Líderes de pensamento

Da Código à Cura: A Próxima Revolução de IA Precisa de Mãos (e Olhos)

mm
Publicado em
Atualizado em
Adicione Unite.AI às suas fontes preferidas no Google
A diverse female scientist in smart glasses works alongside a sophisticated dual-arm robotic lab system in a futuristic wet lab.

Como sistemas agênticos, óculos de realidade aumentada e robótica irão empoderar os humanos – e não substituí-los

Estamos vivendo um paradoxo na inteligência artificial.

Na tela, a IA é super-humana. Modelos de linguagem grandes escrevem código Python funcional em segundos. Sistemas gerativos produzem imagens e vídeos fotorealistas em minutos. Sistemas vencedores do Prêmio Nobel, como o AlphaFold, previram as estruturas de quase todas as proteínas conhecidas. As vitórias digitais estão se acumulando.

No entanto, no mundo físico da pesquisa biomédica, o processo de descoberta ainda é manual e demorado. Não sentimos que a IA está acelerando a ciência ou a medicina, pelo menos não ainda. Os números revelam a profundidade do problema. Uma pesquisa da Nature com mais de 1.500 cientistas encontrou que mais de 70% tentaram e falharam em reproduzir os experimentos de outro pesquisador. Ainda mais preocupante: mais da metade não conseguiu reproduzir seu próprio trabalho. Na biologia do câncer, especificamente, um projeto de reproducibilidade de oito anos encontrou que apenas 40% das descobertas de alto impacto puderam ser replicadas e 68% dos experimentos careciam de documentação suficiente para tentar a replicação.

Este é o segredo sujo da ciência moderna: temos um problema de captura de conhecimento, não apenas um problema de descoberta. Detalhes experimentais críticos vivem na cabeça dos pesquisadores, não em artigos. Protocolos mudam. Conhecimento tácito sai pela porta quando os trainees se formam. Sistemas de IA treinados em literatura publicada herdam todas essas lacunas.

A questão fundamental é que, embora uma IA possa projetar uma proteína nova para terapia contra o câncer em uma simulação digital, ela não pode pegar uma pipeta para testá-la. Ela não pode navegar pela realidade desordenada e imprevisível de um laboratório úmido para validar sua própria hipótese. Ela não pode observar as mãos de um cientista experiente e aprender as técnicas sutis que fazem os experimentos funcionarem.

Esta “lacuna de execução” é o maior gargalo que impede a revolução de IA de se tornar uma revolução médica. Enquanto a maioria das empresas de robótica ainda está ocupada ensinando máquinas a dobrar roupas ou carregar pratos, elas estão atrasadas em relação às capacidades verdadeiramente transformadoras desses avanços em campos como a medicina.

Para resolver isso, devemos ir além dos chatbots e em direção a IA Co-Cientistas, sistemas agênticos que conectam o mundo digital e o físico, avançando além do planejamento e codificação e entrando na execução real. Em Stanford, estamos desenvolvendo LabOS, um framework de IA digital-física que demonstra como agentes de IA, óculos de realidade aumentada e robótica colaborativa podem se unir para fechar esse loop, transformando experimentos científicos em uma conversa colaborativa entre humanos e máquinas, enquanto capturam automaticamente o conhecimento que atualmente se perde.

A Grande Divisão: Por que a IA Precisa de “Olhos” e “Mãos”

Muitas das vitórias de IA mais visíveis aconteceram onde o ambiente é completamente digital: repositórios de código, conjuntos de dados curados ou benchmarks simulados (onde a IA compete para executar um negócio virtual ou investir em ações digitalmente).

Laboratórios úmidos são diferentes. A biologia e, em geral, a descoberta científica são processos muito barulhentos. Instrumentos mudam, operadores improvisam e “o protocolo” muitas vezes vive parcialmente na cabeça das pessoas. A diferença entre um resultado limpo e uma execução falha pode ser um ângulo de pipetagem, um padrão de vortex, uma substituição de reagente ou uma incubação que durou 10 minutos a mais. Esses detalhes contextuais raramente entram em um artigo e são exatamente o que um modelo de IA precisa para generalizar além de um conjunto de dados.

Isso é por que a IA de laboratório precisa de olhos (para perceber o que está acontecendo no contexto), mãos (para padronizar e automatizar etapas de alta variância) e memória (para registrar o que realmente aconteceu). Sem essas capacidades, os modelos podem recomendar o que fazer, mas não podem traduzir recomendações em execução física validada ou explicar falhas quando a realidade diverge do plano.

