Liderzy opinii
Od kodu do leczenia: kolejna rewolucja AI potrzebuje rąk i oczu

Kluczowe punktyLabOS łączy cyfrowe planowanie AI z fizycznym wykonywaniem w laboratorium za pomocą…
Zobacz więcej
- LabOS łączy cyfrowe planowanie AI z fizycznym wykonywaniem w laboratorium za pomocą okularów XR i robotyki.
- Ponad 70% naukowców nie potrafi odtworzyć eksperymentów z powodu luki w rejestrowaniu wiedzy, a nie luki w odkryciach.
- Współnaukowcy AI muszą uwzględniać pochodzenie danych i ograniczoną autonomię, aby zapobiegać szkodom w laboratoriach biomedycznych.
Jak systemy agentowe, okulary XR i robotyka będą wspierać ludzi, a nie ich zastępować
Przeżywamy paradoks w sztucznej inteligencji.
Na ekranach AI jest nadludzka. Duże modele językowe piszą funkcjonalny kod Pythona w sekundy. Systemy generatywne produkują fotorealistyczne obrazy i filmy w minutach. Systemy nagrodzone Noblem, takie jak AlphaFold, przewidziały struktury prawie wszystkich znanych białek. Zwycięstwa cyfrowe się kumulują.
Jednak w fizycznym świecie badań biomedycznych proces odkrycia pozostaje boleśnie ręczny. Nie czujemy, że AI przyspiesza naukę czy medycynę, przynajmniej jeszcze nie. Liczby ujawniają głębię problemu. Pionierskie badanie Nature, przeprowadzone na ponad 1500 naukowcach, wykazało, że ponad 70% próbowało odtworzyć eksperymenty innych badaczy, ale bez powodzenia. Co gorsza: ponad połowa nie mogła powtórzyć własnej pracy. W biologii raka konkretnie, ośmioletni projekt badania odtwarzalności wykazał, że tylko 40% wyników o wysokim wpływie mogło być powtórzone i 68% eksperymentów nie miało wystarczającej dokumentacji, aby nawet spróbować powtórzenia.
To jest brudny sekret nowoczesnej nauki: mamy problem przechwytywania wiedzy, a nie tylko problem odkrycia. Krytyczne szczegóły eksperymentalne żyją w głowach badaczy, a nie w artykułach. Protokoły dryfują. Wiedza niejawna wychodzi za drzwi, gdy stażyści kończą studia. Systemy AI szkolone na literaturze publikowanej dziedziczą wszystkie te luki.
Podstawowy problem polega na tym, że podczas gdy AI może zaprojektować nowe białko do terapii raka w symulacji cyfrowej, nie może podnieść pipety, aby to przetestować. Nie potrafi radzić sobie w chaotycznej i nieprzewidywalnej rzeczywistości laboratorium mokrego, aby zwalidować swoją własną hipotezę. Nie może obserwować rąk doświadczonego naukowca i nauczyć się subtelnych technik, które sprawiają, że eksperymenty działają.
Ta “luka wykonawcza” jest największym pojedynczym wąskim gardłem, które uniemożliwia przekształcenie rewolucji AI w rewolucję medyczną. Podczas gdy większość firm robotycznych jest zajęta nauczaniem maszyn, jak składać pranie lub ładować zmywarkę, pozostają one w tyle pod względem prawdziwie transformacyjnych możliwości tych postępów w dziedzinach takich jak medycyna.
Aby rozwiązać ten problem, musimy wyjść poza czatboty i w kierunku AI współnaukowców, systemów agentowych, które łączą świat cyfrowy i fizyczny, przechodząc poza planowanie i kodowanie, aż do realizacji w świecie rzeczywistym. Na Stanfordzie rozwijamy LabOS, cyfrowo-fizyczny framework AI, który demonstruje, jak agenci AI, inteligentne okulary rzeczywistości rozszerzonej (XR) i robotyka współpracująca mogą się połączyć, aby zamknąć tę pętlę, przekształcając eksperymenty naukowe w rozmowę między człowiekiem a maszyną, a jednocześnie automatycznie przechwytując wiedzę, która obecnie ginie.
Wielki Podział: Dlaczego AI potrzebuje “oczu” i “rąk”
Wiele z najbardziej widocznych zwycięstw AI miało miejsce tam, gdzie środowisko jest w pełni cyfrowe: repozytoria kodu, starannie dobrane zestawy danych lub symulowane benchmarki (gdzie AI konkurowało, aby prowadzić wirtualny biznes lub inwestować cyfrowo w akcje).
