Pemimpin pemikiran

Dari Kode ke Obat: Revolusi AI Berikutnya Membutuhkan Tangan (Dan Mata)

mm
Diterbitkan
Diperbarui
Tambahkan Unite.AI ke sumber pilihan Anda di Google
A diverse female scientist in smart glasses works alongside a sophisticated dual-arm robotic lab system in a futuristic wet lab.

Bagaimana sistem agen, kacamata pintar XR, dan robotika akan memberdayakan manusia – bukan menggantikannya

Kami sedang hidup dalam paradoks kecerdasan buatan.

Di layar, AI adalah superhuman. Model bahasa besar dapat menulis kode Python fungsional dalam beberapa detik. Sistem generatif dapat menghasilkan gambar dan video photorealistic dalam beberapa menit. Sistem pemenang Nobel seperti AlphaFold telah memprediksi struktur hampir semua protein yang diketahui. Kemenangan digital sedang menumpuk.

Namun, di dunia nyata penelitian biomedis, proses penemuan masih sangat manual. Kami tidak benar-benar merasakan AI mempercepat sains atau kedokteran, setidaknya belum. Angka-angka mengungkapkan kedalaman masalah ini. Survei Nature yang melibatkan lebih dari 1.500 ilmuwan menemukan bahwa lebih dari 70% telah mencoba dan gagal mereproduksi eksperimen peneliti lain. Lebih mengkhawatirkan lagi: lebih dari setengah tidak dapat mereproduksi pekerjaan mereka sendiri. Dalam biologi kanker secara khusus, proyek reproduktifitas selama delapan tahun menemukan bahwa hanya 40% temuan dampak tinggi dapat direproduksi dan 68% eksperimen kekurangan dokumentasi yang cukup untuk bahkan mencoba reproduksi.

Ini adalah rahasia kotor sains modern: kita memiliki masalah penangkapan pengetahuan, bukan hanya masalah penemuan. Detail eksperimen kritis hidup dalam kepala peneliti, bukan dalam makalah. Protokol bergeser. Pengetahuan tak tertulis keluar ketika trainee lulus. Sistem AI yang dilatih pada literatur terbitan mewarisi semua kesenjangan ini.

Masalah fundamental adalah bahwa meskipun AI dapat merancang protein baru untuk terapi kanker dalam simulasi digital, itu tidak dapat mengambil pipet untuk mengujinya. Itu tidak dapat menavigasi kenyataan yang tidak terduga dari laboratorium basah untuk memvalidasi hipotesisnya sendiri. Itu tidak dapat menonton tangan ilmuwan berpengalaman dan belajar teknik halus yang membuat eksperimen berhasil.

“Celah eksekusi” ini adalah bottleneck terbesar yang mencegah revolusi AI menjadi revolusi medis. Sementara sebagian besar perusahaan robotika masih sibuk mengajari mesin untuk melipat pakaian atau memuat mesin cuci, mereka tertinggal dalam kemampuan transformasional yang sebenarnya dalam bidang seperti kedokteran.

Untuk memecahkan ini, kita harus melampaui chatbot dan menuju AI Co-Scientist, sistem agen yang menghubungkan dunia digital dan fisik, mendorong melampaui perencanaan dan pengkodean dan ke dalam eksekusi dunia nyata. Di Stanford, kita sedang mengembangkan LabOS, kerangka kerja AI digital-fisik yang menunjukkan bagaimana agen AI, kacamata pintar XR, dan robotika kolaboratif dapat bersatu untuk menutup loop ini, mengubah eksperimen ilmiah menjadi percakapan kolaboratif antara manusia dan mesin, sambil secara otomatis menangkap pengetahuan yang saat ini hilang.

The Great Divide: Mengapa AI Membutuhkan “Mata” dan “Tangan”

Banyak kemenangan AI yang paling terlihat telah terjadi di mana lingkungan sepenuhnya digital: repositori kode, dataset yang dikurasi, atau benchmark simulasi (di mana AI bersaing untuk menjalankan bisnis virtual atau berinvestasi dalam saham).

