Ajatusjohtajat

Koodista parannukseen: Seuraava tekoälyvallankumous tarvitsee käden (ja silmän)

mm
Julkaistu
Päivitetty
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
A diverse female scientist in smart glasses works alongside a sophisticated dual-arm robotic lab system in a futuristic wet lab.

Miten agenteiset järjestelmät, XR-älylasit ja robotiikka voivat antaa ihmisille valtuudet – eivät korvata heitä

Elämme paradoksin kautta tekoälyssä.

Näytöillä tekoäly on yliluonnollinen. Suuret kielimallit kirjoittavat toimivan Python-koodin sekunneissa. Generatiiviset järjestelmät tuottavat fotorealistisia kuvia ja videoita minuuteissa. Nobel-palkinnon voittaneet järjestelmät kuten AlphaFold ovat ennustaneet lähes kaikkien tunnettujen proteiinien rakenteet. Digitaaliset voitot kasaantuvat.

Biolääketieteellisen tutkimuksen fyysisessä maailmassa löytämisen prosessi on kuitenkin edelleen raskas ja manuaalinen. Emme todella tunne tekoälyn kiihdyttävän tieteen tai lääketieteen eteenpäin, ainakaan vielä. Lukujen paljastavat ongelman syvyyden. Merkittävä Nature-tutkimus yli 1 500 tutkijasta osoitti, että yli 70 % on yrittänyt ja epäonnistunut toistamaan toisen tutkijan kokeita. Entistä enemmän huolestuttavaa: yli puolet ei voinut toistaa omaa työtään. Syöpäbiologiassa erityisesti kahdeksan vuoden toistettavuushanke osoitti, että vain 40 % korkean vaikuttavuuden löydöistä voitiin toistaa ja 68 % kokeista puuttui riittävä dokumentaatio, jotta toistamista edes voitiin yrittää.

Tämä on modernin tieteen likainen salaisuus: meillä on tiedon kaappaamisongelma, ei vain löytämisen ongelma. Kriittiset kokeelliset yksityiskohdat elävät tutkijoiden päissä, eivät papereissa. Protokollat muuttuvat. Älykkäät yksityiskohdat poistuvat, kun koulutetut valmistuvat. Tekoälyjärjestelmät, jotka on koulutettu julkaistuun kirjallisuuteen, periytyvät kaikki nämä aukot.

Perusongelma on, että vaikka tekoäly voi suunnitella uuden proteiinin syövän hoitoon digitaalisessa simulaatiossa, se ei voi ottaa pipettia testaakseen sitä. Se ei voi navigoida epäjohdonmukaisen, arvaamattoman wet-labin todellisuuden, jotta se voisi vahvistaa oman hypoteesinsa. Se ei voi tarkkailla kokeneen tutkijan käsiä ja oppia hienoja tekniikoita, jotka tekevät kokeet toimiviksi.

Tämä “toteutuskuilu” on yksin suurin pullonkaula, joka estää tekoälyvallankumouksen muuttumasta lääketieteelliseksi vallankumoukseksi. Koska useimmat robotiikkayritykset ovat edelleen kiinni opettamassa koneita taittoon tai astianpesukoneen lataamiseen, ne jäävät jälkeen todella muuntavista kyvyistä, kuten lääketieteessä.

Tämän ratkaisemiseksi meidän on siirryttävä chatbottien ulkopuolelle ja tekoälytutkijoiden puolelle, agenteisia järjestelmiä, jotka yhdistävät digitaalisen ja fyysisen maailman, työskentelevät suunnittelun ja koodauksen ulkopuolella ja siirtyvät todellisen maailman toteutukseen. Stanfordin yliopistossa kehitämme LabOS:ia, digitaalista ja fyysistä tekoälykehystä, joka osoittaa, miten tekoälyagentit, XR-älylasit ja yhteistyössä toimivat robotiikka voivat yhdistyä sulkemaan tämän kehän, muuttaen tieteelliset kokeet yhteistyössä keskusteluksi ihmisen ja koneen välillä, samalla kun se kaappaa tiedon, joka tällä hetkellä häviää.

Suuri jakautuminen: Miksi tekoälylle tarvitaan “silmät” ja “kädet”

Monet näkyvimmistä tekoälyvoitoista ovat tapahtuneet, missä ympäristö on täysin digitaalinen: koodivarastot, kuratoidut tietokannat tai simuloituneet mittarit (missä tekoäly kilpailee johtamaan virtuaalista liiketoimintaa tai digitaalisesti sijoittaa osakkeisiin).

