Thought leaders

Van Code tot Genezing: De Volgende AI-Revolutie Heeft een Hand (en Ogen) Nodig

mm
Gepubliceerd op
Bijgewerkt op
Voeg Unite.AI toe aan je voorkeursbronnen op Google
A diverse female scientist in smart glasses works alongside a sophisticated dual-arm robotic lab system in a futuristic wet lab.

Hoe agente systemen, XR slimme glazen en robotica mensen zullen empoweren – niet vervangen

We leven in een paradox in artificial intelligence.

Op schermen is AI supermenselijk. Grote taalmodellen schrijven functionele Python-code in seconden. Generatieve systemen produceren photorealistische afbeeldingen en video’s in minuten. Nobelprijswinnende systemen zoals AlphaFold hebben de structuren van bijna alle bekende eiwitten voorspeld. De digitale overwinningen stapelen zich op.

Yet in de fysieke wereld van biomedisch onderzoek, blijft het proces van ontdekking pijnlijk manueel. We voelen AI nog niet versnellen van wetenschap of geneeskunde, tenminste nog niet. De cijfers onthullen de diepte van het probleem. Een landmark Nature-enquête onder meer dan 1.500 wetenschappers vond dat meer dan 70% hebben geprobeerd en gefaald om een andere onderzoeker’s experimenten te reproduceren. Nog meer verontrustend: meer dan de helft kon hun eigen werk niet reproduceren. In kankerbiologie specifiek, vond een achtjarige reproduceerbaarheidsproject dat slechts 40% van de hoog-impactbevindingen konden worden gereproduceerd en 68% van de experimenten ontbrak voldoende documentatie om zelfs maar een poging tot reproduktie te doen.

Dit is het vuile geheim van moderne wetenschap: we hebben een kennis-capture-probleem, niet alleen een ontdekkingprobleem. Critische experimentele details leven in onderzoekers’ hoofden, niet in papers. Protocollen drijven af. Tacit kennis loopt de deur uit wanneer trainees afstuderen. AI-systemen getraind op gepubliceerde literatuur erven al deze hiaten.

Het fundamentele probleem is dat terwijl een AI een nieuw eiwit voor kankertherapie kan ontwerpen in een digitale simulatie, het geen pipet kan oppakken om het te testen. Het kan de rommelige, onvoorspelbare realiteit van een natte lab niet navigeren om zijn eigen hypothese te valideren. Het kan niet naar een ervaren wetenschapper’s handen kijken en leren van de subtiele technieken die experimenten doen werken.

Dit “uitvoeringsgap” is de enige grootste bottleneck die de AI-revolutie verhindert om een medische revolutie te worden. Terwijl de meeste robotica-bedrijven nog steeds bezig zijn met het leren van machines om de was te vouwen of de vaatwasser te laden, blijven ze achter op de echt transformatieve capaciteiten van deze vooruitgang in gebieden zoals geneeskunde.

Om dit op te lossen, moeten we verder gaan dan chatbots en naar AI Co-Scientists, agente systemen die de digitale en fysieke wereld verbinden, en verder gaan dan plannen en coderen en naar echte uitvoering. Aan Stanford, ontwikkelen we LabOS, een digitaal-fysiek AI-kader dat demonstreert hoe AI-agents, Extended Reality (XR) slimme glazen en collaboratieve robotica kunnen verenigen om deze lus te sluiten, en wetenschappelijke experimenten transformeren in een collaboratieve conversatie tussen mens en machine, terwijl automatisch de kennis vastleggen die momenteel verloren gaat.

Het Grote Gat: Waarom AI “Ogen” en “Handen” Nodig Heeft

Veel van de meest zichtbare AI-wins zijn gebeurd waar de omgeving volledig digitaal is: code-repositories, gecuratede datasets of gesimuleerde benchmarks (waar AI concurreert om een virtueel bedrijf te runnen of digitaal te investeren in aandelen).

Natte labs zijn anders. Biologie, en in het algemeen, wetenschappelijke ontdekking, is een zeer lawaaiproces. Instrumenten drijven af, operators improviseren, en “het protocol” leeft vaak gedeeltelijk in mensen’s hoofden. Het verschil tussen een schoon resultaat en een mislukt run kan een pipetteringshoek zijn, een vortexpatroon, een reagenssubstitutie, of een incubatie die 10 minuten lang duurde. Deze contextuele details maken zelden het in een paper en zijn exact wat een AI-model nodig heeft als het wil generaliseren buiten een dataset.

