Liderzy opinii

Od kodu do leczenia: Następna rewolucja AI potrzebuje ręki i oczu

mm
Opublikowano
Zaktualizowano
Dodaj Unite.AI do preferowanych źródeł w Google
A diverse female scientist in smart glasses works alongside a sophisticated dual-arm robotic lab system in a futuristic wet lab.

Jak systemy agenty, 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. Nagrodzone systemy, 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 i nie powiodło się w powtórzeniu eksperymentów innych badaczy. Co gorsza: ponad połowa nie mogła powtórzyć własnej pracy. W biologii raka konkretnie, ośmioletni projekt powtórzenia znalazł, 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 może nawigować w nieprzewidywalnej rzeczywistości laboratorium, aby zwalidować swoją własną hipotezę. Nie może obserwować rąk doświadczonego naukowca i nauczyć się subtelnych technik, które sprawiają, że eksperymenty działają.

Ten “lukę wykonawczą” jest największym bottle neckiem, który uniemożliwia rewolucji AI stanie się rewolucją medyczną. Podczas gdy większość firm roboczych jest zajęta nauczaniem maszyn, aby złożyć pranie lub załadować 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 agenty, 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, okulary XR i robotyka współpracują, aby zamknąć tę lukę, 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, 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 bardzo głośnym procesem. 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 zautomatyzować 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 agenty” jest czasem używany luźno. W ustawieniach biomedycznych powinien oznaczać coś precyzyjnego: system, który może wziąć cel (na przykład “zoptymalizuj wydajność edycji genów CRISPR, minimalizując niecelowe”), rozłożyć go na sekwencję zadań, wykonać te zadania za pomocą narzędzi, ocenić wyniki i dostosować plan pod ograniczeniami i z audytowalnym podejmowaniem decyzji.

To ma znaczenie, ponieważ przepływy pracy badawcze nie są jednym wywołaniem modelu. Są to potoki końcowe, które rozciągają się od formułowania hipotez, projektowania eksperymentów, przetwarzania danych, testowania statystycznego i interpretacji. Ostatnie myślenie w odkryciu leków zaczęło podkreślać systemy agenty, 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 współpiloci 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 końcowego “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, tłumacząc ją w działania, obserwując wyniki i zmieniając każdy przebieg w strukturalną wiedzę.

Rysunek. Konceptualny widok LabOS łączący pętle laboratoryjną cyfrową (planowanie, kodowanie, krytyka, tworzenie narzędzi) z pętlą laboratoryjną ludzko-ai (auto-dokumentacja, przechwytywanie wiedzy, okulary XR i integracja robotyczna).

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 samo poprawiające. Nie przez “halucynowanie nowej nauki”, ale przez uczenie się lepszych narzędzi i przepływów pracy z反馈u.

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 kontrole i flaguj prawdopodobne tryby niepowodzenia.
  • Tworzenie narzędzi (wyszukiwanie + rozwój): gdy przepływ 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 dokumentacja nie była pomyślana.
  • Przechwytywanie wiedzy dla szybkiej, powtarzalnej realizacji: przekształćaj przebiegi w strukturalne, zapywalne artefakty (wersje protokołu, zestawy parametrów, wyniki QC) zgodne z zasadami stewardstwa danych, takimi jak FAIR.
  • Wizja-językowa pomoc w czasie rzeczywistym za pomocą okularów XR: używaj modeli multimodalnych, aby zinterpretować scenę (co operator robi, jaki odczynnik jest w ręku) i zapewnić krok-po-kroku wskazówki i kontrole bezpieczeństwa. AR/XR już wykazała wartość w wysokich workflow fizycznych, 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/scientificznej 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 (wycieczki 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

AI agenty w badaniach odkrywczych nie tylko budzą znane obawy dotyczące dokładności. Wprowadzają nowe tryby niepowodzenia, ponieważ mogą działać. W laboratorium działanie oznacza potencjał dla marnotrawstwa, szkody lub mylących wniosków, szczególnie gdy eksperymenty wpływają na hipotezy kliniczne.

Przydatna mentalność polega na traktowaniu AI-wyposażonej sterty laboratoryjnej jako systemu socjotechnicznego, który wymaga pewności. 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.
  • Wydajność regulacyjna dla AI medycznej: praca FDA nad oprogramowaniem AI/ML jako urządzeniem medycznym, w tym Plan działania i powiązane wytyczne, oferuje konkretny widok tego, co “dobra praktyka” wygląda, gdy AI wpływa na opiekę nad pacjentem.

Dla domen o wysokich konsekwencjach, takich jak edycja genów, zarządzanie jest już globalną dyskusją. Zalecenia są dyskutowane w celu podkreślenia potrzeby 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 laboratoryjny ostrożnościowy powinien wdrożyć co najmniej następujące projekty:

  • 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).
  • Przerwanie ludzkie i stopniowa degradacja: 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; laboratoryjne przebiegi powinny zawierać bramki QC przed wnioskami, które przechodzą do przodu z powrotem do modeli/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?

Jedna z najbardziej kuszących obietnic AI-XR “współnaukowca” nie jest tylko prędkość dla elitarnych instytucji, ale 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 czysto.

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:

  1. Bliski termin (w ciągu 1 roku): Współpiloci przepływu pracy, które zmniejszają obciążenie administracyjne: projektowanie protokołu, synteza literatury, szablony analizy i automatyczne raporty QC. Czynnik ograniczający jest integracja, a nie zdolność modelu.
  2. Średni termin (1-2 lata): Systemy współwykonywania w laboratorium: okulary XR, automatyczna dokumentacja i wybrane robotyka dla kroków o wysokiej zmienności. Zaufenie będzie zależało od śladów audytowych i ścisłego projektu z ludźmi w pętli.
  3. 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, zwiększą one niepowtarzalność 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

mm

Le Cong, PhD, jest profesorem nadzwyczajnym Patologii i Genetyki na Uniwersytecie Stanforda, gdzie jego grupa rozwija inżynierię genetyczną opartą na sztucznej inteligencji i systemy AI-XR-robotyczne, które łączą rozumowanie laboratoryjne z cyfrowym wykonaniem, aby umożliwić ludziom odkrycia naukowe.