Leader di pensiero

Dalla codice alla cura: La prossima rivoluzione dell’AI ha bisogno di una mano (e di occhi)

mm
Pubblicato il
Aggiornato il
Aggiungi Unite.AI alle tue fonti preferite su Google
A diverse female scientist in smart glasses works alongside a sophisticated dual-arm robotic lab system in a futuristic wet lab.

Come i sistemi agentic, gli occhiali intelligenti XR e la robotica potranno potenziare gli esseri umani e non sostituirli

Stiamo vivendo una paradossale situazione nell’intelligenza artificiale.

Sugli schermi, l’AI è sovrumana. I grandi modelli linguistici scrivono codice Python funzionale in pochi secondi. I sistemi generativi producono immagini e video fotorealistici in pochi minuti. I sistemi vincitori del Nobel come AlphaFold hanno previsto le strutture di quasi tutte le proteine note. Le vittorie digitali si stanno accumulando.

Tuttavia, nel mondo fisico della ricerca biomedica, il processo di scoperta rimane manualmente impegnativo. Non sentiamo realmente l’AI accelerare la scienza o la medicina, almeno non ancora. I numeri rivelano la profondità del problema. Un sondaggio fondamentale di Nature su oltre 1.500 scienziati ha scoperto che più del 70% ha provato e fallito a riprodurre gli esperimenti di un altro ricercatore . Ancora più preoccupante: più della metà non è riuscita a riprodurre il proprio lavoro. Nella biologia del cancro, in particolare, un progetto di riproducibilità di otto anni ha scoperto che solo il 40% dei risultati ad alto impatto poteva essere replicato e il 68% degli esperimenti mancava di documentazione sufficiente per tentare la riproduzione.

Questo è il segreto sporco della scienza moderna: abbiamo un problema di cattura della conoscenza, non solo di scoperta. I dettagli sperimentali critici vivono nella testa dei ricercatori, non nei documenti. I protocolli si spostano. La conoscenza tacita esce dalla porta quando i tirocinanti si laureano. I sistemi AI addestrati sulla letteratura pubblicata ereditano tutte queste lacune.

Il problema fondamentale è che mentre un’AI può progettare una proteina innovativa per la terapia del cancro in una simulazione digitale, non può prendere una pipetta per testarla. Non può navigare nella realtà disordinata e imprevedibile di un laboratorio umido per convalidare la sua ipotesi. Non può guardare le mani di uno scienziato esperto e imparare le tecniche sottili che fanno funzionare gli esperimenti.

Questo “divario di esecuzione” è il più grande collo di bottiglia che impedisce alla rivoluzione dell’AI di diventare una rivoluzione medica. Mentre la maggior parte delle aziende di robotica è ancora impegnata nell’insegnare alle macchine a piegare i panni o a caricare i lavelli, stanno rimanendo indietro sulle capacità veramente trasformative di questi progressi in campi come la medicina.

Per risolvere questo problema, dobbiamo andare oltre i chatbot e verso gli AI Co-Scienziati, sistemi agentic che collegano il mondo digitale e quello fisico, spingendosi oltre la pianificazione e la codifica e verso l’esecuzione nel mondo reale. A Stanford, stiamo sviluppando LabOS , un framework AI digitale-fisico che dimostra come gli agenti AI, gli occhiali intelligenti XR e la robotica collaborativa possano unirsi per chiudere questo ciclo, trasformando gli esperimenti scientifici in una conversazione collaborativa tra uomo e macchina, catturando automaticamente la conoscenza che attualmente si perde.

La grande divisione: perché l’AI ha bisogno di “occhi” e “mani”

Molte delle più visibili vittorie dell’AI sono avvenute dove l’ambiente è completamente digitale: repository di codice, set di dati curati o benchmark simulati (dove l’AI compete per eseguire un’attività aziendale o investire in azioni digitalmente).

I laboratori umidi sono diversi. La biologia e, in generale, la scoperta scientifica sono un processo molto rumoroso. Gli strumenti si spostano, gli operatori improvvisano e “il protocollo” spesso vive in parte nella testa delle persone. La differenza tra un risultato pulito e un esecuzione fallita può essere un angolo di pipettazione, un modello di vortice, una sostituzione di reagente o un’incubazione che è durata 10 minuti in più. Questi dettagli contestuali raramente entrano in un documento e sono esattamente ciò di cui un modello AI ha bisogno se deve generalizzare oltre un set di dati.

Questo è il motivo per cui l’AI di laboratorio di alta qualità ha bisogno di occhi (per percepire cosa sta succedendo nel contesto), mani (per standardizzare e automatizzare i passaggi ad alta varianza) e memoria (per registrare cosa è effettivamente successo). Senza queste capacità, i modelli possono raccomandare cosa fare, ma non possono tradurre in modo affidabile le raccomandazioni in esecuzione fisica valida o spiegare i fallimenti quando la realtà si discosta dal piano.