Dat is waarom lab-kwaliteit AI ogen (om te zien wat er gebeurt in context) en handen (om te standaardiseren en veilig te automatiseren) en geheugen (om op te nemen wat er werkelijk gebeurde) nodig heeft. Zonder deze capaciteiten, kunnen modellen aanbevelen wat te doen, maar kunnen ze niet betrouwbaar aanbevelingen vertalen in gevalideerde fysieke uitvoering of verklaren waarom realiteit afwijkt van plan.

Verder dan Chatbots: Van Copilots tot Co-Scientists

De term “agente AI” wordt soms los gebruikt. In biomedische settings, moet het iets precies betekenen: een systeem dat een doel (bijvoorbeeld “optimize CRISPR gen-editing efficiëntie terwijl off-targets minimaliseren”) kan decomponeren in een reeks taken, taken uitvoeren over tools, resultaten evalueren en aanpassen onder beperkingen en met auditable besluitvorming.

Dit is belangrijk omdat onderzoeksworkflows niet één model-call zijn. Ze zijn end-to-end-pipelines die hypothesformulering, experimenteel ontwerp, dataprocessing, statistische testing en interpretatie omvatten. Recent denken in drugontdekking heeft gestart met het benadrukken van agente systemen die deze pipelines kunnen schalen, in plaats van alleen individuele stappen te versnellen (bijvoorbeeld Unite.AI’s discussie over agents in kleine-molecuulontdekking).

In software-engineering, hebben we al vroeg empirisch bewijs gezien dat AI-copilots developer-throughput kunnen verhogen. In biomedische wetenschap, is de analoge kans niet alleen code schrijven, maar protocollen schrijven en valideren, data structureren, uitvoering monitoren en de lus sluiten tussen voorspelling en meting, en AI verbinden met menselijke wetenschappers in labs.

LabOS: Wanneer AI Werkt op een Besturingssysteem voor de Labs van Morgen

In ons werk aan Stanford over AI4Science, dat gene-editing copilots zoals CRISPR-GPT en AI-XR co-execution systemen zoals LabOS die wetenschappers in biomedische en materiaalwetenschappelijke labs helpen, hebben we een architecturale shift verkend:

1. Ontwerpen van een end-to-end “lab-besturingssysteem” dat een digitale (droge) lab koppelt aan een fysieke (natte) lab.

De premisse is eenvoudig: als een lab-notitieboek het geheugen van wetenschap is, dan moet een lab-OS het uitvoeringslaag zijn, intent vastleggen, vertalen in acties, resultaten observeren en elke run omzetten in gestructureerde kennis.

Figuur. Een conceptueel overzicht van LabOS dat een zelf-evoluerende digitale lab-lus (planning, coding, critique, tool-creatie) verbindt met een menselijke AI-wet-lab-lus (auto-documentatie, kennis-capture, XR-guidance en robot-integratie).

2. AI in de Digitale Lab – Zelf-Evoluerende Planning en Tool-Bouw

In de digitale (droge) lab, kunnen we AI laten doen wat het al goed doet: zoeken, synthetiseren en voorstellen. Maar we willen ook dat het zelf-verbeterend is. Niet door “nieuwe wetenschap te hallucineren”, maar door betere tools en workflows te leren van feedback.

Een praktische digitale-lab-lus kan worden gekaderd als vier terugkerende fasen:

  • Planning (hypotheek + ontwerp): hypothesen voorstellen, experimentele variabelen selecteren, confounders anticiperen en meetbare eindpunten specificeren.
  • Coding (implementatie): analyse-scripts genereren of aanpassen, simulatie-pipelines en instrument-controle-templates waar nodig.
  • Critic agent (redenering + evaluatie): aannamen testen, statistische macht controleren, controles voorstellen en waarschijnlijke falen-modus flaggen.
  • Tool-creatie (zoeken + ontwikkelen): wanneer de workflow een component ontbreekt (een parser, een QC-routine, een dashboard), bouw het en voeg het terug toe aan de toolkit.

3. AI in de Fysieke Lab – AI Met “Ogen” (XR-bril) en “Handen” (Robotica)

De fysieke (natte) lab is waar het systeem het vertrouwen verdient – of verliest. Het doel is niet om de wetenschapper te vervangen, maar om wrijving en fouten te reduceren en observabiliteit te verhogen.