Laboratorium basah berbeda. Biologi, dan pada umumnya, penemuan ilmiah, adalah proses yang sangat bising. Instrumen bergeser, operator melakukan improvisasi, dan “protokol” sering hidup sebagian dalam kepala orang. Perbedaan antara hasil yang bersih dan gagal dapat berupa sudut pipet, pola vortex, penggantian reagen, atau inkubasi yang berjalan 10 menit lebih lama. Detail kontekstual ini jarang membuatnya ke dalam makalah dan mereka adalah apa yang dibutuhkan model AI jika ingin menggeneralisasi melampaui dataset.

Itulah mengapa AI laboratorium membutuhkan mata (untuk memahami apa yang terjadi dalam konteks), tangan (untuk memstandardisasi dan mengautomasi langkah-langkah varians tinggi), dan memori (untuk merekam apa yang sebenarnya terjadi). Tanpa kemampuan ini, model dapat merekomendasikan apa yang harus dilakukan, tetapi tidak dapat secara andal menerjemahkan rekomendasi menjadi eksekusi fisik yang divalidasi atau menjelaskan kegagalan ketika kenyataan menyimpang dari rencana.

Beyond Chatbots: Dari Copilot ke Co-Scientist

Istilah “AI agen” kadang-kadang digunakan secara longgar. Dalam pengaturan biomedis, itu harus berarti sesuatu yang tepat: sistem yang dapat mengambil tujuan (misalnya, “optimalkan efisiensi pengeditan gen CRISPR sambil meminimalkan off-target”), memecahnya menjadi urutan tugas, menjalankan tugas tersebut di seluruh alat, mengevaluasi hasil, dan menyesuaikan rencana di bawah kendala dan dengan pengambilan keputusan yang dapat diaudit.

Ini penting karena alur kerja penelitian tidak hanya satu panggilan model. Mereka adalah pipa yang mencakup formulasi hipotesis, desain eksperimental, pemrosesan data, pengujian statistik, dan interpretasi. Pemikiran terbaru dalam penemuan obat telah mulai menekankan sistem agen yang dapat menskalakan pipa ini daripada hanya mempercepat langkah-langkah individu (misalnya, diskusi Unite.AI tentang agen dalam penemuan molekul kecil).

Dalam rekayasa perangkat lunak, kita telah melihat bukti empiris awal bahwa copilot AI dapat meningkatkan throughput pengembang. Dalam biomedis, kesempatan analog adalah tidak hanya menulis kode, tetapi juga menulis dan memvalidasi protokol, membangun data, memantau eksekusi, dan menutup loop antara prediksi dan pengukuran, menghubungkan AI dengan ilmuwan manusia di laboratorium.

LabOS: Ketika AI Berjalan pada Sistem Operasi untuk Laboratorium Masa Depan

Dalam pekerjaan kami di Stanford pada AI4Science, yang mencakup copilot pengeditan gen CRISPR seperti CRISPR-GPT dan sistem co-eksekusi AI-XR seperti LabOS yang membantu ilmuwan di laboratorium biomedis dan ilmu bahan, kami telah mengeksplorasi pergeseran arsitektur:

1. Merancang “sistem operasi laboratorium” akhir-ke-akhir yang menghubungkan laboratorium digital (kering) ke laboratorium fisik (basah).

Premisnya sederhana: jika buku catatan laboratorium adalah memori sains, maka sistem operasi laboratorium harus menjadi lapisan eksekusi, menangkap niat, menerjemahkannya menjadi tindakan, mengamati hasil, dan mengubah setiap jalankan menjadi pengetahuan terstruktur.

Gambar. Tampilan konseptual dari LabOS yang menghubungkan loop laboratorium digital yang berevolusi sendiri (perencanaan, pengkodean, kritik, pembuatan alat) dengan loop laboratorium basah manusia-AI (auto-dokumentasi, penangkapan pengetahuan, panduan XR, dan integrasi robotik).

2. AI di Laboratorium Digital – Perencanaan dan Pembuatan Alat yang Berevolusi Sendiri

Di laboratorium digital (kering), kita dapat membiarkan AI melakukan apa yang sudah dilakukannya dengan baik: mencari, mensintesis, dan mengusulkan. Tetapi kita juga ingin itu menjadi self-improving. Tidak dengan “menghalusinasi sains baru”, tetapi dengan belajar alat dan alur kerja yang lebih baik dari umpan balik.