Laboratoria mokre są inne. Biologia i ogólnie odkrycia naukowe są procesem o dużym poziomie szumu i zmienności. Instrumenty dryfują, operatorzy improwizują, a “protokół” często żyje częściowo w głowach ludzi. Różnica między czystym wynikiem a nieudanym przebiegiem może być kątem pipetowania, wzorcem wirowania, substytucją odczynnika lub inkubacją, która trwała 10 minut dłużej. Te kontekstowe szczegóły rzadko trafiają do artykułu i są dokładnie tym, czego potrzebuje model AI, aby uogólnić poza zestawem danych.
Dlatego AI laboratoryjne potrzebuje oczu (aby postrzegać, co się dzieje w kontekście), rąk (aby standaryzować i bezpiecznie automatyzować kroki o wysokiej zmienności) i pamięci (aby zapisać, co się naprawdę stało). Bez tych możliwości modele mogą polecać, co zrobić, ale nie mogą wiarygodnie przetłumaczyć zaleceń na zwalidowaną fizyczną realizację lub wyjaśnić niepowodzenia, gdy rzeczywistość odbiega od planu.
Poza czatbotami: Od współpilotów do współnaukowców
Termin “AI agentowa” jest czasem używany luźno. W ustawieniach biomedycznych powinien oznaczać coś precyzyjnego: system, który może wziąć cel (na przykład “zoptymalizuj wydajność edycji genów CRISPR, minimalizując edycje poza miejscami docelowymi”), rozłożyć go na sekwencję zadań, wykonać te zadania za pomocą narzędzi, ocenić wyniki i dostosować plan w ramach ograniczeń, podejmując decyzje możliwe do audytu.
To ma znaczenie, ponieważ badawcze przepływy pracy nie są jednym wywołaniem modelu. Są to całościowe potoki przetwarzania, które obejmują formułowanie hipotez, projektowanie eksperymentów, przetwarzanie danych, testy statystyczne i interpretację. Nowsze podejścia do odkrywania leków zaczęły podkreślać systemy agentowe, które mogą skalować te potoki, a nie tylko przyspieszać poszczególne kroki (na przykład dyskusja Unite.AI na temat agentów w odkryciu małocząsteczkowych leków).
W inżynierii oprogramowania już widzieliśmy wczesne dowody empiryczne, że AI współpiloci mogą zwiększyć wydajność programistów. W biomedycynie analogiczna okazja nie polega tylko na pisaniu kodu, ale na pisaniu i walidacji protokołów, strukturyzacji danych, monitorowaniu realizacji i zamykaniu pętli między predykcją a pomiarem, łącząc AI z naukowcami w laboratoriach.
LabOS: Kiedy AI działa na systemie operacyjnym dla laboratoriów jutra
W naszej pracy na Stanfordzie nad AI4Science, obejmującej asystentów edycji genów takich jak CRISPR-GPT i systemy współwykonywania AI-XR takie jak LabOS, które pomagają naukowcom w laboratoriach biomedycznych i materiałowych, badaliśmy zmianę architektoniczną:
1. Projektowanie całościowego “systemu operacyjnego laboratorium”, który łączy laboratorium cyfrowe (suche) z laboratorium fizycznym (mokrym).
Założenie jest proste: jeśli notatnik laboratoryjny jest pamięcią nauki, to system operacyjny laboratorium powinien być warstwą wykonawczą, przechwytującą intencję, przekładając ją na działania, obserwując wyniki i zmieniając każdy przebieg w uporządkowaną wiedzę.

Rysunek. Schemat koncepcyjny LabOS łączący samodoskonalącą się pętlę laboratorium cyfrowego (planowanie, kodowanie, krytyczna ocena, tworzenie narzędzi) z pętlą człowiek–AI w laboratorium mokrym (automatyczna dokumentacja, utrwalanie wiedzy, wskazówki XR i integracja robotów).
2. AI w laboratorium cyfrowym – Samoewoluujące planowanie i tworzenie narzędzi
W laboratorium cyfrowym (suchym) możemy pozwolić AI zrobić to, co już dobrze robi: wyszukiwać, syntetyzować i proponować. Chcemy również, aby było samodoskonalące się. Nie przez “halucynowanie nowej nauki”, ale przez uczenie się lepszych narzędzi i przepływów pracy z informacji zwrotnych.