Oltre i chatbot: dai copiloti ai co-scienziati

Il termine “AI agentic” a volte viene utilizzato in modo vago. In ambienti biomedici, dovrebbe significare qualcosa di preciso: un sistema che può prendere un obiettivo (ad esempio, “ottimizzare l’efficienza dell’editing dei geni CRISPR mentre si minimizzano gli obiettivi”), decomporlo in una sequenza di attività, eseguire quelle attività attraverso strumenti, valutare i risultati e adattare il piano sotto vincoli e con una presa di decisioni verificabile.

Ciò è importante perché i flussi di lavoro di ricerca non sono un’unica chiamata al modello. Sono pipeline end-to-end che coprono la formulazione dell’ipotesi, la progettazione sperimentale, l’elaborazione dei dati, la verifica statistica e l’interpretazione. Il pensiero recente nella scoperta di farmaci ha iniziato a enfatizzare i sistemi agentic che possono scalare queste pipeline piuttosto che semplicemente accelerare i singoli passaggi (ad esempio, la discussione di Unite.AI sugli agenti nella scoperta di piccole molecole ).

Nell’ingegneria del software, abbiamo già visto le prime prove empiriche che i copiloti AI possono aumentare la produttività degli sviluppatori. Nella biomedicina, l’opportunità analoga non è solo scrivere codice, ma scrivere e convalidare protocolli, strutturare dati, monitorare l’esecuzione e chiudere il ciclo tra previsione e misura, collegando l’AI agli scienziati umani nei laboratori.

LabOS: quando l’AI funziona su un sistema operativo per i laboratori del futuro

Nel nostro lavoro a Stanford su AI4Science, che copre copiloti di editing dei geni come CRISPR-GPT e sistemi di co-esecuzione AI-XR come LabOS che aiutano gli scienziati nei laboratori biomedici e della scienza dei materiali, stiamo esplorando uno spostamento architettonico:

1. Progettazione di un sistema operativo di laboratorio “end-to-end” che collega un laboratorio digitale (asciutto) a un laboratorio fisico (umido).

La premessa è semplice: se un quaderno di laboratorio è la memoria della scienza, allora un sistema operativo di laboratorio dovrebbe essere il livello di esecuzione, catturando l’intento, traducendolo in azioni, osservando i risultati e trasformando ogni esecuzione in conoscenza strutturata.

Figura. Una visione concettuale di LabOS che collega un ciclo di laboratorio digitale auto-evolvente (pianificazione, codifica, critica, creazione di strumenti) con un ciclo di laboratorio umido uomo-macchina (auto-documentazione, cattura della conoscenza, guida XR e integrazione robotica).

2. AI nel laboratorio digitale – pianificazione auto-evolvente e creazione di strumenti

Nel laboratorio digitale (asciutto), possiamo lasciare che l’AI faccia ciò che già fa bene: cercare, sintetizzare e proporre. Ma vogliamo anche che sia auto-migliorante. Non “allucinando nuova scienza”, ma imparando migliori strumenti e flussi di lavoro dal feedback.

Un ciclo di laboratorio digitale pratico può essere inquadrato come quattro fasi ricorrenti:

  • Pianificazione (ipotesi + progettazione): proporre ipotesi, selezionare variabili sperimentali, anticipare confondenti e specificare endpoint misurabili.
  • Codifica (implementazione): generare o adattare script di analisi, pipeline di simulazione e modelli di controllo degli strumenti dove appropriato.
  • Agente di critica (ragionamento + valutazione): testare le ipotesi, controllare la potenza statistica, proporre controlli e segnalare probabili modalità di fallimento.
  • Creazione di strumenti (ricerca + sviluppo): quando il flusso di lavoro manca di un componente (un parser, una routine di controllo della qualità, un cruscotto), costruirlo e aggiungerlo al set di strumenti.

3. AI nel laboratorio fisico – AI con “occhi” (occhiali intelligenti XR) e “mani” (robotica)

Il laboratorio fisico (umido) è dove il sistema guadagna o perde fiducia. L’obiettivo non è sostituire lo scienziato, ma ridurre l’attrito e l’errore mentre si aumenta l’osservabilità.