Além dos Chatbots: De Copilotos a Co-Cientistas

O termo “IA agêntica” às vezes é usado de forma vaga. Em ambientes biomédicos, deve significar algo preciso: um sistema que pode tomar um objetivo (por exemplo, “otimizar a eficiência da edição de genes CRISPR enquanto minimiza os alvos fora do objetivo”), decompor em uma sequência de tarefas, executar essas tarefas em ferramentas, avaliar resultados e adaptar o plano sob restrições e com tomada de decisão auditável.

Isso importa porque fluxos de trabalho de pesquisa não são uma única chamada de modelo. São pipelines de ponta a ponta que abrangem formulação de hipóteses, design experimental, processamento de dados, testes estatísticos e interpretação. O pensamento recente na descoberta de drogas começou a enfatizar sistemas agênticos que possam dimensionar esses pipelines, em vez de apenas acelerar etapas individuais (por exemplo, a discussão da Unite.AI sobre agentes em descoberta de moléculas pequenas).

Na engenharia de software, já vimos evidências empíricas iniciais de que copilotos de IA podem aumentar a produtividade dos desenvolvedores. Na biomedicina, a oportunidade análoga não é apenas escrever código, é escrever e validar protocolos, estruturar dados, monitorar a execução e fechar o loop entre previsão e medição, conectando a IA a cientistas humanos em laboratórios.

LabOS: Quando a IA Executa em um Sistema Operacional para os Laboratórios do Amanhã

Em nosso trabalho no Stanford sobre AI4Science, abrangendo copilotos de edição de genes como CRISPR-GPT e sistemas de co-execução AI-XR como LabOS que ajudam cientistas em laboratórios biomédicos e de ciência de materiais, estamos explorando uma mudança arquitetônica:

1. Projetando um “sistema operacional de laboratório” de ponta a ponta que liga um laboratório digital (seco) a um laboratório físico (úmido).

A premissa é simples: se um caderno de laboratório é a memória da ciência, então um sistema operacional de laboratório deve ser a camada de execução, capturando a intenção, traduzindo-a em ações, observando os resultados e transformando cada execução em conhecimento estruturado.

Figura. Uma visão conceitual do LabOS ligando um loop de laboratório digital auto-evolutivo (planejamento, codificação, crítica, criação de ferramentas) com um loop de laboratório úmido humano-IA (autodocumentação, captura de conhecimento, orientação XR e integração robótica).

2. IA no Laboratório Digital – Planejamento Auto-Evolutivo e Construção de Ferramentas

No laboratório digital (seco), podemos deixar a IA fazer o que ela já faz bem: buscar, sintetizar e propor. Mas também queremos que ela seja auto-aperfeiçoada. Não “hallucinando” nova ciência, mas aprendendo melhor as ferramentas e fluxos de trabalho a partir do feedback.

Um loop de laboratório digital prático pode ser estruturado em quatro etapas recorrentes:

  • Planejamento (hipótese + design): propor hipóteses, selecionar variáveis experimentais, antecipar confundidores e especificar pontos de medição.
  • Codificação (implementação): gerar ou adaptar scripts de análise, pipelines de simulação e templates de controle de instrumentos quando apropriado.
  • Agente crítico (raciocínio + avaliação): testar as suposições, verificar o poder estatístico, propor controles e sinalizar possíveis modos de falha.
  • Criação de ferramentas (busca + desenvolvimento): quando o fluxo de trabalho carece de um componente (um analisador, um QC, um painel), construí-lo e adicioná-lo de volta ao conjunto de ferramentas.

3. IA no Laboratório Físico – IA com “Olhos” (Óculos de Realidade Aumentada) e “Mãos” (Robótica)

O laboratório físico (úmido) é onde o sistema ou ganha confiança – ou a perde. O objetivo não é substituir o cientista, mas reduzir a fricção e o erro, aumentando a observabilidade.