Praktyczna pętla laboratoryjna cyfrowa może być ujęta w cztery powtarzające się etapy:
- Planowanie (hipoteza + projekt): proponuj hipotezy, wybierz zmienne eksperymentalne, przewiduj czynniki zakłócające i określ mierniki.
- Kodowanie (implementacja): generuj lub adaptuj skrypty analizy, potoki symulacji i szablony kontroli instrumentów tam, gdzie stosowne.
- Agent krytyczny (rozumowanie + ocena): testuj założenia, sprawdzaj moc statystyczną, proponuj próby kontrolne i flaguj prawdopodobne tryby niepowodzenia.
- Tworzenie narzędzi (wyszukiwanie + rozwój): gdy w przepływie pracy brakuje składnika (parser, rutyna QC, pulpit), zbuduj go i dodaj go z powrotem do zestawu narzędzi.
3. AI w laboratorium fizycznym – AI z “oczyma” (okulary XR) i “rękoma” (robotyka)
Laboratorium fizyczne (mokre) to miejsce, gdzie system albo zyskuje zaufanie – albo je traci. Celem jest nie zastąpienie naukowca, ale zmniejszenie tarcia i błędu, a także zwiększenie obserwowalności.
Widzimy pętlę laboratoryjną fizyczną jako cztery komplementarne możliwości:
- Auto-rejestracja i dokumentacja: przechwytywaj działania, znaczniki czasu, ustawienia instrumentów i odchylenia automatycznie, aby dokumentacji nie pozostawiano na później.
- Przechwytywanie wiedzy dla szybkiej, powtarzalnej realizacji: przekształcaj przebiegi eksperymentów w uporządkowane artefakty umożliwiające zadawanie zapytań (wersje protokołu, zestawy parametrów, wyniki QC) zgodne z zasadami odpowiedzialnego zarządzania danymi, takimi jak FAIR.
- Pomoc łącząca obraz i język w czasie rzeczywistym za pomocą okularów XR: używaj modeli multimodalnych, aby zinterpretować scenę (co operator robi, jaki odczynnik jest w ręku) i zapewniać wskazówki krok po kroku i kontrole bezpieczeństwa. AR/XR już wykazała wartość w fizycznych procesach o poważnych konsekwencjach, takich jak eksperymentalne prowadzenie (LabOS, Stanford, Princeton, we współpracy z NVIDIA).
- Integracja cobota/robotyki dla zautomatyzowania: standaryzuj powtarzalne kroki, umożliwiaj bezpieczne przekazywanie i zmniejszaj zmienność. Platformy dla workflow symulacji-do-świata rzeczywistego (np. NVIDIA Isaac) i przetwarzanie AI w czasie rzeczywistym na krawędzi, takie jak transmisja strumieniowa okularów inteligentnych i interakcja człowiek-AI w LabOS, są ważnymi warstwami umożliwiającymi.
Ta architektura jest zgodna z szerszym kierunkiem w dziedzinie: “samosterujące” lub autonomiczne laboratoria, które łączą automatyzację z uczeniem maszynowym, aby zaplanować następny eksperyment. To, co LabOS dodaje, to ciaśniejsza warstwa interfejsu ludzkiego, aby autonomia nie szła kosztem przejrzystości.
Dlaczego AI laboratoryjne nie jest po prostu “AI na zestawie danych”
Systemy AI dla superinteligencji biomedycznej/naukowej często wyglądają imponująco w retrospektywnej ocenie lub podczas egzaminów, a potem nie radzą sobie w laboratorium fizycznym. Powodem jest rzadko pojedynczy błąd. Jest to zwykle niezgodność między założeniami modelu a rzeczywistością laboratorium.
Trzy luki pojawiają się powtarzalnie:
- Luka kontekstowa: zestawy danych zwykle pomijają zmienne kontekstowe, które operatorzy wiedzą, że mają znaczenie (odchylenia temperatury, numery partii odczynników, subtelne odchylenia od protokołu).
- Luka akcji: wiele systemów AI może polecać, co zrobić, ale nie może wiarygodnie przetłumaczyć tej rekomendacji na zwalidowaną fizyczną realizację.
- Luka sprzężenia zwrotnego: bez strukturalnego, wysokiej jakości sprzężenia zwrotnego z realizacji, modele nie mogą się uczyć, gdzie zawodzą – i naukowcy nie mogą audytować, dlaczego.