Wet-laboratoriot ovat erilaisia. Biologia ja yleisesti tieteellinen löytäminen on erittäin meluisa prosessi. Instrumentit muuttuvat, operaattorit improvisoivat, ja “protokolla” elää usein osittain ihmisten päissä. Ero puhdas tuloksesta ja epäonnistuneesta suorituksesta voi olla pipetin kulma, vortex-kuviointi, reagenssin korvaus tai inkubaatio, joka kesti 10 minuuttia pidempään. Nämä kontekstuaaliset yksityiskohdat harvoin pääsevät paperiin, ja ne ovat juuri sitä, mitä tekoälymalli tarvitsee, jos se on yleistettävä tietokannan ulkopuolelle.

Siksi lab-asteisen tekoälyn tarvitsee silmät (havainnoidakseen, mitä tapahtuu kontekstissa), kädet (standardisoidakseen ja turvallisesti automatisoidakseen korkean vaihtelun askelten) ja muisti (merkitsemään, mitä todella tapahtui). Ilman näitä kykyjä mallit voivat suositella, mitä tehdä, mutta ne eivät voi luotettavasti kääntää suosituksia todistettuihin fyysisiin toimiin tai selittää epäonnistumisia, kun todellisuus poikkeaa suunnitelmasta.

Chatbottien ulkopuolella: Kokoelmatutkijoista tutkijoiden pariin

“Agenteinen tekoäly” -termiä käytetään toisinaan epätarkasti. Biolääketieteellisissä ympäristöissä se pitäisi tarkoittaa jotain tarkkaa: järjestelmää, joka voi ottaa tavoitteen (esim. “optimoi CRISPR-geenieditoinnin tehokkuutta vähentäen sivutuotteita”), purkaa sen tehtävien sarjaan, suorittaa tehtäviä työkalujen yli, arvioida tuloksia ja sopeuttaa suunnitelmaa rajoituksilla ja auditoitavalla päätöksenteolla.

Tämä on tärkeää, koska tutkimusvirrat eivät ole yksittäinen mallikutsu. Ne ovat lopusta loppuun kulkevia putkia, jotka kattavat hypoteesin muodostamisen, kokeellisen suunnittelun, datan käsittelyn, tilastollisen testaamisen ja tulkinnan. Viimeaikainen ajattelu lääkekehityksessä on alkanut korostaa agenteisia järjestelmiä, jotka voivat skaalata näitä putkia eikä vain kiihdytä yksittäisiä askelia (esim. Unite.AI:n keskustelu agenteista pienmolekyylisessä lääkekehityksessä).

Ohjelmistosuunnittelussa olemme jo nähneet varhaisia empiirisiä todisteita siitä, että tekoäly-apurit voivat lisätä kehittäjien tuottavuutta. Biolääketieteessä vastaava mahdollisuus ei ole vain koodin kirjoittaminen, vaan kokeiden ja validoinnin kirjoittaminen ja validointi, datan rakenteleminen, suorituksen seuranta ja silmän ja käden yhdistäminen laboratorioissa.

LabOS: Kun tekoäly toimii laboratorioiden tulevaisuuden käyttöjärjestelmällä

Stanfordin yliopistossa tekoälytutkimuksessa olemme tutkineet arkkitehtonista siirtymää:

1. Suunnittelemalla loppupään “laboratoriokäyttöjärjestelmän”, joka yhdistää digitaalisen (kuivan) laboratorion fyysiseen (märkään) laboratorioon.

Lähtökohta on yksinkertainen: jos laboratorion muistikirja on tieteen muisti, niin laboratoriokäyttöjärjestelmän pitäisi olla suoritustaso, joka kaappaa aikomukset, kääntää ne toimiksi, havainnoi tuloksia ja muuttaa jokaisen suorituksen rakenteelliseksi tietoksi.

Kuva. LabOS:n konseptuaalinen näkymä, joka yhdistää itsekehittyvän digitaalisen laboratorion (suunnittelun, koodauksen, arvostelun ja työkalujen luomisen) ihmisen ja tekoälyn välistä yhteistyöhön laboratoriossa (autodokumentaatio, tiedon kaappaus, XR-ohjaus ja robotti-integraatio).