Sebuah loop laboratorium digital yang praktis dapat dirangkum dalam empat tahap berulang:

  • Perencanaan (hipotesis + desain): usulkan hipotesis, pilih variabel eksperimental, antisipasi konfounder, dan spesifikkan titik akhir yang dapat diukur.
  • Pengkodean (implementasi): generate atau adapt skrip analisis, pipa simulasi, dan template kontrol instrumen jika perlu.
  • Agen kritik (penalaran + evaluasi): uji stres asumsi, periksa kekuatan statistik, usulkan kontrol, dan bendera mode kegagalan yang mungkin.
  • Pembuatan alat (pencarian + pengembangan): ketika alur kerja kekurangan komponen (parser, rutinitas QC, dashboard), bangun dan tambahkan kembali ke toolkit.

3. AI di Laboratorium Fisik – AI dengan “Mata” (Kacamata XR) dan “Tangan” (Robotik)

Laboratorium fisik (basah) adalah tempat sistem tersebut memenangkan kepercayaan – atau kehilangannya. Tujuannya bukan untuk menggantikan ilmuwan, tetapi untuk mengurangi gesekan dan kesalahan sambil meningkatkan kemampuan pengamatan.

Kita melihat loop laboratorium fisik sebagai empat kemampuan komplementer:

  • Auto-rekaman dan dokumentasi: tangkap tindakan, timestamp, pengaturan instrumen, dan deviasi secara otomatis, sehingga dokumentasi tidak menjadi pemikiran belakangan.
  • Penangkapan pengetahuan untuk eksekusi yang cepat dan dapat direproduksi: ubah jalankan menjadi artefak yang terstruktur dan dapat diquery (versi protokol, set parameter, hasil QC) yang sejalan dengan prinsip pengelolaan data seperti FAIR.
  • Panduan bahasa-gambar waktu nyata melalui kacamata XR: gunakan model multimodal untuk menafsirkan adegan (apa yang dilakukan operator, reagen mana yang ada di tangan) dan berikan panduan langkah demi langkah dan pemeriksaan keamanan. AR/XR telah menunjukkan nilai dalam alur kerja fisik berisiko tinggi seperti panduan eksperimental (LabOS, Stanford, Princeton, dalam kolaborasi dengan NVIDIA).
  • Integrasi robotik untuk otomatisasi: standardisasi langkah-langkah berulang, memungkinkan pengalihan yang aman, dan mengurangi variabilitas. Platform untuk alur kerja simulasi-ke-nyata (misalnya NVIDIA Isaac) dan pemrosesan AI waktu nyata di tepi seperti streaming langsung kacamata pintar dan interaksi manusia-AI di LabOS adalah lapisan penting.

Arsitektur ini sejalan dengan arah yang lebih luas di bidang ini: “laboratorium mandiri” atau laboratorium otonom yang menggabungkan otomatisasi dengan pembelajaran mesin untuk merencanakan eksperimen berikutnya. Apa yang ditambahkan LabOS adalah lapisan antarmuka manusia yang lebih ketat, sehingga otonomi tidak datang dengan biaya transparansi.

Mengapa AI Laboratorium Tidak Hanya “AI pada Dataset”

Sistem AI untuk kecerdasan super ilmiah/biomedis sering terlihat mengesankan dalam evaluasi retrospektif atau mengambil ujian, dan kemudian underperform di laboratorium fisik. Alasannya jarang sekali satu bug. Biasanya, itu adalah kesenjangan antara asumsi model dan kenyataan laboratorium.

Tiga kesenjangan muncul berulang:

  • Kesenjangan konteks: dataset biasanya menghilangkan variabel kontekstual yang operator tahu penting (eksursi suhu, nomor lot reagen, deviasi protokol halus).
  • Kesenjangan tindakan: banyak sistem AI dapat merekomendasikan apa yang harus dilakukan, tetapi tidak dapat secara andal menerjemahkan rekomendasi tersebut menjadi langkah-langkah fisik yang divalidasi.
  • Kesenjangan umpan balik: tanpa umpan balik yang terstruktur dan berkualitas tinggi dari eksekusi, model tidak dapat belajar di mana mereka gagal – dan ilmuwan tidak dapat memeriksa mengapa.