Zamknięcie tych luk jest mniej związane z wymyśleniem nowej architektury sieci neuronowej, a bardziej z budowaniem instrumentacji, interfejsów i umów dotyczących danych, które sprawiają, że laboratorium jest czytelne dla maszyn, i pozwalają AI widzieć i pracować z ludźmi.
Zaufanie przez projekt: Bezpieczeństwo i zarządzanie AI, które może działać
Agentowa AI w badaniach odkrywczych nie tylko budzi znane obawy dotyczące dokładności. Wprowadza nowe rodzaje błędów, ponieważ może działać. W laboratorium działanie oznacza potencjał dla marnotrawstwa, szkody lub mylących wniosków, szczególnie gdy eksperymenty wpływają na hipotezy kliniczne.
Przydatna mentalność polega na traktowaniu stosu technologicznego laboratorium wyposażonego w AI jako systemu socjotechnicznego, którego niezawodność trzeba zapewnić. Kilka istniejących ram pomaga, ale muszą być przetłumaczone na rzeczywistość laboratoryjną:
- Zarządzanie ryzykiem jako ciągła praktyka: ramy zarządzania ryzykiem AI NIST (AI RMF 1.0) dostarczają praktycznego słownictwa do mapowania, pomiaru i zarządzania ryzykiem AI w całym cyklu życia.
- Zgodność regulacyjna AI powiązanej z medycyną: praca FDA nad oprogramowaniem AI/ML jako wyrobem medycznym (SaMD), w tym Plan działania i powiązane wytyczne, oferuje konkretny obraz tego, jak wygląda “dobra praktyka”, gdy AI wpływa na opiekę nad pacjentem.
Dla domen o wysokich konsekwencjach, takich jak edycja genów, zarządzanie jest już globalną dyskusją. Dyskutuje się zalecenia dotyczące edycji ludzkiego genomu, aby podkreślić potrzebę odpowiednich mechanizmów nadzoru i odpowiedzialnego zarządzania, takich jak te przedstawione przez Amerykańskie Stowarzyszenie Terapii Komórkowej i Genowej, lub ASGCT. Systemy takie jak LabOS powinny być zaprojektowane tak, aby ułatwić zgodność, a nie utrudniać ją.
Lista kontrolna: Kontrole dla bezpiecznych AI współnaukowców dla odkryć naukowych
W naszej opinii, system operacyjny laboratorium uwzględniający bezpieczeństwo powinien wdrożyć co najmniej następujące rozwiązania:
- Pochodzenie domyślnie: każdy zestaw danych, wersja protokołu i dane wyjściowe modelu powinny być śledzone do wejść i znaczników czasu.
- Autonomia ograniczona: system powinien mieć jawne uprawnienia (co może zrobić bez potwierdzenia) i reguły eskalacji (kiedy musi poprosić).
- Możliwość przejęcia kontroli przez człowieka i kontrolowane ograniczanie funkcji: gdy sensory lub strumienie danych zawodzą, lub niepewność jest wysoka, system powinien wrócić do bezpieczniejszego, prostszego trybu.
- Ciągła walidacja: przewidywania in-silico powinny być sparowane z walidacją laboratoryjną; przebiegi eksperymentów laboratoryjnych powinny obejmować bramki kontroli jakości, zanim wnioski wrócą do modeli i agentów AI w świecie cyfrowym.
- Bezpieczeństwo i świadomość podwójnego użytku: chronić infrastrukturę laboratoryjną przed manipulacjami.
Wzmocnij ludzi wszędzie: Czy AI współnaukowcy mogą wyrównać pole gry?
Jedną z najbardziej obiecujących możliwości współbadacza AI-XR jest nie tylko szybkość pracy elitarnych instytucji, lecz także dostępność dla wszystkich. Rozważ, co obecnie ogranicza mniejsze laboratoria, startupy i oddalone/ wiejskie/ regionalne kliniki:
- Ograniczony dostęp do specjalistycznej ekspertyzy dla złotych standardów protokołów i instrumentów.
- Wyższy względny koszt szkolenia, błędów i przeróbek.
- Fragmentaryzacja narzędzi: notatniki, arkusze kalkulacyjne, dzienniki instrumentów i skrypty analizy rzadko łączą się płynnie.
System, który może prowadzić wykonanie w kontekście (za pomocą okularów XR), przechwytywać to, co się stało automatycznie, i sugerować następny najlepszy krok na podstawie poprzednich przebiegów, mógłby uczynić zaawansowane testy bardziej powtarzalnymi w różnych miejscach. Zasadniczo mógłby również wspierać rozproszone badania kliniczne, gdzie protokoły muszą być wykonywane spójnie, nawet gdy zasoby się różnią.
