Tankeledere

Fra kode til kur: Den neste AI-revolusjonen trenger en hånd (og øyne)

mm
Publisert
Oppdatert
Legg til Unite.AI blant dine foretrukne kilder på Google
A diverse female scientist in smart glasses works alongside a sophisticated dual-arm robotic lab system in a futuristic wet lab.

Hvordan agensystemer, XR-smartglass og robotikk vil gi mennesker mer makt – ikke erstatte dem

Vi lever i en paradoks innen kunstig intelligens.

På skjermene er AI overmenneskelig. Store språkmodeller skriver funksjonsdyktig Python-kode på sekunder. Generative systemer produserer fotorealistiske bilder og videoer på minutter. Nobel-vinnende systemer som AlphaFold har forutsagt strukturen til nesten alle kjente proteiner. De digitale seirene hopper opp.

Men i den fysiske verden av biomedisinsk forskning er prosessen med å oppdage nye ting fortsatt meget manuell. Vi føler ikke at AI akselerer vitenskap eller medisin, i alle fall ikke ennå. Tallene avslører dybden av problemet. En landemerke-undersøkelse i Nature av over 1,500 forskere fant ut at over 70% har prøvd og feilet å gjenta en annen forskers eksperimenter. Enda mer foruroligende: over halvparten kunne ikke gjenta sitt eget arbeid. I kreftbiologi spesifikt fant en åtte-års reproduksjonsprosjekt ut at bare 40% av høy-impakt funn kunne replikeres og 68% av eksperimentene manglet tilstrekkelig dokumentasjon for å kunne forsøke å replikere dem.

Dette er den skitne hemmeligheten til moderne vitenskap: vi har et kunnskapskapningsproblem, ikke bare et oppdagelsesproblem. Kritiske eksperimentelle detaljer bor i forskernes hoder, ikke i papirer. Protokoller glir. Uutalte kunnskaper går ut døren når studenter tar eksamen. AI-systemer trenet på publisert litteratur arver alle disse gapene.

Det grunnleggende problemet er at mens en AI kan designe et nytt protein for kreftbehandling i en digital simulering, kan den ikke plukke opp en pipette for å teste det. Den kan ikke navigere i den uforutsigbare virkeligheten i et våt laboratorium for å validere sin egen hypotese. Den kan ikke se en erfaren forskers hender og lære de subtile teknikker som gjør at eksperimentene fungerer.

Dette “utførelsesgapet” er den største flaskehalsen som forhindrer AI-revolusjonen fra å bli en medisinsk revolusjon. Mens de fleste robotikk-selskapene fortsatt er opptatt av å lære maskiner å foldere vaskeklær eller laste oppvaskmaskiner, er de på etterkant med de virkelig transformative evnene til disse fremgangene i felt som medisin.

For å løse dette, må vi gå utenfor chatboter og mot AI-samarbeidspartnere, agenssystemer som broer den digitale og den fysiske verden, og går utenfor planlegging og kodning og inn i virkelig utførelse. Ved Stanford utvikler vi LabOS, et digitalt-fysisk AI-rammeverk som demonstrerer hvordan AI-agenter, XR-smartglass og samarbeidende robotikk kan forenes for å lukke denne løkken, og omforme vitenskapelige eksperimenter til en samarbeidende samtale mellom menneske og maskin, samtidig som den automatisk fanger kunnskapen som nå går tapt.

Den store skillelinjen: Hvorfor AI trenger “øyne” og “hender”

Mange av de mest synlige AI-seirene har skjedd der miljøet er fullstendig digitalt: kode-repositorier, kurerte datasett eller simuleringsbenchmark (der AI konkurranse for å kjøre et virtuelt firma eller digitalt investere i aksjer).

Våtlaboratorier er forskjellige. Biologi, og generelt vitenskapelig oppdagelse, er en veldig støyende prosess. Instrumenter glir, operatører improviserer, og “protokollen” ofte bor delvis i folks hoder. Forskjellen mellom et rent resultat og et feilet løp kan være en pipetteringsvinkel, en vortexmønster, en reagenssubstitusjon eller en inkubasjon som varte 10 minutter for lenge. Disse kontekstuelle detaljene sjelden kommer inn i en artikkel og de er akkurat det en AI-modell trenger hvis den skal generalisere utenfor et dataset.

Det er derfor lab-grad AI trenger øyne (for å percipere hva som skjer i kontekst), hender (for å standardisere og automatisere høy-variansetrinn), og minne (for å registrere hva som faktisk skjedde). Uten disse evnene kan modeller anbefale hva som skal gjøres, men de kan ikke pålitelig oversette anbefalinger til validert fysisk utførelse eller forklare feil når virkeligheten avviker fra planen.