Menutup kesenjangan ini kurang tentang mengembangkan arsitektur jaringan neural baru, tetapi lebih tentang membangun instrumentasi, antarmuka, dan kontrak data yang membuat laboratorium dapat dibaca oleh mesin, dan memungkinkan AI bekerja dengan ilmuwan.

Kepercayaan dengan Desain: Keamanan dan Tata Kelola untuk AI yang Dapat Bertindak

AI agen dalam penelitian penemuan tidak hanya membangkitkan kekhawatiran yang familiar tentang akurasi. Mereka memperkenalkan mode kegagalan baru karena mereka dapat bertindak. Di laboratorium, tindakan berarti potensi limbah, kerusakan, atau kesimpulan yang menyesatkan, terutama ketika eksperimen memasuki hipotesis klinis.

Sebuah mindset yang berguna adalah untuk memperlakukan tumpukan laboratorium AI sebagai sistem sosio-teknis yang memerlukan jaminan. Beberapa kerangka kerja yang ada membantu, tetapi mereka harus diterjemahkan ke dalam kenyataan laboratorium:

  • Manajemen risiko sebagai praktik berkelanjutan: Kerangka Manajemen Risiko AI NIST (AI RMF 1.0) menyediakan kosakata praktis untuk memetakan, mengukur, dan mengelola risiko AI di seluruh siklus hidup.
  • Penyesuaian peraturan untuk AI medis: pekerjaan FDA pada AI/ML Perangkat Lunak sebagai Perangkat Medis (SaMD), termasuk Rencana Tindakan dan pedoman terkait, menawarkan pandangan konkrit tentang apa yang “baik” ketika AI memengaruhi perawatan pasien.

Untuk domain seperti pengeditan gen, tata kelola sudah menjadi percakapan global. Rekomendasi sedang dibahas tentang pengeditan genom manusia, untuk menekankan kebutuhan akan mekanisme pengawasan yang tepat dan tata kelola yang bertanggung jawab, seperti yang diajukan oleh American Society for Gene and Cell Therapy, atau ASGCT. Sistem seperti LabOS harus dirancang untuk membuat kepatuhan lebih mudah, bukan lebih sulit.

Daftar Periksa: Kontrol untuk AI Co-Scientist yang Aman untuk Penemuan Ilmiah

Menurut kami, sistem operasi laboratorium yang sadar keamanan harus mengimplementasikan setidaknya desain berikut:

  • Provenance secara default: setiap dataset, versi protokol, dan output model harus dapat dilacak ke input dan timestamp.
  • Otonomi yang terikat: sistem harus memiliki izin yang jelas (apa yang dapat dilakukan tanpa konfirmasi) dan aturan eskalasi (kapan harus bertanya).
  • Pengambilalihan manusia dan degradasi yang elegan: ketika sensor atau aliran data gagal, atau ketidakpastian tinggi, sistem harus jatuh kembali ke mode yang lebih aman dan sederhana.
  • Validasi terus-menerus: prediksi in-silico harus dipasangkan dengan validasi laboratorium fisik; jalankan laboratorium fisik harus mencakup gerbang QC sebelum kesimpulan dipropagaskan ke hilir kembali ke model/agen AI di dunia digital.
  • Keamanan dan kesadaran penggunaan ganda: lindungi infrastruktur laboratorium dari perusakan.

Memberdayakan Manusia Di Mana-Mana: Apakah AI Co-Scientist Dapat Membuat Permainan yang Adil?

Salah satu janji paling menggoda dari AI-XR “co-scientist” adalah tidak hanya kecepatan untuk lembaga elit, tetapi juga aksesibilitas untuk semua orang. Pertimbangkan apa yang saat ini membatasi laboratorium kecil, startup, dan klinik regional/jauh:

  • Akses terbatas ke keahlian khusus untuk protokol dan instrumen emas.
  • Biaya relatif tinggi untuk pelatihan, kesalahan, dan pekerjaan ulang.
  • Alat yang terfragmentasi: buku catatan, spreadsheet, log instrumen, dan skrip analisis jarang terhubung dengan baik.