Consideriamo il ciclo di laboratorio fisico come quattro capacità complementari:

  • Auto-registrazione e documentazione: catturare azioni, timestamp, impostazioni degli strumenti e deviazioni automaticamente, in modo che la documentazione non sia un afterthought.
  • Cattura della conoscenza per l’esecuzione ripetibile e veloce: convertire le esecuzioni in artefatti strutturati e interrogabili (versioni del protocollo, set di parametri, risultati del controllo della qualità) allineati con i principi di gestione dei dati come FAIR .
  • Guida in tempo reale attraverso occhiali intelligenti XR: utilizzare modelli multimodali per interpretare la scena (cosa sta facendo l’operatore, quale reagente è in mano) e fornire indicazioni passo-passo e controlli di sicurezza. AR/XR ha già dimostrato il suo valore in flussi di lavoro fisici ad alto rischio come la guida sperimentale (LabOS, Stanford, Princeton, in collaborazione con NVIDIA ).
  • Integrazione cobot/robotica per l’automazione: standardizzare i passaggi ripetitivi, abilitare il passaggio sicuro e ridurre la variabilità. Piattaforme per flussi di lavoro da simulazione a reale (ad esempio NVIDIA Isaac ) e l’elaborazione AI in tempo reale ai bordi come la trasmissione in streaming live e l’interazione uomo-macchina in LabOS sono strati di abilitazione importanti.

Questa architettura si allinea con una direzione più ampia nel settore: “laboratori autonomi” o “self-driving” che combinano l’automazione con l’apprendimento automatico per pianificare il prossimo esperimento. Ciò che LabOS aggiunge è uno strato di interfaccia umana più stretto, in modo che l’autonomia non venga a scapito della trasparenza.

Perché l’AI di laboratorio di alta qualità non è solo “AI su un set di dati”

I sistemi AI per la superintelligenza biomedica/scientifica spesso sembrano impressionanti nella valutazione retrospettiva o nei test, e poi sotto-performano nel laboratorio fisico. Il motivo non è raramente un singolo bug. È solitamente un mismatch tra le assunzioni del modello e la realtà del laboratorio.

Tre lacune si presentano ripetutamente:

  • Lacuna di contesto: i set di dati di solito omettono le variabili di contesto che gli operatori sanno essere importanti (escursioni di temperatura, numeri di lotto di reagenti, deviazioni sottili del protocollo).
  • Lacuna di azione: molti sistemi AI possono raccomandare cosa fare, ma non possono tradurre in modo affidabile la raccomandazione in passaggi fisici validati.
  • Lacuna di feedback: senza feedback strutturato e di alta qualità dall’esecuzione, i modelli non possono imparare dove falliscono – e gli scienziati non possono verificare il motivo.

Chiudere queste lacune è meno questione di inventare una nuova architettura di rete neurale, e più questione di costruire gli strumenti, le interfacce e i contratti di dati che rendono il laboratorio leggibile alle macchine, e consentono all’AI di lavorare con gli esseri umani.

Fiducia per design: sicurezza e governance per l’AI che può agire

L’AI agentic nella ricerca di scoperta non solo solleva preoccupazioni familiari sull’accuratezza. Introduce nuovi modi di fallimento perché può agire. In un laboratorio, l’azione significa il potenziale per sprechi, danni o conclusioni fuorvianti, specialmente quando gli esperimenti alimentano ipotesi cliniche.

Un atteggiamento utile è trattare uno stack di laboratorio abilitato all’AI come un sistema socio-tecnico che necessita di garanzie. Esistono diversi framework che aiutano, ma devono essere tradotti nella realtà del laboratorio:

  • Gestione del rischio come pratica continua: il framework di gestione del rischio AI di NIST ( AI RMF 1.0 ) fornisce un vocabolario pratico per mappare, misurare e gestire il rischio AI nel ciclo di vita.
  • Allineamento normativo per l’AI medico-adiacente: il lavoro dell’FDA sull’AI/ML Software come dispositivo medico (SaMD), incluso il suo Piano d’azione e linee guida correlate , offre una visione concreta di cosa significhi “buona pratica” quando l’AI impatta la cura dei pazienti.

Per il editing dei geni e altri domini ad alto impatto, la governance è già una conversazione globale. Si stanno discutendo raccomandazioni sull’editing del genoma umano, per sottolineare la necessità di meccanismi di vigilanza appropriati e di governance responsabile, come quelle avanzate dalla Società Americana per la Terapia Genica e Cellulare , o ASGCT. Sistemi come LabOS dovrebbero essere progettati per rendere più facile il rispetto, non più difficile.