Vemos o loop de laboratório físico como quatro capacidades complementares:

  • Registro e documentação automática: capturar ações, horários, configurações de instrumentos e desvios automaticamente, para que a documentação não seja um afterthought.
  • Captura de conhecimento para execução rápida e reprodutível: converter execuções em artefatos estruturados e consultáveis (versões de protocolo, conjuntos de parâmetros, resultados de QC) alinhados com princípios de gestão de dados como FAIR.
  • Orientação em tempo real via óculos de realidade aumentada: usar modelos multimodais para interpretar a cena (o que o operador está fazendo, qual reagente está em mãos) e fornecer orientação passo a passo e verificação de segurança. AR/XR já demonstrou valor em fluxos de trabalho físicos de alto estresse, como orientação experimental (LabOS, Stanford, Princeton, em colaboração com NVIDIA).
  • Integração de robótica para automação: padronizar etapas repetitivas, permitir transferências seguras e reduzir a variabilidade. Plataformas para fluxos de trabalho de simulação para real (por exemplo, NVIDIA Isaac) e processamento de IA em tempo real na borda, como o streaming ao vivo de óculos inteligentes e interação humano-IA no LabOS, são camadas de habilitação importantes.

Essa arquitetura está alinhada com uma direção mais ampla no campo: “laboratórios autodirigidos” ou autônomos que combinam automação com aprendizado de máquina para planejar o próximo experimento. O que o LabOS adiciona é uma camada de interface humana mais próxima, para que a autonomia não venha com o custo da transparência.

Por que a IA de Laboratório Não é Apenas “IA em um Conjunto de Dados”

Sistemas de IA para superinteligência biomédica/científica muitas vezes parecem impressionantes em avaliação retrospectiva ou em exames, e então têm um desempenho ruim no laboratório físico. A razão raramente é um único bug. É geralmente uma discrepância entre as suposições do modelo e a realidade do laboratório.

Três lacunas aparecem repetidamente:

  • Lacuna de contexto: conjuntos de dados normalmente omitiriam as variáveis contextuais que os operadores sabem que importam (excursões de temperatura, números de lote de reagentes, desvios sutis de protocolo).
  • Lacuna de ação: muitos sistemas de IA podem recomendar o que fazer, mas não podem traduzir essa recomendação em etapas físicas validadas.
  • Lacuna de feedback: sem feedback estruturado e de alta qualidade da execução, os modelos não podem aprender onde falham – e os cientistas não podem auditar por que.

Fechar essas lacunas é menos sobre inventar uma nova arquitetura de rede neural, mas mais sobre construir a instrumentação, interfaces e contratos de dados que tornam o laboratório legível para as máquinas, e permitem que a IA veja e trabalhe com humanos.

Confiabilidade por Design: Segurança e Governança para IA que Pode Agir

IA agêntica em pesquisa de descoberta não apenas levanta preocupações familiares sobre precisão. Ela introduz novos modos de falha porque pode agir. Em um laboratório, ação significa o potencial para desperdício, dano ou conclusões enganosas, especialmente quando os experimentos alimentam hipóteses clínicas.

Uma mentalidade útil é tratar uma pilha de laboratório habilitada por IA como um sistema sociotécnico que precisa de garantia. Vários frameworks existentes ajudam, mas devem ser traduzidos para a realidade do laboratório:

  • Gestão de risco como uma prática contínua: o Framework de Gestão de Risco de IA do NIST (AI RMF 1.0) fornece um vocabulário prático para mapear, medir e gerenciar o risco de IA ao longo do ciclo de vida.
  • Alinhamento regulatório para IA médica adjacente: o trabalho da FDA sobre software de IA/ML como um dispositivo médico (SaMD), incluindo seu Plano de Ação e diretrizes relacionadas, oferece uma visão concreta do que “boas práticas” parecem quando a IA impacta os cuidados com os pacientes.

Para edição de genes e outros domínios de alto impacto, a governança já é uma conversa global. Recomendações estão sendo discutidas sobre edição de genoma humano, para enfatizar a necessidade de mecanismos de supervisão apropriados e governança responsável, como as propostas pela Sociedade Americana de Terapia Gênica e Celular, ou ASGCT. Sistemas como o LabOS devem ser projetados para tornar o cumprimento mais fácil, não mais difícil.

Checklist: Controles para Co-Cientistas de IA Seguros para Descoberta Científica

Em nossa visão, um sistema operacional de laboratório consciente da segurança deve implementar pelo menos os seguintes projetos:

  • Proveniência por padrão: todos os conjuntos de dados, versões de protocolo e saídas de modelo devem ser rastreáveis para entradas e horários.
  • Autonomia limitada: o sistema deve ter permissões explícitas (o que pode fazer sem confirmação) e regras de escalonamento (quando deve pedir).
  • Sobrecarga humana e degradação graciosa: quando sensores ou fluxos de dados falham, ou a incerteza é alta, o sistema deve voltar a um modo mais seguro e simples.
  • Validação contínua: previsões in-silico devem ser emparelhadas com validação de laboratório físico; execuções de laboratório físico devem incluir portas de controle de qualidade antes que as conclusões se propaguem downstream de volta aos modelos/agentes de IA no mundo digital.
  • Segurança e conscientização de uso dual: proteger a infraestrutura de laboratório contra manipulação.