Sistem yang dapat memandu eksekusi dalam konteks (melalui kacamata XR), menangkap apa yang terjadi secara otomatis, dan menyarankan langkah berikutnya berdasarkan jalankan sebelumnya dapat membuat asai lanjutan lebih dapat direproduksi di seluruh situs. Secara prinsip, itu juga dapat mendukung penelitian klinis terdistribusi di mana protokol harus dijalankan secara konsisten, bahkan ketika sumber daya bervariasi.

Timeline: Kapan Setiap Ilmuwan dan Klinisi Mendapatkan Co-Scientist?

Singkatnya, kita lebih dekat daripada yang banyak orang pikir untuk beberapa tugas berharga, berfrekuensi tinggi (seperti menghasilkan obat yang dapat diandalkan di laboratorium) dan lebih jauh daripada yang banyak demoimplikasikan untuk yang lain (seperti AI sepenuhnya menyelesaikan masalah besar seperti kanker atau Alzheimer). Sebuah peta jalan yang realistis terlihat seperti ini:

  1. Jangka pendek (dalam 1 tahun): Copilot alur kerja yang mengurangi beban administratif: penyusunan protokol, sintesis literatur, template analisis, dan laporan QC otomatis. Faktor pembatas adalah integrasi, bukan kemampuan model.
  2. Menengah (1-2 tahun): Sistem co-eksekusi di laboratorium: panduan kacamata XR, dokumentasi otomatis, dan robotika selektif untuk langkah-langkah varians tinggi. Kepercayaan akan bergantung pada jejak audit dan desain manusia-dalam-loop yang ketat.
  3. Jangka panjang (3+ tahun): Co-peneliti antar domain yang menghubungkan penemuan ke terjemahan: menghubungkan data laboratorium ke titik akhir klinis, memantau sinyal keamanan, dan membantu merancang uji coba – sambil mematuhi harapan peraturan dan etika.

Dari Kode ke Obat: Jalan Menuju Penemuan Ilmiah 1000x

LabOS adalah salah satu upaya untuk menjawab pertanyaan sederhana: apa yang terjadi jika eksperimen dapat dijalankan sebagai percakapan, di mana niat, eksekusi, dan bukti terhubung dari ujung ke ujung? Jika kita membangun sistem ini dengan baik, mereka dapat membantu mengatasi celah terjemahan yang memperlambat biomedis dan banyak disiplin ilmu fisik (misalnya ilmu bahan). Jika kita membangunnya dengan buruk, mereka akan memperkuat ketidakreproduksibilitas dan menciptakan risiko keamanan baru.

Pekerjaan paling penting dalam beberapa tahun ke depan akan menjadi fondasional: antarmuka data dan perangkat yang distandarisasi melalui pembangunan sistem operasi (seperti iOS menjalankan semua jenis aplikasi), membangun benchmark AI yang mencakup eksekusi dan ketidakpastian (seperti benchmark LabSuperVision di LabOS), dan memulai penerapan di dunia nyata yang mendorong inovasi sambil melindungi pasien dan integritas penelitian.

Bagi peneliti dan klinisi, pertanyaannya bukanlah apakah AI akan memasuki laboratorium. AI sudah ada di sana. Pertanyaannya adalah apakah kita akan mengintegrasikannya sebagai kumpulan alat yang terputus atau sebagai sistem yang dapat dipercaya dan diaudit yang dirancang untuk kenyataan sains biomedis.

Bacaan dan sumber yang disarankan

mm

Le Cong, PhD, adalah Associate Professor of Pathology and of Genetics di Stanford University, di mana grupnya mengembangkan sistem genome engineering AI-native dan AI-XR-robotic yang menghubungkan penalaran laboratorium digital ke eksekusi laboratorium fisik, untuk memberdayakan manusia dalam penemuan ilmiah.