2. Tekoäly digitaalisessa laboratoriossa – Itsekehittyvä suunnittelu ja työkalujen luominen

Digitaalisessa (kuivassa) laboratoriossa voimme antaa tekoälylle tehdä sen, mitä se jo osaa: etsiä, yhdistää ja ehdottaa. Mutta haluamme myös, että se olisi itseparantava. Ei “hallusinoimalla uutta tietoa”, vaan oppimalla parempia työkaluja ja työnkulkua palautteen perusteella.

Praktinen digitaalisen laboratorion silmukka voidaan jakaa neljään toistuvaan vaiheeseen:

  • Suunnittelu (hypoteesi + suunnittelu): ehdota hypoteeseja, valitse kokeelliset muuttujat, odota häiriötekijöitä ja määrittele mitattavat päätepisteet.
  • Koodaus (toteutus): luo tai sovella analyysiskriptejä, simulaatioputkia ja instrumenttien ohjausmallineita, kun tarpeen.
  • Arvostelija (päättely + arviointi): testaa oletuksia, tarkista tilastollista voimakkuutta, ehdota kontrolliryhmiä ja merkitse todennäköiset epäonnistumisen tilat.
  • Työkalujen luominen (etsintä + kehitys): kun työnkulku puuttuu komponentista (esim. parser, laadunvalvonta, dashboard), luo se ja lisää se takaisin työkalupakkiin.

3. Tekoäly fyysisessä laboratoriossa – Tekoäly “silmillä” (XR-lasit) ja “käsin” (robotiikka)

Fyysinen (märkä) laboratorio on se paikka, missä järjestelmä joko ansaitsee luottamuksen – tai menettää sen. Tavoitteena ei ole korvata tutkija, vaan vähentää kitkaa ja virheitä samalla kun lisätään havainnointia.

Näemme fyysisen laboratorion silmukan neljänä täydentävänä kyvykkyytenä:

  • Automaattinen tallennus ja dokumentaatio: kaappausta, aikaleimoja, instrumenttien asetuksia ja poikkeamia automaattisesti, jotta dokumentaatio ei ole jälkijäänyt.
  • Tiedon kaappaus nopeaan ja toistettavaan suoritukseen: muunna suoritukset rakenteellisiksi, kysytyiksi artefakteiksi (protokollaversiot, parametriryhmät, laadunvalvontatulokset) johtuen datanhoitoperiaatteista, kuten FAIR.
  • Reaaliaikainen visuaalinen ohjaus XR-älylasien avulla: käytä monimodalisia malleja tulkittaaksesi kohtauksen (mitä operaattori tekee, mikä reagenssi on kädessä) ja tarjoa askelkohtaisia ohjeita ja turvallisuustarkastuksia. AR/XR on jo osoittanut arvonsa korkean panoksen fyysisten työnkulkujen ohjauksessa (esim. LabOS, Stanford, Princeton, yhteistyössä NVIDIAN kanssa).
  • Cobotti/robotti-integraatio automaation vuoksi: standardisoi toistuvat askelten, mahdollista turvalliset luovutukset ja vähennä muutosta. Alustat simulaatioon perustuvista työnkuluista (esim. NVIDIA Isaac) ja reaaliaikainen tekoälyprosessointi reunassa, kuten älylasien live-videokuvaus ja ihmisen ja tekoälyn välinen vuorovaikutus LabOS:ssa, ovat tärkeitä mahdollistavia kerroksia.

Tämä arkkitehtuuri on linjassa laajemman suunnan kanssa alan tutkimuksessa: “itseajavat” tai autonomiset laboratoriot, jotka yhdistävät automaation ja koneoppimisen seuraavan kokeen suunnitteluun. LabOS lisää tähän tiiviimmin ihmisen käyttöliittymän, jotta autonomia ei tule transparensin kustannuksella.

Miksi laboratoriotasoisen tekoälyn ei ole vain “tekoäly tietokannassa”

Tekoälyjärjestelmät biolääketieteelliseen yli-älyyn usein näyttävät vaikuttavilta retrospektiivisessä arvioinnissa tai tutkintojen suorittamisessa, ja sitten heikentyvät fyysisessä laboratoriossa. Syy on harvoin yksittäinen virhe. Se on yleensä ristiriita mallin oletusten ja laboratorion todellisuuden välillä.

Kolme aukkoa ilmenee toistuvasti:

  • Kontekstiaukko: tietokannat tyypillisesti jättävät puuttumaan kontekstuaaliset muuttujat, joita operaattorit tietävät olevan tärkeitä (lämpötilan poikkeamat, reagenssien eränumerot, hienoiset protokollamuutokset).
  • Toimintaaukko: monet tekoälyjärjestelmät voivat suositella, mitä tehdä, mutta eivät voi luotettavasti kääntää suosituksia todistettuihin fyysisiin toimiin.
  • Palauteaukko: ilman rakenteellista, laadukasta palautetta suorituksesta, mallit eivät voi oppia, missä ne epäonnistuvat – eivätkä tutkijat voi tarkastella, miksi.