Terminarz: Kiedy każdy naukowiec i klinicysta otrzyma współnaukowca?
Krótko mówiąc, jesteśmy bliżej niż wielu myśli dla niektórych wysoko-wartościowych, wysoko-częstotliwościowych zadań (takich jak niezawodne wytwarzanie leku w laboratorium) i dalej niż większość demo sugeruje dla innych (takich jak AI całkowicie rozwiązuje duże problemy, takie jak rak lub choroba Alzheimera). Realistyczna mapa drogowa wygląda tak:
- Bliski termin (w ciągu 1 roku): Asystenci przepływu pracy, którzy zmniejszają obciążenie administracyjne: projektowanie protokołu, synteza literatury, szablony analizy i automatyczne raporty QC. Czynnikiem ograniczającym jest integracja, a nie zdolność modelu.
- Średni termin (1-2 lata): Systemy współwykonywania w laboratorium: wskazówki przez okulary XR, automatyczna dokumentacja i selektywnie stosowana robotyka dla kroków o wysokiej zmienności. Zaufanie będzie zależało od śladów audytowych i ścisłego projektu z ludźmi w pętli.
- Dłuższy termin (3+ lata): Współbadacze międzydomenowi, którzy łączą odkrycia z translacją: łącząc dane laboratoryjne z klinicznymi punktami końcowymi, monitorując sygnały bezpieczeństwa i pomagając w projektowaniu badań – przy jednoczesnym przestrzeganiu oczekiwań regulacyjnych i etycznych.
Od kodu do leczenia: Ścieżka do 1000-krotnego odkrycia naukowego
LabOS jest jedną z prób odpowiedzi na proste pytanie: co, gdyby eksperyment mógł być prowadzony jako rozmowa, gdzie intencja, wykonanie i dowody są połączone od końca do końca? Jeśli zbudujemy te systemy dobrze, mogą pomóc w rozwiązaniu luki translacyjnej, która spowalnia biomedycynę i wiele dziedzin nauki fizycznej (np. nauka o materiałach). Jeśli zbudujemy je źle, pogłębią problemy z odtwarzalnością wyników i stworzą nowe ryzyka bezpieczeństwa.
Najważniejsza praca w najbliższych latach będzie podstawowa: standardowe interfejsy danych i urządzeń za pomocą budowy systemu operacyjnego (podobnie jak iOS uruchamia wszystkie typy aplikacji), budowanie benchmarków AI, które obejmują wykonanie i niepewność (jak benchmark LabSuperVision w LabOS), i rozpoczynanie wdrożenia w świecie rzeczywistym, które zachęcają do innowacji, chroniąc jednocześnie pacjentów i integralność badań.
Dla badaczy i klinicystów pytanie nie brzmi, czy AI wejdzie do laboratorium. Już tam jest. Pytanie brzmi, czy będziemy integrować je jako zbiór niepołączonych narzędzi czy jako godny zaufania, audytowalny system zaprojektowany dla realiów nauki biomedycznej.
Zalecana lektura i źródła
- Badanie powtórzenia (Nature, 2016): https://www.nature.com/articles/533452a
- Artykuł recenzowany CRISPR-GPT (Nature Biomedical Engineering): https://www.nature.com/articles/s41551-025-01463-z
- Wiadomości Stanford Medicine o CRISPR-GPT (2025): https://med.stanford.edu/news/all-news/2025/09/ai-crispr-gene-therapy.html
- Wstępny artykuł LabOS (arXiv): https://arxiv.org/abs/2510.14861
- Strona internetowa LabOS i benchmarku LabSuperVision: https://ai4lab.stanford.edu
- Ramy zarządzania ryzykiem AI NIST (AI RMF 1.0): https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
- Przegląd FDA dotyczący oprogramowania AI/ML jako urządzenia medycznego: https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-software-medical-device
- Zasady danych FAIR (Scientific Data, 2016): https://doi.org/10.1038/sdata.2016.18
- Unite.AI o wąskich gardłach w odkryciu leków małocząsteczkowych: https://www.unite.ai/how-ai-is-breaking-down-the-bottlenecks-in-small-molecule-drug-discovery/
- Unite.AI o AI i chirurgii robotycznej: https://www.unite.ai/how-ai-is-ushering-in-a-new-era-of-robotic-surgery/












