Leaders d’opinion

De Code à Guérison : La Prochaine Révolution de l’IA a Besoin d’une Main (et d’Yeux)

mm
Publié le
Mis à jour le
Ajouter Unite.AI à vos sources préférées sur Google
A diverse female scientist in smart glasses works alongside a sophisticated dual-arm robotic lab system in a futuristic wet lab.

Comment les systèmes agents, les lunettes intelligentes XR et la robotique vont autonomiser les humains et non les remplacer

Nous vivons une paradoxe dans l’intelligence artificielle.

Sur les écrans, l’IA est surhumaine. Les grands modèles de langage écrivent du code Python fonctionnel en quelques secondes. Les systèmes génératifs produisent des images et des vidéos photoréalistes en quelques minutes. Les systèmes lauréats du prix Nobel comme AlphaFold ont prédit les structures de presque toutes les protéines connues. Les victoires numériques s’accumulent.

Cependant, dans le monde physique de la recherche biomédicale, le processus de découverte reste péniblement manuel. Nous ne sentons pas vraiment l’IA accélérer la science ou la médecine, du moins pas encore. Les chiffres révèlent l’ampleur du problème. Une enquête phare de Nature menée auprès de plus de 1 500 scientifiques a constaté que plus de 70 % ont essayé et échoué à reproduire les expériences d’un autre chercheur. Plus inquiétant encore : plus de la moitié n’a pas pu reproduire ses propres travaux. En biologie du cancer, un projet de reproductibilité de huit ans a constaté que seulement 40 % des résultats à fort impact pouvaient être reproduits et que 68 % des expériences manquaient de documentation suffisante pour même tenter de reproduction.

Ceci est le secret sale de la science moderne : nous avons un problème de capture des connaissances, et non seulement un problème de découverte. Les détails expérimentaux critiques vivent dans la tête des chercheurs, et non dans les papiers. Les protocoles dérivent. Les connaissances tacites s’en vont lorsque les stagiaires sont diplômés. Les systèmes d’IA formés sur la littérature publiée héritent de toutes ces lacunes.

Le problème fondamental est que même si un IA peut concevoir une protéine novatrice pour la thérapie contre le cancer dans une simulation numérique, il ne peut pas prendre une pipette pour la tester. Il ne peut pas naviguer dans la réalité désordonnée et imprévisible d’un laboratoire humide pour valider ses propres hypothèses. Il ne peut pas regarder les mains d’un scientifique expérimenté et apprendre les techniques subtiles qui font que les expériences fonctionnent.

Ceci est la plus grande barrière qui empêche la révolution de l’IA de devenir une révolution médicale. Alors que la plupart des entreprises de robotique sont encore occupées à enseigner aux machines à plier le linge ou à charger les lave-vaisselle, elles sont en retard sur les capacités vraiment transformatrices de ces progrès dans des domaines tels que la médecine.

Pour résoudre ce problème, nous devons aller au-delà des chatbots et vers les co-scientifiques IA, des systèmes agents qui relient le monde numérique et le monde physique, en poussant au-delà de la planification et de la programmation pour atteindre l’exécution réelle. À Stanford, nous développons LabOS, un cadre d’IA numérique-physique qui démontre comment les agents d’IA, les lunettes intelligentes XR et la robotique collaborative peuvent s’unir pour fermer cette boucle, en transformant les expériences scientifiques en une conversation collaborative entre humains et machines, tout en capturant automatiquement les connaissances qui se perdent actuellement.

La Grande Divorce : Pourquoi l’IA a Besoin de “Yeux” et de “Mains”

La plupart des victoires de l’IA les plus visibles se sont produites dans des environnements entièrement numériques : référentiels de code, jeux de données curatés ou benchmarks simulés (où l’IA concourt pour exécuter une entreprise virtuelle ou investir numériquement dans des actions).

Les laboratoires humides sont différents. La biologie, et en général, la découverte scientifique, est un processus très bruyant. Les instruments dérivent, les opérateurs improvisent, et “le protocole” vit souvent en partie dans la tête des gens. La différence entre un résultat propre et un échec peut être un angle de pipetage, un motif de vortex, un remplacement de réactif ou une incubation qui a duré 10 minutes de plus. Ces détails contextuels ne font rarement partie d’un article et sont exactement ce dont un modèle d’IA a besoin s’il veut généraliser au-delà d’un jeu de données.

C’est pourquoi l’IA de laboratoire a besoin d’yeux (pour percevoir ce qui se passe dans le contexte), de mains (pour standardiser et automatiser les étapes à variance élevée) et de mémoire (pour enregistrer ce qui s’est réellement passé). Sans ces capacités, les modèles peuvent recommander ce qu’il faut faire, mais ils ne peuvent pas traduire de manière fiable les recommandations en exécution physique validée ou expliquer les échecs lorsque la réalité diverge du plan.