We zien de fysieke-lab-lus als vier complementaire capaciteiten:

  • Auto-record en documentatie: acties, tijdstempels, instrument-instellingen en afwijkingen automatisch vastleggen, zodat documentatie geen nabeeld is.
  • Kennis-capture voor snelle, reproduceerbare uitvoering: runs omzetten in gestructureerde, doorzoekbare artefacten (protocol-versies, parametersets, QC-uitkomsten) afgestemd op data-stewardship-principes zoals FAIR.
  • Real-time visie-taal-guidance via XR-bril: gebruik multimodale modellen om de scène te interpreteren (wat de operator doet, welk reagens in de hand is) en stap-voor-stap-guidance en veiligheidscontroles bieden. AR/XR heeft al waarde aangetoond in high-stakes fysieke workflows zoals experimentele guidance (LabOS, Stanford, Princeton, in samenwerking met NVIDIA).
  • Cobot/robot-integratie voor automatisering: standaardiseren van herhaalde stappen, veilige overdrachten mogelijk maken en variabiliteit reduceren. Platforms voor simulatie-tot-reële workflows (bijvoorbeeld NVIDIA Isaac) en real-time AI-verwerking aan de rand zoals de slimme glazen live-streaming en menselijke AI-interactie in LabOS zijn belangrijke enable-lagen.

Deze architectuur sluit aan bij een bredere richting in het veld: “zelfrijdende” of autonome laboratoria die automatisering combineren met machine learning om het volgende experiment te plannen. Wat LabOS toevoegt, is een strakke menselijke interface-laag, zodat autonomie niet ten koste gaat van transparantie.

Waarom Lab-Kwaliteit AI Niet Alleen “AI op een Dataset” Is

AI-systemen voor biomedische/wetenschappelijke super-intelligentie zien er vaak indrukwekkend uit in retrospectieve evaluatie of bij het afleggen van examens, en presteren dan ondermaats in de fysieke lab. De reden is zelden één enkele bug. Het is meestal een mismatch tussen de model-aannamen en de lab-reality.

Drie hiaten komen herhaaldelijk voor:

  • Context-hiaat: datasets laten typisch contextuele variabelen weg die operators belangrijk vinden (temperatuur-excessen, reagens-lotnummers, subtiele protocol-afwijkingen).
  • Actie-hiaat: veel AI-systemen kunnen aanbevelen wat te doen, maar kunnen niet betrouwbaar aanbevelingen vertalen in gevalideerde fysieke stappen.
  • Feedback-hiaat: zonder gestructureerde, hoge-kwaliteit feedback van uitvoering, kunnen modellen niet leren waar ze falen – en wetenschappers kunnen niet auditeren waarom.

Het sluiten van deze hiaten is minder over het uitvinden van een nieuwe neurale netwerk-architectuur, maar meer over het bouwen van de instrumentatie, interfaces en data-contracten die de laboratorium leesbaar maken voor machines, en AI laten zien en werken met mensen.

Vertrouwen door Ontwerp: Veiligheid en Governance voor AI die Kan Handelen

Agente AI in ontdekkingsonderzoek introduceert niet alleen bekende zorgen over nauwkeurigheid. Het introduceert nieuwe falen-modus omdat het kan handelen. In een lab, betekent actie het potentieel voor afval, schade of misleidende conclusies, vooral wanneer experimenten voeden in klinische hypothesen.

Een nuttige mindset is om een AI-geactiveerd lab-stack te behandelen als een socio-technisch systeem dat verzekering nodig heeft. Verschillende bestaande kaders helpen, maar ze moeten worden vertaald in lab-reality:

  • Risicobeheer als een continue praktijk: NIST’s AI-risicobeheer-kader (AI RMF 1.0) biedt een praktische vocabulaire voor kaarten, meten en beheren van AI-risico’s over de levenscyclus.
  • Regulatorische afstemming voor medisch-gerelateerde AI: de FDA’s AI/ML Software as a Medical Device (SaMD)-werk, inclusief zijn Actieplan en gerelateerde richtlijnen, biedt een concreet beeld van wat “goede praktijk” lijkt wanneer AI patiëntzorg beïnvloedt.

Voor gen-editing en andere high-consequence-domeinen, is governance al een wereldwijde conversatie. Aanbevelingen worden besproken over humane genoom-editing, om de noodzaak van passende toezichtmechanismen en verantwoorde governance te benadrukken, zoals die voorgesteld door de American Society for Gene and Cell Therapy, of ASGCT. Systemen zoals LabOS moeten worden ontworpen om compliance gemakkelijker te maken, niet moeilijker.

Checklist: Controles voor Veilige AI Co-Scientists voor Wetenschappelijke Ontdekking

In onze visie, moet een veiligheidsbewuste lab-OS ten minste de volgende ontwerpen implementeren:

  • Provenance by default: elke dataset, protocol-versie en model-uitvoer moet traceerbaar zijn naar inputs en tijdstempels.
  • Begrensde autonomie: het systeem moet expliciete toestemmingen hebben (wat het kan doen zonder bevestiging) en escalatie-regels (wanneer het moet vragen).
  • Menselijke override en gracieuze degradatie: wanneer sensoren of data-stromen falen, of onzekerheid hoog is, moet het systeem terugvallen naar een veiligere, eenvoudigere modus.
  • Continue validatie: in-silico-voorspellingen moeten worden gekoppeld aan fysieke-lab-validatie; fysieke-lab-runs moeten QC-poorten includeren voordat conclusies downstream terug naar de AI-modellen/agenten in de digitale wereld.
  • Beveiliging en dual-use-bewustzijn: lab-infrastructuur beschermen tegen manipulatie.