Ut over chatboter: Fra copiloter til co-vitenskapsmenn

Begrepet “agens AI” brukes av og til løst. I biomedisinske settinger bør det bety noe presist: et system som kan ta et mål (for eksempel “optimalisere CRISPR-geneeditingseffektivitet samtidig som minimere utenfor-mål”), bryte det ned i en sekvens av oppgaver, utføre disse oppgavene over verktøy, evaluere resultater og tilpasse planen under begrensninger og med auditablet beslutningstaking.

Dette betyr noe fordi forskningsarbeidsflyter ikke er ett enkelt modellkall. De er end-to-end-pipelines som spenner over hypotesformulering, eksperimentell design, data-behandling, statistisk testing og tolkning. Nytenkning i legemiddelforskning har startet å betone agenssystemer som kan skalerer disse pipelinene snarere enn bare akselerere enkelttrinn (for eksempel Unite.AIs diskusjon om agenter i small-molecule-opdagelse).

I programvareutvikling har vi allerede sett tidlige empiriske bevis for at AI-copiloter kan øke utviklerens gjennomstrømming. I biomedisin er den analoge muligheten ikke bare å skrive kode, men å skrive og validere protokoller, strukturere data, overvåke utførelse og lukke løkken mellom prediksjon og måling, og koble AI til menneskelige forskere i laboratorier.

LabOS: Når AI kjører på et operativsystem for laboratorier i morgen

I vårt arbeid ved Stanford på AI4Science, som spenner over gen-redigering-copiloter som CRISPR-GPT og AI-XR co-execution systems som LabOS som hjelper forskere i biomedisinske og materialvitenskapelige laboratorier, har vi vært opptatt av en arkitektonisk skift:

1. Designe et end-to-end “laboratorium-operativsystem” som kobler en digital (tørr) laboratorium til et fysisk (våt) laboratorium.

Premissen er enkel: hvis en laboratoriebok er minnet til vitenskapen, så bør et laboratorium-OS være utførelseslaget, fange intensjon, oversette det til handlinger, observere resultater og gjøre hver løp til strukturert kunnskap.

Figur. En konseptuell visning av LabOS som kobler en selv-utviklende digital laboratorie-løkke (planlegging, kodning, kritikk, verktøy-oppbygging) med en menneske-AI våtlaboratorie-løkke (auto-dokumentasjon, kunnskapsfang, XR-veiledning og robot-integrasjon).

2. AI i det digitale laboratoriet – Selv-utviklende planlegging og verktøy-oppbygging

I det digitale (tørre) laboratoriet kan vi la AI gjøre hva det allerede gjør bra: søke, syntetisere og foreslå. Men vi ønsker også at det skal være selv-forbedrende. Ikke ved å “hallusinere ny vitenskap”, men ved å lære bedre verktøy og arbeidsflyter fra tilbakemeldinger.

En praktisk digital laboratorie-løkke kan ramme fire gjentakende faser:

  • Planlegging (hypotese + design): foreslå hypoteser, velge eksperimentelle variabler, forutse konfoundere og spesifisere målbare sluttpunkter.
  • Kodning (implementering): generere eller tilpasse analyse-skript, simulerings-pipelines og instrument-kontroll-maler hvor passende.
  • Kritikk-agent (resonnering + evaluering): stress-teste antagelser, sjekke statistisk kraft, foreslå kontroller og flagge sannsynlige feilmodi.
  • Verktøy-oppbygging (søke + utvikle): når arbeidsflyten mangler en komponent (en parser, en QC-rutine, en dashboard), bygge det og legge det tilbake til verktøy-samlingen.

3. AI i det fysiske laboratoriet – AI med “øyne” (XR-briller) og “hender” (robotikk)

Det fysiske (våte) laboratoriet er der systemet enten tjener tillit – eller mister den. Målet er ikke å erstatte forskeren, men å redusere friksjon og feil samtidig som det øker observasjonsevnen.