Au-delà des Chatbots : Des Copilotes aux Co-Scientifiques

Le terme “IA agente” est parfois utilisé de manière large. Dans les contextes biomédicaux, il devrait signifier quelque chose de précis : un système qui peut prendre un objectif (par exemple, “optimiser l’efficacité de l’édition de gènes CRISPR tout en minimisant les cibles hors cible”), le décomposer en une séquence de tâches, exécuter ces tâches à travers des outils, évaluer les résultats et adapter le plan sous contraintes et avec une prise de décision auditable.

Ceci est important parce que les flux de travail de recherche ne sont pas un simple appel de modèle. Ils sont des pipelines de bout en bout qui s’étendent de la formulation d’hypothèses, de la conception expérimentale, du traitement des données, des tests statistiques et de l’interprétation. La réflexion récente dans la découverte de médicaments a commencé à mettre l’accent sur les systèmes agents qui peuvent mettre à l’échelle ces pipelines plutôt que d’accélérer simplement les étapes individuelles (par exemple, la discussion d’Unite.AI sur les agents dans la découverte de molécules petites).

Dans l’ingénierie logicielle, nous avons déjà vu des preuves empiriques précoces que les copilotes IA peuvent augmenter la productivité des développeurs. En biologie, l’opportunité analogue n’est pas seulement d’écrire du code, mais d’écrire et de valider des protocoles, de structurer des données, de surveiller l’exécution et de fermer la boucle entre prédiction et mesure, en connectant l’IA aux scientifiques humains dans les laboratoires.

LabOS : Lorsque l’IA fonctionne sur un Système d’Exploitation pour les Laboratoires de Demain

Dans notre travail à Stanford sur AI4Science, qui couvre les copilotes de l’édition de gènes tels que CRISPR-GPT et les systèmes de co-exécution AI-XR tels que LabOS qui aident les scientifiques dans les laboratoires biomédicaux et de sciences des matériaux, nous explorons un changement architectural :

1. Conception d’un système d’exploitation de laboratoire de bout en bout qui couple un laboratoire numérique (sec) à un laboratoire physique (humide).

Le principe est simple : si un cahier de laboratoire est la mémoire de la science, alors un système d’exploitation de laboratoire devrait être la couche d’exécution, en capturant l’intention, en la traduisant en actions, en observant les résultats et en transformant chaque exécution en connaissances structurées.

Figure. Une vue conceptuelle de LabOS reliant une boucle de laboratoire numérique auto-évolutive (planification, programmation, critique, création d’outils) avec une boucle de laboratoire humide humain-IA (auto-documentation, capture de connaissances, guidage XR et intégration robotique).

2. IA dans le Laboratoire Numérique – Planification et Construction d’Outils Auto-Évolutive

Dans le laboratoire numérique (sec), nous pouvons laisser l’IA faire ce qu’elle fait déjà bien : rechercher, synthétiser et proposer. Mais nous voulons également qu’elle soit auto-améliorante. Non pas en “hallucinant de nouvelles sciences”, mais en apprenant de meilleurs outils et flux de travail à partir de la rétroaction.

Une boucle de laboratoire numérique pratique peut être encadrée en quatre étapes récurrentes :

  • Planification (hypothèse + conception) : proposer des hypothèses, sélectionner des variables expérimentales, anticiper les facteurs de confusion et spécifier des points de terminaison mesurables.
  • Programmation (implémentation) : générer ou adapter des scripts d’analyse, des pipelines de simulation et des modèles de contrôle d’instrument où approprié.
  • Agent critique (raisonnement + évaluation) : tester les hypothèses, vérifier la puissance statistique, proposer des contrôles et signaler les modes de défaillance probables.
  • Création d’outils (recherche + développement) : lorsque le flux de travail manque d’un composant (un analyseur, une routine de contrôle de qualité, un tableau de bord), le construire et l’ajouter à la boîte à outils.

3. IA dans le Laboratoire Physique – IA avec “Yeux” (Lunettes XR) et “Mains” (Robotique)

Le laboratoire physique (humide) est où le système gagne ou perd la confiance. L’objectif n’est pas de remplacer le scientifique, mais de réduire les frictions et les erreurs tout en augmentant l’observabilité.

