschung wirft nicht nur bekannte Bedenken hinsichtlich der Genauigkeit auf. Sie introduceiert neue Fehlermodi, weil sie handeln kann. In einem Labor bedeutet Handeln das Potenzial für Verschwendung, Schaden oder irreführende Schlussfolgerungen, insbesondere wenn Experimente in klinische Hypothesen einfließen.

Eine nützliche Einstellung ist, ein KI-aktivierte Lab-Stack als ein sozio-technisches System zu betrachten, das Sicherheit benötigt. Mehrere bestehende Rahmenwerke helfen, aber sie müssen in die Labor-Realität übersetzt werden:

  • Risikomanagement als kontinuierliche Praxis: NISTs KI-Risikomanagement-Rahmenwerk (AI RMF 1.0) bietet eine praktische Vokabular für die Kartierung, Messung und Verwaltung von KI-Risiken über den gesamten Lebenszyklus.
  • Regulatorische Ausrichtung für medizinnahe KI: Die FDA-KI/ML-Software-as-a-Medical-Device (SaMD)-Arbeit, einschließlich ihres Aktionsplans und verwandter Richtlinien, bietet eine konkrete Sicht darauf, was “gute Praxis” aussieht, wenn KI die Patientenversorgung beeinflusst.

Für Gentechnik und andere hochriskante Bereiche ist Governance bereits ein globales Gespräch. Empfehlungen werden diskutiert, um die Notwendigkeit geeigneter Aufsichtsmechanismen und verantwortungsvoller Governance zu betonen, wie sie von der American Society for Gene and Cell Therapy oder ASGCT vorgeschlagen werden. Systeme wie LabOS sollten so konzipiert werden, dass sie die Einhaltung erleichtern, nicht erschweren.

Checkliste: Kontrollen für sichere KI-Co-Wissenschaftler für wissenschaftliche Entdeckung

Unsere Meinung nach sollte ein sicherheitsbewusstes Lab-OS mindestens die folgenden Designs implementieren:

  • Herleitung durch Standard: Jeder Datensatz, jede Protokollversion und jedes Modell-Output sollte auf Eingaben und Zeitstempel zurückverfolgbar sein.
  • Eingeschränkte Autonomie: Das System sollte explizite Berechtigungen (was es ohne Bestätigung tun kann) und Eskalationsregeln (wann es um Bestätigung bitten muss) haben.
  • Menschliche Ausnahme und sanfte Degradation: Wenn Sensoren oder Daten-Streams fehlschlagen oder Unsicherheit hoch ist, sollte das System auf einen sichereren, einfacheren Modus zurückfallen.
  • Kontinuierliche Validierung: In-silico-Vorhersagen sollten mit physischer Lab-Validierung gepaart werden; physische Lab-Läufe sollten QC-Tore enthalten, bevor Schlussfolgerungen downstream zu den KI-Modellen/Agenten im digitalen Bereich propagieren.
  • Sicherheit und Dual-Use-Bewusstsein: Lab-Infrastruktur vor Manipulation schützen.

Stärkung der Menschen überall: Können KI-Co-Wissenschaftler das Spielfeld leveln?

Eines der überzeugendsten Versprechen eines KI-XR-“Co-Wissenschaftlers” ist nicht nur Geschwindigkeit für Spitzen-Institutionen, sondern auch Zugänglichkeit für alle. Betrachten Sie, was derzeit kleinere Labore, Start-ups und entfernte/regionale Kliniken einschränkt:

  • Begrenzter Zugang zu spezialisierten Fachwissen für Gold-Standard-Protokolle und Instrumente.
  • Höhere relative Kosten für Schulung, Fehler und Nacharbeit.
  • Fragmentierte Tooling: Notizbücher, Tabellen, Instrumenten-Logs und Analyse-Skripte verbinden sich selten sauber.

Ein System, das die Ausführung im Kontext leiten kann (über XR-Glasses), automatisch aufzeichnen, was passiert ist, und den nächsten besten Schritt basierend auf vorherigen Läufen vorschlagen kann, könnte fortgeschrittene Assays über Standorte hinweg reproduzierbarer machen. Im Prinzip könnte es auch verteilte klinische Forschung unterstützen, bei der Protokolle konsistent ausgeführt werden müssen, auch wenn Ressourcen variieren.

Zeitplan: Wann bekommt jeder Wissenschaftler und Kliniker einen Co-Wissenschaftler?

Kurz gesagt, wir sind näher dran, als viele denken, für einige hochwertige, häufige Aufgaben (wie die zuverlässige Herstellung eines Arzneimittels im Labor) und weiter entfernt, als die meisten Demos implizieren, für andere (wie KI, die komplexe Probleme wie Krebs oder Alzheimer löst). Ein realistischer Zeitplan sieht so aus:

  1. Kurzfristig (innerhalb von 1 Jahr): Workflow-Co-Piloten, die die administrative Belastung reduzieren: Protokoll-Entwurf, Literatur-Synthese, Analyse-Vorlagen und automatisierte QC-Berichte. Der limitierende Faktor ist die Integration, nicht die Modell-Fähigkeit.
  2. Mittelfristig (1-2 Jahre): Ko-Exekutionssysteme im Labor: XR-Glass-Anleitung, automatisierte Dokumentation und selektive Robotik für hochvariate Schritte. Vertrauen wird von Audit-Trails und enger menschlicher Einbindung abhängen.
  3. Langfristig (3+ Jahre): Cross-Domain-Co-Forscher, die Entdeckung mit Translation verbinden: Lab-Daten mit klinischen Endpunkten verbinden, Sicherheitssignale überwachen und Studien-Design unterstützen – unter Einhaltung regulatorischer und ethischer Erwartungen.

Von Code zu Heilung: Der Weg nach vorne zu 1000x wissenschaftlicher Entdeckung

LabOS ist ein Versuch, eine einfache Frage zu beantworten: Was, wenn ein Experiment wie ein Gespräch durchgeführt werden könnte, bei dem Absicht, Ausführung und Beweis end-to-end verbunden sind? Wenn wir diese Systeme gut bauen, können sie dazu beitragen, die Übersetzungs-Lücke zu schließen, die die Biomedizin und viele physikalische Wissenschaften behindert. Wenn wir sie schlecht bauen, werden sie Irreproduzierbarkeit verstärken und neue Sicherheitsrisiken schaffen.

Die wichtigste Arbeit in den nächsten Jahren wird grundlegend sein: Standardisierte Daten- und Geräte-Schnittstellen über den Aufbau des Betriebssystems (ähnlich wie iOS alle Arten von Apps ausführt), den Aufbau von KI-Benchmarks, die Ausführung und Unsicherheit umfassen (wie der LabSuperVision-Benchmark in LabOS), und den Beginn der Bereitstellung in der realen Welt, die Innovation fördern und Patienten und Forschungsintegrität schützen.

Für Forscher und Kliniker ist die Frage nicht, ob KI in das Labor kommen wird. Sie ist bereits da. Die Frage ist, ob wir sie als eine Sammlung unverbundener Werkzeuge integrieren oder als ein vertrauenswürdiges, auditable System, das für die Realitäten der biomedizinischen Wissenschaft konzipiert ist.

Empfohlene Lektüre und Quellen

mm

Le Cong, PhD, ist Associate Professor of Pathology and of Genetics an der Stanford University, wo seine Gruppe AI-native Genome-Engineering und AI-XR-robotische Systeme entwickelt, die digitale Labor-Argumentation mit physikalischer Labor-Ausführung verbinden, um Menschen in der wissenschaftlichen Entdeckung zu befähigen.