Näiden aukkojen sulkeminen on vähemmän uuden hermostoverkon kehittämistä, ja enemmän instrumenttien, liittymien ja tietosopimusten rakentamista, jotka tekevät laboratorion koneille luettavaksi, ja sallivat tekoälylle työskennellä ihmisten kanssa.

Luottamus suunnittelun kautta: Turvallisuus ja hallinto tekoälylle, joka voi toimia

Agenteinen tekoäly tutkimuksessa ei vain herätä tuttuja huolenaiheita tarkkuudesta. Se esittää uusia epäonnistumisen malleja, koska se voi toimia. Laboratoriossa toiminta tarkoittaa mahdollisuutta haitalle, vahingolle tai harhaanjohtaville johtopäätöksille, erityisesti kun kokeet syötetään kliinisiin hypoteeseihin.

Käyttökelpoinen asenne on kohdella tekoälykäyttöjärjestelmää sosio-teknisenä järjestelmänä, jolle tarvitaan varmistus. Useat olemassa olevat kehykset auttavat, mutta ne on käännettävä laboratorion todellisuudeksi:

  • Riskien hallinta jatkuvana käytäntönä: NIST:n tekoälyriskien hallintakehys (AI RMF 1.0) tarjoaa käytännöllisen sanaston tekoälyriskien kartoittamiseen, mittaamiseen ja hallintaan koko elinkaaren ajan.
  • Sääntelyn mukainen lääketieteelliseen tekoälyyn: FDA:n tekoäly/ML-ohjelmisto lääketieteellisenä laitteena, mukaan lukien toimintasuunnitelma ja liittyvät ohjeet, tarjoaa konkreettisen näkymän “hyvän käytännön” näyttämiseen, kun tekoäly vaikuttaa potilashoitoon.

Geenieditoinnissa ja muissa korkean vaikutuksen alueilla hallinto on jo maailmanlaajuinen keskustelu. Suositukset keskittyvät ihmisen genomin muokkaukseen, korostamaan asianmukaisen valvonnan mekanismien ja vastuullisen hallinnon tarvetta, kuten American Society for Gene and Cell Therapy esittää. Järjestelmät kuten LabOS on suunniteltava siten, että ne tekevät noudattamisen helpommaksi, ei vaikeammaksi.

Tarkistusluettelot: Valvontamenetelmät turvallisille tekoälytutkijoille tieteelliseen löytämiseen

Meidän näkemyksemme mukaan turvallisuuskeskeinen laboratoriokäyttöjärjestelmä tulisi toteuttaa vähintään seuraavat suunnittelut:

  • Provenienssi oletuksena: jokaisen tietokannan, protokollaversion ja mallin tuloksen tulisi olla jäljitettävissä syötteisiin ja aikaleimoihin.
  • Rajoitettu autonomia: järjestelmän tulisi olla eksplisiittisiä valtuutuksia (mitä se voi tehdä ilman vahvistusta) ja eskaloitimissääntöjä (milloin se on pyydettävä vahvistusta).
  • Ihmisen ohjaus ja armoa heikentäminen: kun anturit tai tietovirrat epäonnistuvat tai epävarmuus on korkea, järjestelmän tulisi palata turvallisempaan, yksinkertaisempaan tilaan.
  • Jatkuva validointi: simulaatiotulokset tulisi yhdistää fyysiseen laboratorioon; fyysiset laboratoriotulokset tulisi sisältää laadunvalvontaportit ennen johtopäätösten etenemistä takaisin tekoälymalliin/agentteihin digitaaliseen maailmaan.
  • Turva ja kaksoiskäyttöön liittyvä tietoisuus: suojella laboratoriainfraa manipuloinnilta.

Valtaa ihmisille kaikkialla: Voivatko tekoälytutkijat tasoittaa pelikenttää?

Yksi tekoäly-XR “tutkijan” parhaista lupaavuuksista ei ole vain nopeus eliittilaitoksille, vaan saatavuus kaikille. Mieti, mitä rajoittaa pieniä laboratorioita, start-upeja ja etä-, maaseutu- tai alueellisia kliinikoita:

  • Rajoitettu pääsy erikoisosaamiseen kultakorun protokollille ja instrumenteille.
  • Suhteellisen koulutuksen, virheiden ja uudelleen työn kustannus.
  • Hajanainen työkalupakki: muistikirjat, taulukot, instrumenttien lokit ja analyysiskriptit harvoin liittyvät puhdasesti.