Checklist: controlli per co-scienziati AI sicuri per la scoperta scientifica

A nostro parere, un sistema operativo di laboratorio consapevole della sicurezza dovrebbe implementare almeno i seguenti progetti:

  • Provenienza per impostazione predefinita: ogni set di dati, versione del protocollo e output del modello dovrebbe essere tracciabile agli input e ai timestamp.
  • Autonomia limitata: il sistema dovrebbe avere autorizzazioni esplicite (cosa può fare senza conferma) e regole di escalation (quando deve chiedere).
  • Annullamento umano e degrado graduale: quando i sensori o i flussi di dati falliscono, o l’incertezza è alta, il sistema dovrebbe tornare a un modo più sicuro e semplice.
  • Convalida continua: le previsioni in-silico dovrebbero essere abbinate a convalida del laboratorio fisico; le esecuzioni del laboratorio fisico dovrebbero includere porte di controllo della qualità prima che le conclusioni si propaghino a valle ai modelli/agenti del mondo digitale.
  • Sicurezza e consapevolezza dell’uso duale: proteggere l’infrastruttura del laboratorio dalla manipolazione.

Potenziare gli esseri umani ovunque: possono i co-scienziati AI livellare il campo di gioco?

Una delle promesse più affascinanti di un “co-scienziato” AI-XR è non solo la velocità per le istituzioni di élite, ma l’accessibilità per tutti. Considera cosa limita attualmente i laboratori più piccoli, le startup e le cliniche rurali/remote:

  • Accesso limitato a expertise specializzata per protocolli e strumenti di gold standard.
  • Costo relativo più alto per la formazione, gli errori e il ri-lavoro.
  • Strumentazione frammentata: taccuini, fogli di calcolo, registri degli strumenti e script di analisi raramente si collegano pulitamente.

Un sistema che può guidare l’esecuzione nel contesto (attraverso occhiali intelligenti XR), catturare automaticamente cosa è successo e suggerire il prossimo passo migliore in base alle esecuzioni precedenti potrebbe rendere le prove avanzate più ripetibili tra i siti. In teoria, potrebbe anche supportare la ricerca clinica distribuita in cui i protocolli devono essere eseguiti in modo coerente, anche quando le risorse variano.

Cronologia: quando ogni scienziato e clinico ottiene un co-scienziato?

In breve, siamo più vicini di quanto pensano molti per alcune attività ad alto valore e ad alta frequenza (come produrre un farmaco in modo affidabile nel laboratorio) e più lontani di quanto mostri la maggior parte delle demo per altri (come l’AI che risolve completamente grandi problemi come il cancro o l’Alzheimer). Una roadmap realistica sembra questa:

  1. Breve termine (entro 1 anno) : copiloti di flusso di lavoro che riducono il carico amministrativo: stesura del protocollo, sintesi della letteratura, modelli di analisi e rapporti di controllo della qualità automatizzati. Il fattore limitante è l’integrazione, non la capacità del modello.
  2. Medio termine (1-2 anni) : sistemi di co-esecuzione nel laboratorio: guida degli occhiali intelligenti XR, documentazione automatizzata e robotica selettiva per passaggi ad alta varianza. La fiducia dipenderà dalle tracce di audit e dalla progettazione umana nel ciclo.
  3. Lungo termine (3+ anni) : co-ricercatori cross-domain che collegano la scoperta alla traduzione: collegamento dei dati di laboratorio agli endpoint clinici, monitoraggio dei segnali di sicurezza e aiuto nella progettazione degli studi – mentre si rispettano le aspettative normative ed etiche.

Dalla codice alla cura: il percorso verso la scoperta scientifica 1000x

LabOS è un tentativo di rispondere a una domanda semplice: cosa succede se un esperimento potesse essere eseguito come una conversazione, in cui intento, esecuzione e prova sono collegati end-to-end? Se costruiamo questi sistemi bene, possono aiutare a risolvere il divario di traduzione che rallenta la biomedicina e molte discipline scientifiche fisiche (ad esempio la scienza dei materiali). Se li costruiamo male, amplificheranno l’irripetibilità e creeranno nuovi rischi per la sicurezza.

Il lavoro più importante nei prossimi anni sarà fondamentale: interfacce di dati e dispositivi standardizzate attraverso la costruzione del sistema operativo (come iOS esegue tutti i tipi di app), la costruzione di benchmark AI che includono esecuzione e incertezza (come il benchmark LabSuperVision in LabOS), e l’avvio del dispiegamento nel mondo reale che incoraggia l’innovazione mentre protegge i pazienti e l’integrità della ricerca.

Per i ricercatori e i clinici, la domanda non è se l’AI entrerà nel laboratorio. Già c’è. La domanda è se lo integreremo come una raccolta di strumenti non connessi o come un sistema affidabile e verificabile progettato per le realtà della scienza biomedica.

Lettura e fonti suggerite

mm

Le Cong, PhD, è un Associate Professor di Patologia e di Genetica alla Stanford University, dove il suo gruppo sviluppa sistemi di ingegneria genetica nativi AI e sistemi AI-XR-robotici che collegano la logica del laboratorio digitale all'esecuzione del laboratorio fisico, per potenziare gli esseri umani nella scoperta scientifica.