Thought leaders

Van code tot genezing: de volgende AI-revolutie heeft handen en ogen nodig

Dr. Le Cong
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.
Belangrijkste puntenLabOS overbrugt AI's digitale planning met fysieke laboratoriumuitvoering via…
Meer weergeven
  • LabOS overbrugt AI's digitale planning met fysieke laboratoriumuitvoering via XR-brillen en robotica.
  • Meer dan 70% van de wetenschappers slaagt er niet in experimenten te reproduceren vanwege een kennishiaat, niet een ontdekkingshiaat.
  • AI-co-wetenschappers moeten herkomst en begrensde autonomie omvatten om schade in biomedische laboratoria te voorkomen.

Hoe agentgestuurde systemen, XR slimme brillen en robotica mensen zullen versterken – niet vervangen

We leven in een paradox op het gebied van kunstmatige intelligentie.

Op schermen is AI supermenselijk. Grote taalmodellen schrijven functionele Python-code in seconden. Generatieve systemen produceren fotorealistische 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.

Toch blijft het ontdekkingsproces in de fysieke wereld van biomedisch onderzoek moeizaam handwerk. We merken nog niet echt dat AI de wetenschap of geneeskunde versnelt, in elk geval nog niet. De cijfers onthullen de diepte van het probleem. Een toonaangevende Nature-enquête onder meer dan 1.500 wetenschappers vond dat meer dan 70% heeft geprobeerd de experimenten van een andere onderzoeker te reproduceren, zonder daarin te slagen. Nog meer verontrustend: meer dan de helft kon hun eigen werk niet reproduceren. In kankerbiologie specifiek, vond een achtjarig reproduceerbaarheidsproject dat slechts 40% van de invloedrijke onderzoeksresultaten kon worden gereproduceerd en bij 68% van de experimenten ontbrak voldoende documentatie om zelfs maar een poging tot reproductie te doen.

Dit is het vuile geheim van moderne wetenschap: we hebben een probleem met het vastleggen van kennis, niet alleen een ontdekkingsprobleem. Cruciale experimentele details zitten in de hoofden van onderzoekers, niet in papers. Protocollen drijven af. Stilzwijgende kennis loopt de deur uit wanneer onderzoekers in opleiding 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 nat laboratorium niet navigeren om zijn eigen hypothese te valideren. Het kan niet naar de handen van een ervaren wetenschapper kijken en leren van de subtiele technieken die experimenten doen werken.

Deze “uitvoeringskloof” is de grootste afzonderlijke belemmering 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-onderzoekspartners, agentgestuurde 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 brillen en collaboratieve robotica kunnen samenwerken om deze lus te sluiten, en wetenschappelijke experimenten transformeren in een collaboratieve conversatie tussen mens en machine, terwijl het systeem automatisch de kennis vastlegt die momenteel verloren gaat.

De Grote Kloof: Waarom AI “Ogen” en “Handen” Nodig Heeft

Veel van de meest zichtbare AI-successen zijn gebeurd waar de omgeving volledig digitaal is: code-repositories, zorgvuldig samengestelde 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 proces met veel ruis. Instrumenten drijven af, operators improviseren, en “het protocol” leeft vaak gedeeltelijk in de hoofden van mensen. Het verschil tussen een schoon resultaat en een mislukte proef kan een pipetteringshoek zijn, een vortexpatroon, een reagenssubstitutie, of een incubatie die 10 minuten te lang duurde. Deze contextuele details belanden zelden in een wetenschappelijk artikel 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 stappen met veel variatie 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 mislukkingen verklaren wanneer de werkelijkheid van het plan afwijkt.

Verder dan chatbots: van assistenten naar onderzoekspartners

De term “agentgestuurde AI” wordt soms los gebruikt. In biomedische settings, moet het iets precies betekenen: een systeem dat een doel (bijvoorbeeld “optimaliseer de efficiëntie van CRISPR-genbewerking en beperk tegelijk bewerkingen buiten de doelgebieden”) kan decomponeren in een reeks taken, taken uitvoeren over tools, resultaten evalueren en het plan aanpassen binnen randvoorwaarden en met controleerbare besluitvorming.