Nous considérons la boucle de laboratoire physique comme quatre capacités complémentaires :

  • Enregistrement et documentation automatiques : capturer les actions, les horodatages, les paramètres d’instrument et les déviations automatiquement, de sorte que la documentation ne soit pas une après-pensée.
  • Capture de connaissances pour une exécution rapide et reproductible : convertir les exécutions en artefacts structurés et interrogables (versions de protocole, ensembles de paramètres, résultats de contrôle de qualité) alignés sur les principes de gestion des données tels que FAIR.
  • Guidage en temps réel via des lunettes XR intelligentes : utiliser des modèles multimodaux pour interpréter la scène (ce que l’opérateur fait, quel réactif est en main) et fournir des instructions et des contrôles de sécurité étape par étape. L’AR/XR a déjà démontré sa valeur dans des flux de travail physiques à haute priorité comme la guidance expérimentale (LabOS, Stanford, Princeton, en collaboration avec NVIDIA).
  • Intégration de la robotique pour l’automatisation : standardiser les étapes répétitives, permettre des transferts sécurisés et réduire la variabilité. Les plates-formes pour les flux de travail de simulation à réel (par exemple NVIDIA Isaac) et le traitement d’IA en temps réel sur le bord tel que le streaming en direct et l’interaction humain-IA dans LabOS sont des couches d’activation importantes.

Cette architecture s’aligne sur une direction plus large dans le domaine : les laboratoires “autonomes” ou “auto-conduits” qui combinent l’automatisation avec l’apprentissage automatique pour planifier la prochaine expérience. Ce que LabOS ajoute, c’est une couche d’interface humaine plus serrée, de sorte que l’autonomie ne se fasse pas au détriment de la transparence.

Pourquoi l’IA de Laboratoire n’est pas seulement “IA sur un Jeu de Données”

Les systèmes d’IA pour la superintelligence biomédicale et scientifique semblent souvent impressionnants dans l’évaluation rétrospective ou lors des examens, puis sous-performent dans le laboratoire physique. La raison n’est rarement un seul bogue. C’est généralement un décalage entre les hypothèses du modèle et la réalité du laboratoire.

Trois lacunes se présentent régulièrement :

  • Lacune de contexte : les jeux de données omettent généralement les variables contextuelles que les opérateurs savent importantes (excursions de température, numéros de lot de réactifs, déviations subtiles de protocole).
  • Lacune d’action : de nombreux systèmes d’IA peuvent recommander ce qu’il faut faire, mais ne peuvent pas traduire de manière fiable ces recommandations en étapes physiques validées.
  • Lacune de rétroaction : sans rétroaction structurée et de haute qualité de l’exécution, les modèles ne peuvent pas apprendre où ils échouent – et les scientifiques ne peuvent pas auditer pourquoi.

Fermer ces lacunes est moins une question d’invention d’une nouvelle architecture de réseau neuronal, mais plutôt de construction des instruments, des interfaces et des contrats de données qui rendent le laboratoire lisible par les machines, et permettent à l’IA de voir et de travailler avec les humains.

Conception de la Confiance : Sécurité et Gouvernance pour l’IA qui peut Agir

L’IA agente dans la recherche de découverte ne soulève pas seulement des préoccupations familières concernant la précision. Elle introduit de nouveaux modes de défaillance parce qu’elle peut agir. Dans un laboratoire, l’action signifie le potentiel de gaspillage, de préjudice ou de conclusions trompeuses, en particulier lorsque les expériences alimentent des hypothèses cliniques.

Une mentalité utile est de traiter une pile de laboratoire IA comme un système socio-technique qui nécessite une assurance. Plusieurs cadres existants aident, mais ils doivent être traduits dans la réalité du laboratoire :

  • Gestion des risques comme une pratique continue : le cadre de gestion des risques d’IA de NIST (AI RMF 1.0) fournit un vocabulaire pratique pour cartographier, mesurer et gérer les risques d’IA tout au long du cycle de vie.
  • Conformité réglementaire pour l’IA médicale : le travail de la FDA sur les logiciels d’IA/ML en tant que dispositif médical, y compris son Plan d’action et les directives connexes, offre une vue concrète de ce que signifie “bonne pratique” lorsque l’IA impacte les soins aux patients.

Pour la modification des gènes et d’autres domaines à haute conséquence, la gouvernance est déjà une conversation mondiale. Des recommandations sont discutées sur l’édition du génome humain, pour souligner la nécessité de mécanismes de surveillance appropriés et de gouvernance responsable, tels que ceux proposés par la Société américaine de thérapie génique et cellulaire, ou ASGCT. Des systèmes comme LabOS devraient être conçus pour faciliter la conformité, et non la rendre plus difficile.