Empoderar Humanos em Todos os Lugares: Podem Co-Cientistas de IA Nivelar o Campo de Jogos?

Uma das promessas mais convincentes de um “co-cientista” de IA-XR não é apenas a velocidade para as instituições de elite, é a acessibilidade para todos. Considere o que atualmente limita laboratórios menores, startups e clínicas remotas/regionais/rurais:

  • Acesso limitado a especialistas para protocolos e instrumentos de padrão ouro.
  • Custo relativo mais alto de treinamento, erros e retrabalho.
  • Ferramentas fragmentadas: cadernos, planilhas, registros de instrumentos e scripts de análise raramente se conectam limpa e claramente.

Um sistema que possa guiar a execução no contexto (por meio de óculos de realidade aumentada), capturar o que aconteceu automaticamente e sugerir a próxima melhor etapa com base em execuções anteriores pode tornar ensaios avançados mais reprodutíveis em diferentes locais. Em princípio, também pode apoiar pesquisas clínicas distribuídas, onde os protocolos devem ser executados consistentemente, mesmo quando os recursos variam.

Cronograma: Quando Todos os Cientistas e Clínicos Obterão um Co-Cientista?

Em resumo, estamos mais perto do que muitos pensam para algumas tarefas de alto valor e alta frequência (como produzir um medicamento de forma confiável no laboratório) e mais longe do que a maioria dos demonstrativos implica para outras (como a IA resolver completamente grandes problemas como câncer ou Alzheimer). Um cronograma realista parece assim:

  1. Curto prazo (dentro de 1 ano): Copilotos de fluxo de trabalho que reduzem a carga administrativa: elaboração de protocolos, síntese de literatura, modelos de análise e relatórios de QC automatizados. O fator limitante é a integração, não a capacidade do modelo.
  2. Médio prazo (1-2 anos): Sistemas de co-execução no laboratório: orientação de óculos de realidade aumentada, documentação automatizada e robótica seletiva para etapas de alta variância. A confiança dependerá de registros de auditoria e design de loop humano apertado.
  3. Longo prazo (3+ anos): Co-pesquisadores interdisciplinares que conectam a descoberta à tradução: ligando dados de laboratório a pontos de extremidade clínicos, monitorando sinais de segurança e ajudando a projetar ensaios – enquanto cumprem expectativas regulatórias e éticas.

Da Código à Cura: O Caminho à Frente para a Descoberta Científica 1000x

LabOS é uma tentativa de responder a uma pergunta simples: e se um experimento pudesse ser executado como uma conversa, onde a intenção, a execução e a evidência estivessem conectadas de ponta a ponta? Se construirmos esses sistemas bem, eles podem ajudar a resolver a lacuna de tradução que desacelera a biomedicina e muitas disciplinas científicas físicas (por exemplo, ciência de materiais). Se os construirmos mal, eles amplificarão a irreprodutibilidade e criarão novos riscos de segurança.

O trabalho mais importante nos próximos anos será fundamental: interfaces de dados e dispositivos padronizados por meio da construção do sistema operacional (assim como o iOS executa todos os tipos de aplicativos), construindo benchmarks de IA que incluam execução e incerteza (como o benchmark LabSuperVision no LabOS), e começando a implantação no mundo real que incentivem a inovação enquanto protegem os pacientes e a integridade da pesquisa.

Para os pesquisadores e clínicos, a pergunta não é se a IA entrará no laboratório. Ela já entrou. A pergunta é se a integraremos como uma coleção de ferramentas desconectadas ou como um sistema confiável e auditável projetado para as realidades da ciência biomédica.

Leitura sugerida e fontes

mm

Le Cong, PhD, é um Professor Associado de Patologia e de Genética na Universidade de Stanford, onde seu grupo desenvolve engenharia genômica nativa de IA e sistemas robóticos de IA-XR que conectam a razão de laboratório digital à execução de laboratório físico, para empoderar os humanos na descoberta científica.