Empower Humans Everywhere: Kan AI Co-Scientists het Speelveld Levelen?

Een van de meest overtuigende beloften van een AI-XR “co-scientist” is niet alleen snelheid voor elite-instituten, maar toegankelijkheid voor iedereen. Overweeg wat momenteel kleinere labs, startups en afgelegen/regionale klinieken beperkt:

  • Beperkte toegang tot gespecialiseerde expertise voor gouden standaard-protocollen en instrumenten.
  • Hogere relatieve kosten van training, fouten en rework.
  • Fragmenteerde tooling: notitieboeken, spreadsheets, instrument-logboeken en analyse-scripts verbinden zelden schoon.

Een systeem dat uitvoering in context kan guiden (via XR-bril), vastleggen wat er gebeurde automatisch, en suggereren wat de volgende beste stap is op basis van eerdere runs, kan geavanceerde assays meer reproduceerbaar maken over sites. In principe, kan het ook ondersteunen gedistribueerde klinische onderzoek waar protocollen consistent moeten worden uitgevoerd, zelfs wanneer middelen variëren.

Tijdlijn: Wanneer Krijgt Elke Wetenschapper en Klinicus een Co-Scientist?

In het kort, zijn we dichter bij dan veel denken voor sommige high-value, high-frequentie-taken (zoals het produceren van een geneesmiddel betrouwbaar in het lab) en verder weg dan de meeste demos impliceren voor anderen (zoals AI die grote problemen zoals kanker of Alzheimer’s volledig oplost). Een realistische roadmap ziet er zo uit:

  1. Nabij toekomst (binnen 1 jaar): Workflow-copilots die administratieve last reduceren: protocol-ontwerp, literatuur-synthese, analyse-sjablonen en geautomatiseerde QC-rapporten. De beperkende factor is integratie, niet model-capaciteit.
  2. Midden-termijn (1-2 jaar): Co-execution-systemen in het lab: XR-bril-guidance, geautomatiseerde documentatie en selectieve robotica voor high-variance-stappen. Vertrouwen zal afhangen van audit-trails en strakke mens-in-de-lus-ontwerp.
  3. Langere termijn (3+ jaar): Cross-domein co-researchers die ontdekking verbinden met vertaling: lab-data koppelen aan klinische eindpunten, veiligheidsignalen monitoren en helpen bij het ontwerpen van trials – en voldoen aan regulatorische en ethische verwachtingen.

Van Code tot Genezing: De Weg Vooruit naar 1000x Wetenschappelijke Ontdekking

LabOS is één poging om een eenvoudige vraag te beantwoorden: wat als een experiment kon worden uitgevoerd als een conversatie, waar intent, uitvoering en bewijs zijn verbonden van begin tot eind? Als we deze systemen goed bouwen, kunnen ze helpen bij het oplossen van de vertaalgap die biomedische wetenschap en veel fysieke wetenschappelijke disciplines vertraagt. Als we ze slecht bouwen, zullen ze irreproduceerbaarheid versterken en nieuwe veiligheidsrisico’s creëren.

Het meest belangrijke werk in de komende jaren zal fundamenteel zijn: gestandaardiseerde data- en apparaat-interfaces via het bouwen van het besturingssysteem (net zoals iOS alle soorten apps uitvoert), het bouwen van AI-benchmarks die uitvoering en onzekerheid includeren (zoals de LabSuperVision-benchmark in LabOS), en starten met implementatie in de echte wereld die innovatie stimuleren terwijl patiënten en onderzoeksintegriteit worden beschermd.

Voor onderzoekers en klinici is de vraag niet of AI het lab zal binnentreden. Het is al binnen. De vraag is of we het zullen integreren als een verzameling van losse tools of als een betrouwbaar, auditeerbaar systeem ontworpen voor de realiteit van biomedische wetenschap.

Voorgestelde lees- en bronnen

mm

Le Cong, PhD, is een Associate Professor of Pathology and of Genetics aan de Stanford University, waar zijn groep AI-native genome engineering en AI-XR-robotic systemen ontwikkelt die digitale-lab redenering verbinden met fysieke-lab uitvoering, om mensen te empoweren in wetenschappelijke ontdekking.