Check-list : Contrôles pour les Co-Scientifiques IA Sûrs pour la Découverte Scientifique

À notre avis, un système d’exploitation de laboratoire prudent devrait mettre en œuvre au moins les conceptions suivantes :

  • Provenance par défaut : chaque jeu de données, version de protocole et sortie de modèle devrait être traçable aux entrées et aux horodatages.
  • Autonomie limitée : le système devrait avoir des autorisations explicites (ce qu’il peut faire sans confirmation) et des règles d’escalade (lorsqu’il doit demander).
  • Annulation humaine et dégradation en douceur : lorsque les capteurs ou les flux de données échouent, ou que l’incertitude est élevée, le système devrait revenir à un mode plus sûr et plus simple.
  • Validation continue : les prédictions in silico devraient être appariées à une validation de laboratoire physique ; les exécutions de laboratoire physique devraient inclure des portes de contrôle de qualité avant que les conclusions ne se propagent en amont vers les modèles/agents dans le monde numérique.
  • Sécurité et conscience d’utilisation dual : protéger les infrastructures de laboratoire contre la falsification.

Autonomiser les Humains Partout : Les Co-Scientifiques IA Peuvent-ils Niveler le Jeu ?

L’une des promesses les plus séduisantes d’un co-scientifique IA-XR est qu’il ne s’agit pas seulement de vitesse pour les institutions de premier plan, mais d’accessibilité pour tous. Considérez ce qui limite actuellement les petits laboratoires, les startups et les cliniques régionales/régionales/urbaines :

  • Accès limité à l’expertise spécialisée pour les protocoles et les instruments de haute qualité.
  • Coût relatif élevé de la formation, des erreurs et de la révision.
  • Outiling fragmenté : les cahiers, les tableurs, les journaux d’instruments et les scripts d’analyse se connectent rarement de manière propre.

Un système qui peut guider l’exécution dans le contexte (via des lunettes XR), capturer ce qui s’est passé automatiquement et suggérer la prochaine meilleure étape en fonction des exécutions précédentes pourrait rendre les essais avancés plus reproductibles sur les sites. En principe, il pourrait également soutenir la recherche clinique distribuée où les protocoles doivent être exécutés de manière cohérente, même lorsque les ressources varient.

Calendrier : Quand Chaque Scientifique et Clinicien Obtient un Co-Scientifique ?

En bref, nous sommes plus proches que beaucoup le pensent pour certaines tâches à haute valeur et à haute fréquence (telles que la production fiable d’un médicament dans le laboratoire) et plus loin que ce que la plupart des démonstrations impliquent pour d’autres (telles que l’IA qui résout complètement de grands problèmes comme le cancer ou la maladie d’Alzheimer). Une feuille de route réaliste ressemble à ceci :

  1. À court terme (dans 1 an) : des copilotes de flux de travail qui réduisent la charge administrative : rédaction de protocoles, synthèse de la littérature, modèles d’analyse et rapports de contrôle de qualité automatisés. Le facteur limitant est l’intégration, et non la capacité du modèle.
  2. À moyen terme (1-2 ans) : des systèmes de co-exécution dans le laboratoire : guidage des lunettes XR, documentation automatisée et robotique sélective pour les étapes à variance élevée. La confiance dépendra des traces d’audit et d’une conception serrée humain-dans-la-boucle.
  3. À long terme (3+ ans) : des co-chercheurs interdomaines qui relient la découverte à la traduction : en reliant les données de laboratoire aux points de terminaison cliniques, en surveillant les signaux de sécurité et en aidant à concevoir des essais – tout en respectant les attentes réglementaires et éthiques.

De Code à Guérison : Le Chemin Vers la Découverte Scientifique 1000x

LabOS est une tentative pour répondre à une question simple : et si une expérience pouvait être exécutée comme une conversation, où l’intention, l’exécution et les preuves sont connectées de bout en bout ? Si nous construisons ces systèmes correctement, ils peuvent aider à résoudre le fossé de traduction qui ralentit la biologie et de nombreuses disciplines scientifiques physiques (par exemple, la science des matériaux). Si nous les construisons mal, ils amplifieront l’irreproductibilité et créeront de nouveaux risques de sécurité.

Le travail le plus important au cours des prochaines années sera fondamental : interfaces de données et de dispositifs standardisées via la construction du système d’exploitation (comme iOS exécute tous les types d’applications), la construction de benchmarks d’IA qui incluent l’exécution et l’incertitude (comme le benchmark LabSuperVision dans LabOS), et le début du déploiement dans le monde réel qui encourage l’innovation tout en protégeant les patients et l’intégrité de la recherche.

Pour les chercheurs et les cliniciens, la question n’est pas de savoir si l’IA entrera dans le laboratoire. Elle l’a déjà fait. La question est de savoir si nous allons l’intégrer comme une collection d’outils non connectés ou comme un système fiable et auditable conçu pour les réalités de la science biomédicale.

Lecture et sources suggérées

mm

Le Cong, PhD, est professeur agrégé de pathologie et de génétique à l'Université Stanford, où son groupe développe des systèmes d'ingénierie génomique native AI et des systèmes AI-XR-robotiques qui relient la raison digitale-lab à l'exécution physique-lab, pour permettre aux humains de faire des découvertes scientifiques.