Dit is belangrijk omdat onderzoeksworkflows niet één model-call zijn. Ze zijn end-to-end-pipelines die hypothesevorming, experimenteel ontwerp, dataprocessing, statistische toetsing en interpretatie omvatten. Recente inzichten in geneesmiddelenonderzoek leggen steeds meer nadruk op agentgestuurde systemen die deze pipelines kunnen schalen, in plaats van alleen individuele stappen te versnellen (bijvoorbeeld Unite.AI’s discussie over agents in de ontwikkeling van geneesmiddelen met kleine moleculen).

In software-engineering, hebben we al vroeg empirisch bewijs gezien dat AI-copilots de hoeveelheid werk die ontwikkelaars verzetten kunnen vergroten. 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 assistenten voor genbewerking zoals CRISPR-GPT en systemen voor gezamenlijke uitvoering met AI en XR zoals LabOS die wetenschappers in biomedische en materiaalwetenschappelijke labs helpen, hebben we een verandering in de architectuur verkend:

1. Ontwerpen van een end-to-end “lab-besturingssysteem” dat een digitaal (droog) laboratorium koppelt aan een fysiek (nat) laboratorium.

De premisse is eenvoudig: als een lab-notitieboek het geheugen van wetenschap is, dan moet een lab-OS de uitvoeringslaag zijn, de intentie 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, programmeren, kritische beoordeling, gereedschapsontwikkeling) verbindt met een lus van mensen en AI in het natte laboratorium (auto-documentatie, kennisvastlegging, XR-begeleiding en robot-integratie).

2. AI in het Digitale Laboratorium – Zelf-Evoluerende Planning en Tool-Bouw

In het digitale (droge) laboratorium, kunnen we AI laten doen wat het al goed doet: zoeken, synthetiseren en voorstellen. Maar we willen ook dat het zelfverbeterend 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 (hypothese + ontwerp): hypothesen voorstellen, experimentele variabelen selecteren, rekening houden met verstorende factoren en meetbare eindpunten specificeren.
  • Programmeren (implementatie): analyse-scripts genereren of aanpassen, simulatie-pipelines en instrument-controle-templates waar nodig.
  • Kritische agent (redenering + evaluatie): aannamen grondig beproeven, statistisch onderscheidingsvermogen controleren, controleproeven voorstellen en waarschijnlijke vormen van falen markeren.
  • Tool-creatie (zoeken + ontwikkelen): wanneer in 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 het Fysieke Laboratorium – AI Met “Ogen” (XR-bril) en “Handen” (Robotica)

Het fysieke (natte) laboratorium 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:

  • Automatische registratie en documentatie: acties, tijdstempels, instrument-instellingen en afwijkingen automatisch vastleggen, zodat documentatie niet achteraf hoeft te worden gereconstrueerd.
  • Kennisvastlegging voor snelle, reproduceerbare uitvoering: runs omzetten in gestructureerde, doorzoekbare artefacten (protocol-versies, parametersets, QC-uitkomsten) afgestemd op data-stewardship-principes zoals FAIR.
  • Realtimebegeleiding met beeld- en taalmodellen via XR-bril: gebruik multimodale modellen om de scène te interpreteren (wat de operator doet, welk reagens in de hand is) en bied stapsgewijze begeleiding en veiligheidscontroles. AR/XR heeft al waarde aangetoond in fysieke workflows met grote gevolgen zoals experimentele begeleiding (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 livestreaming via slimme brillen en de interactie tussen mensen en AI in LabOS zijn belangrijke ondersteunende 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 hechtere interfacelaag voor mensen, 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 het fysieke laboratorium. De reden is zelden één enkele bug. Het is meestal een mismatch tussen de model-aannamen en de werkelijkheid in het laboratorium.

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 dichten van deze hiaten gaat minder over het uitvinden van een nieuwe neurale netwerk-architectuur, maar meer over het bouwen van de instrumentatie, interfaces en data-contracten die het laboratorium begrijpelijk maken voor machines en AI in staat stellen mensen te zien en met hen samen te werken.