Järjestelmä, joka voi ohjata suoritusta kontekstissa (XR-lasien kautta), kaapata, mitä tapahtui automaattisesti, ja ehdottaa seuraavaa parasta askelta aiempien suoritusten perusteella, voisi tehdä edistyneistä osoitteista uudelleen toistettavampia eri sivustoilla. Periaatteessa se voisi myös tukea hajautettua kliinistä tutkimusta, missä protokollat on suoritettava johdonmukaisesti, vaikka resurssit vaihtelevat.

Aikajana: Milloin jokainen tutkija ja kliinikko saa tekoälytutkijan?

Lyhyesti sanottuna, olemme lähempänä kuin monet ajattelevat joillekin arvokkaille, toistuville tehtäville (kuten tuottaa lääke luotettavasti laboratoriossa) ja kauempana kuin useimmat esittelyt viittaavat muihin (kuten tekoäly ratkaisee kokonaan suuria ongelmia kuten syöpää tai Alzheimerin tautia). Realistinen tiekartta näyttää tältä:

  1. Lähiaikana (1 vuoden sisällä): Työvirran apurit, jotka vähentävät hallinnollista taakkaa: protokollan luominen, kirjallisuuden yhdistäminen, analyysimallineet ja automaattiset laadunvalvontaraportit. Rajoittava tekijä on integraatio, ei mallin kyky.
  2. Lyhyen aikavälin (1-2 vuoden sisällä): Yhteistoimintajärjestelmät laboratoriossa: XR-lasien ohjaus, automaattinen dokumentaatio ja valikoiva robottiikka korkean vaihtelun askelten automaatioon. Luottamus riippuu auditinjohtumista ja tiukasta ihmisen osallistumisesta suunnittelussa.
  3. Pitkän aikavälin (3+ vuoden sisällä): Alueiden ylittävät yhteistutkijat, jotka yhdistävät löytämisen käännökseen: yhdistävät laboratoriotiedot kliinisiin päätepisteisiin, seuraavat turvallisuusmerkintöjä ja auttavat suunnittelemaan kokeita noudattaen sääntely- ja eettisiä odotuksia.

Koodista parannukseen: Tuleva tie 1000-kertaista tieteellistä löytämistä

LabOS on yksi yritys vastata yksinkertaiseen kysymykseen: mitä jos kokeen voisi suorittaa keskusteluna, missä aikomus, suoritus ja todiste liittyvät loppupäästä loppuun? Jos rakennamme nämä järjestelmät hyvin, ne voivat auttaa ratkaisemaan käännösvälin, joka hidastaa biolääketiedettä ja monia fysikaalisen tieteen aloja (esim. materiaalitiede). Jos rakennamme ne huonosti, ne voivat vahvistaa toistettavuuden ja luoda uusia turvallisuusriskejä.

Seuraavien vuosien tärkein työ on perustavaa: standardoituja tieto- ja laitteistoliittymiä rakentamalla käyttöjärjestelmää (kuten iOS ajaa kaikkia sovelluksia), rakentamalla tekoälyvertailukohtia, jotka sisältävät suorituksen ja epävarmuuden (kuten LabSuperVision-benchmark LabOS:ssa), ja aloittamalla käyttöönoton oikeassa maailmassa, joka kannustaa innovaatioita suojelemalla potilaita ja tutkimuksen eettisyyttä.

Tutkijoille ja kliinikoille kysymys ei ole, tuleeko tekoäly laboratorioon. Se on jo siellä. Kysymys on, integroidaanko se erillisten työkalujen kokoelmana vai luotettavana, auditoitavana järjestelmänä, joka on suunniteltu biolääketieteellisen todellisuuden vaatimusten mukaan.

Suositeltava lukeminen ja lähteet

mm

Le Cong, PhD, on apulaisprofessori patologian ja genetiikan alalla Stanfordin yliopistossa, jossa hänen ryhmänsä kehittää AI:n alkuperäisiä genomiikan ja AI-XR-robotti-järjestelmiä, jotka yhdistävät digitaalisen laboratorion päättelyyn fyysiseen laboratorioon, ihmisten voimaannuttamiseksi tieteellisessä tutkimuksessa.