Vi ser på det fysiske laboratorie-løkken som fire komplementære evner:

  • Auto-registrering og dokumentasjon: fange handlinger, tidsstempel, instrument-innstillinger og avvik automatisk, så dokumentasjon ikke er en ettertanke.
  • Kunnskapsfang for rask, reproduserbar utførelse: konvertere løp til strukturerte, spørbar-arter (protokoll-versjoner, parameter-samlinger, QC-utfall) i samsvar med data-forvaltnings-prinsipper som FAIR.
  • Sanntids visuelt-språklig veiledning via XR-briller: bruke multimodale modeller til å tolke scenen (hva operatøren gjør, hvilken reagens som er i hånden) og gi steg-for-steg-veiledning og sikkerhetskontroller. AR/XR har allerede demonstrert verdi i høy-stakes fysiske arbeidsflyter som eksperimentell veiledning (LabOS, Stanford, Princeton, i samarbeid med NVIDIA).
  • Cobot/robot-integrasjon for automatisering: standardisere repetitive trinn, muliggjøre trygge overleveringer og redusere variasjon. Plattformer for simulering-til-virkelighets-arbeidsflyter (for eksempel NVIDIA Isaac) og sanntids AI-prosessering på kanten som smart-glass direkteoverføring og menneske-AI-interaksjon i LabOS er viktige aktiveringslag.

Dette arkitekturen er i samsvar med en bredere retning i feltet: “selv-kjørende” eller autonome laboratorier som kombinerer automatisering med maskinlæring for å planlegge neste eksperiment. Hva LabOS legger til er et tettere menneske-grensesnitt-lag, så autonomi ikke kommer på bekostning av gjennomsiktighet.

Hvorfor lab-grad AI ikke bare er “AI på et datasett”

AI-systemer for biomedisinsk/superintelligens ofte ser imponerende ut i retrospektiv evaluering eller når de tar eksamener, og så underpresterer i det fysiske laboratoriet. Årsaken er sjelden en enkelt feil. Det er vanligvis en mismatch mellom modellens antagelser og laboratoriets virkelighet.

Tre gap dukker opp gjentakende:

  • Kontekst-gap: datasett typisk utelater kontekstuelle variabler som operatører vet er viktige (temperatur-utflukter, reagens-lot-numre, subtile protokoll-avvik).
  • Handling-gap: mange AI-systemer kan anbefale hva som skal gjøres, men kan ikke pålitelig oversette anbefalingen til validert fysisk handling.
  • Tilbakemeldings-gap: uten strukturert, høykvalitets tilbakemelding fra utførelse, kan modeller ikke lære hvor de feiler – og forskere kan ikke granske hvorfor.

Å lukke disse gapene er mindre om å oppfinne en ny neural nettverksarkitektur, men mer om å bygge instrumentering, grensesnitt og data-kontrakter som gjør laboratoriet lesbar for maskiner, og lar AI se og arbeide med mennesker.

Tillit ved design: Sikkerhet og styring for AI som kan handle

Agens AI i oppdagelsesforskning introduserer ikke bare kjente bekymringer om nøyaktighet. Det introduserer nye feilmodi fordi det kan handle. I et laboratorium betyr handling potensialet for avfall, skade eller misvisende konklusjoner, spesielt når eksperimenter går inn i kliniske hypoteser.

En nyttig holdning er å behandle et AI-aktiveringslaboratorium-stakk som et sosio-teknisk system som trenger sikkerhet. Flere eksisterende rammer hjelper, men de må oversettes til laboratorie-virkelighet:

  • Risikostyring som en kontinuerlig praksis: NISTs AI-risikostyringsrammeverk (AI RMF 1.0) gir en praktisk vokabular for å kartlegge, måle og håndtere AI-risiko over hele livssyklusen.
  • Regulerings-sammenfall for medisinsk-tilstøtende AI: FDAs AI/ML-programvare som et medisinsk utstyr (SaMD)-arbeid, inkludert sin handlingsplan og relaterte retningslinjer, tilbyr en konkrete visning av hva “god praksis” ser ut som når AI påvirker pasient-omsorg.

For gen-redigering og andre høy-konsekuens-domener er styring allerede en global samtale. Anbefalinger diskuteres om menneskelig gen-redigering, for å betone behovet for passende tilsynsmekanismer og ansvarlig styring, som de som er fremmet av American Society for Gene and Cell Therapy, eller ASGCT. Systemer som LabOS bør være designet for å gjøre overholdelse enklere, ikke vanskeligere.

Sjekkliste: Kontroller for trygge AI-samarbeidspartnere for vitenskapelig oppdagelse

I vår mening bør et sikkerhets-bevisst laboratorium-OS implementere minst følgende design:

  • Proveniens som standard: hver datasett, protokoll-versjon og modell-utgang bør være sporbar til inndata og tidsstempel.
  • Begrenset autonomi: systemet bør ha eksplisitte tillatelser (hva det kan gjøre uten bekreftelse) og eskalering-regler (når det må spørre).
  • Menneskelig overtakelse og elegant degradering: når sensorer eller data-strømmer feiler, eller usikkerhet er høy, bør systemet falle tilbake til en tryggere, enklere modus.
  • Kontinuerlig validering: in-silico-prediksjoner bør være parret med fysisk-laboratorie-validering; fysisk-laboratorie-løp bør inkludere QC-porter før konklusjoner sprer seg nedstrøms tilbake til AI-modellene/agentene i den digitale verden.
  • Sikkerhet og dobbelt-bruk-bevissthet: beskytte laboratorie-infrastruktur mot manipulasjon.