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

Agentgestuurde AI in ontdekkingsonderzoek introduceert niet alleen bekende zorgen over nauwkeurigheid. Het introduceert nieuwe vormen van falen omdat het kan handelen. In een lab, betekent actie het risico op verspilling, schade of misleidende conclusies, vooral wanneer experimenten bijdragen aan klinische hypothesen.

Een nuttige mindset is om een AI-geactiveerd lab-stack te behandelen als een sociotechnisch systeem waarvan de betrouwbaarheid moet worden gewaarborgd. Verschillende bestaande kaders helpen, maar ze moeten worden vertaald in de werkelijkheid van het laboratorium:

  • Risicobeheer als een continue praktijk: NIST’s AI-risicobeheer-kader (AI RMF 1.0) biedt een praktische woordenschat voor het in kaart brengen, 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 hoe “goede praktijk” eruitziet wanneer AI patiëntzorg beïnvloedt.

Voor gen-editing en andere domeinen met verstrekkende gevolgen, 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-onderzoekspartners voor Wetenschappelijke Ontdekking

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

  • Standaard vastgelegde herkomst: 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 beheerste functieafbouw: 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 kwaliteitscontroles bevatten voordat conclusies terugvloeien naar de AI-modellen/agenten in de digitale wereld.
  • Beveiliging en dual-use-bewustzijn: lab-infrastructuur beschermen tegen manipulatie.

Versterk mensen overal: kunnen AI-onderzoekspartners kansen gelijktrekken?

Een van de meest overtuigende beloften van een AI-XR “onderzoekspartner” is niet alleen snelheid voor elite-instituten, maar toegankelijkheid voor iedereen. Overweeg wat momenteel kleinere labs, startups en klinieken in afgelegen gebieden, op het platteland en in de regio beperkt:

  • Beperkte toegang tot gespecialiseerde expertise voor gouden standaard-protocollen en instrumenten.
  • Hogere relatieve kosten van training, fouten en herstelwerk.
  • Versnipperde hulpmiddelen: notitieboeken, spreadsheets, instrument-logboeken en analyse-scripts sluiten zelden naadloos op elkaar aan.

Een systeem dat via een XR-bril de uitvoering in de juiste context begeleidt, automatisch vastlegt wat er gebeurde en op basis van eerdere proeven de beste volgende stap voorstelt, zou de reproduceerbaarheid van geavanceerde bepalingen op verschillende locaties kunnen verbeteren. In principe zou het ook gedistribueerd klinisch onderzoek kunnen ondersteunen waar protocollen consistent moeten worden uitgevoerd, zelfs wanneer middelen variëren.

Tijdlijn: Wanneer Krijgt Elke Wetenschapper en Klinicus een onderzoekspartner?

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

  1. Nabije 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. Middellange termijn (1-2 jaar): Systemen voor gezamenlijke uitvoering in het lab: begeleiding via een XR-bril, geautomatiseerde documentatie en selectieve robotica voor stappen met veel variatie. Vertrouwen zal afhangen van audit-trails en een ontwerp waarin de mens nauw bij de besluitvorming betrokken blijft.
  3. Langere termijn (3+ jaar): Domeinoverstijgende onderzoekspartners die ontdekking verbinden met toepassing: lab-data koppelen aan klinische eindpunten, veiligheidssignalen 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, waarin intentie, uitvoering en bewijs zijn verbonden van begin tot eind? Als we deze systemen goed bouwen, kunnen ze helpen bij het oplossen van de kloof tussen onderzoek en toepassing die biomedische wetenschap en veel natuurwetenschappelijke disciplines, zoals materiaalkunde, 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 omvatten (zoals de LabSuperVision-benchmark in LabOS), en starten met implementatie in de echte wereld die innovatie stimuleert 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.

Aanbevolen literatuur en bronnen

Le Cong, PhD, is universitair hoofddocent pathologie en genetica aan de Stanford University, waar zijn groep genoomtechniek die vanaf de basis voor AI is ontworpen en AI-XR-robotsystemen ontwikkelt die digitale-lab redenering verbinden met fysieke-lab uitvoering, om mensen te empoweren in wetenschappelijke ontdekking.