Makt til mennesker overalt: Kan AI-samarbeidspartnere jevne ut spillere?

En av de mest overbevisende løftene om en AI-XR “samarbeidspartner” er ikke bare hastighet for elite-institusjoner, men tilgjengelighet for alle. Overveur hva som nå begrenser mindre laboratorier, startup-selskaper og fjern/regionale klinikker:

  • Begrenset tilgang til spesialisert ekspertise for gull-standarden-protokoller og instrumenter.
  • Høyere relativ kostnad for opplæring, feil og om-arbeid.
  • Fragmentert verktøy: notatbøker, regneark, instrumentlogger og analyse-skript sjelden kobler sammen reneste.

Et system som kan veilede utførelse i kontekst (gjennom XR-briller), fange hva som skjer automatisk og foreslå neste beste steg basert på tidligere løp, kunne gjøre avanserte analyser mer reproduserbare over steder. I prinsippet kunne det også støtte distribuert klinisk forskning hvor protokoller må utføres konsistent, selv når ressurser varierer.

Tidsplan: Når får hver forsker og kliniker en samarbeidspartner?

Kort sagt er vi nærmere enn mange tror for noen høy-verdi, høy-hyppighet-oppgaver (slik som å produsere et legemiddel pålitelig i laboratoriet) og lengre unna enn de fleste demonstrasjoner antyder for andre (slik som AI som fullstendig løser store problemer som kreft eller Alzheimers). En realistisk tidsplan ser ut således:

  1. Nær fremtid (innen 1 år): Arbeidsflyt-copiloter som reduserer administrativt arbeid: protokoll-utkast, litteratur-syntese, analyse-maler og automatiske QC-rapporter. Begrensningen er integrasjon, ikke modell-kapasitet.
  2. Midt-fremtid (1-2 år): Co-utførelse-systemer i laboratoriet: XR-brille-veiledning, automatisert dokumentasjon og selektiv robotikk for høy-variansetrinn. Tillit vil avhenge av audit-spor og tett menneske-i-løkken-design.
  3. Lengre fremtid (3+ år): Tverr-domene co-forskere som kobler oppdagelse til translasjon: kobler laboratorie-data til kliniske sluttpunkter, overvåker sikkerhetssignaler og hjelper med å designe studier – samtidig som det overholder regulerings- og etiske forventninger.

Fra kode til kur: Veien fremover til 1000x vitenskapelig oppdagelse

LabOS er ett forsøk på å svare på et enkelt spørsmål: hva hvis et eksperiment kunne kjøres som en samtale, hvor intensjon, utførelse og bevis er koblet sammen fra ende til ende? Hvis vi bygger disse systemene godt, kan de hjelpe med å løse gapet som bremser biomedisin og mange fysiske vitenskapsdisipliner (for eksempel materialvitenskap). Hvis vi bygger dem dårlig, vil de forsterke irreproduserbarhet og skape nye sikkerhetsrisiko.

Det viktigste arbeidet de neste årene vil være grunnleggende: standardiserte data- og enhets-grensesnitt via bygging av operativsystemet (mye som iOS kjører alle typer apper), bygging av AI-benchmark som inkluderer utførelse og usikkerhet (som LabSuperVision-benchmarket i LabOS), og starte på utrulling i den virkelige verden som oppmuntrer innovasjon samtidig som det beskytter pasienter og forsknings-integritet.

For forskere og klinikere er spørsmålet ikke om AI kommer inn i laboratoriet. Det har allerede skjedd. Spørsmålet er om vi vil integrere det som en samling av separate verktøy eller som et pålitelig, auditablet system designet for realitetene i biomedisinsk vitenskap.

Forslag til lesing og kilder

mm

Le Cong, PhD, er en assisterende professor i patologi og genetikk ved Stanford University, der hans gruppe utvikler AI-naturlig genomingeniørkunst og AI-XR-robotiske systemer som kobler digital-laboratoriegrunn til fysisk laboratorieutførelse, for å gi mennesker makt i vitenskapelig oppdagelse.