Cum sistemele agențiale, ochelarii inteligenți XR și robotica vor împuternici oamenii, nu îi vor înlocui

Trăim o paradoxă în inteligența artificială.

Pe ecrane, IA este supraomenească. Modelele de limbaj mari pot scrie cod funcțional Python în secunde. Sistemele generative pot produce imagini și videoclipuri fotorealiste în minute. Sistemele câștigătoare ale Premiului Nobel, cum ar fi AlphaFold, au prezis structurile a aproape toate proteinele cunoscute. Victoriile digitale se înmulțesc.

În schimb, în lumea fizică a cercetării biomedicale, procesul de descoperire rămâne manual și chinuos. Nu simțim cu adevărat că IA accelerează știința sau medicina, cel puțin nu încă. Numerele revelează profunzimea problemei. Un sondaj de referință al revistei Nature, realizat pe un eșantion de peste 1.500 de oameni de știință, a arătat că mai mult de 70% au încercat și au eșuat în a reproduce experimentele altor cercetători. Mai mult decât atât, mai mult de jumătate nu au putut reproduce propriile lor lucrări. În biologia cancerului, în special, un proiect de reproductibilitate care a durat opt ani a constatat că doar 40% din descoperirile cu impact ridicat au putut fi replicate și 68% din experimente au lipsit de documentație suficientă pentru a încerca reproducerea.

Acesta este secretul murdar al științei moderne: avem o problemă de capturare a cunoștințelor, nu doar o problemă de descoperire. Detalii experimentale critice trăiesc în mintea cercetătorilor, nu în articole. Protocoalele se schimbă. Cunoașterea tacită iese pe ușă atunci când stagiarii absolvă. Sistemele IA antrenate pe literatura publicată moștenesc toate aceste lacune.

Problema fundamentală este că, deși o IA poate proiecta o proteină nouă pentru terapia cancerului într-o simulare digitală, nu poate lua o pipetă pentru a o testa. Nu poate naviga în realitatea haotică și imprevizibilă a unui laborator umed pentru a-și valida ipoteza. Nu poate urmări mâinile unui om de știință experimentat și învăța tehnicile subtile care fac experimentele să funcționeze.

Acest “decalaj de execuție” este cel mai mare blocaj care împiedică revoluția IA să devină o revoluție medicală. În timp ce majoritatea companiilor de robotizare sunt încă ocupate să învețe mașinile să împăturească rufe sau să încarce mașinile de spălat, ele rămân în urmă în ceea ce privește capacitățile cu adevărat transformatoare ale acestor progrese în domenii precum medicina.

Pentru a rezolva această problemă, trebuie să mergem dincolo de chatbot-uri și să ne îndreptăm către IA Co-științifici, sisteme agențiale care fac legătura între lumea digitală și cea fizică, depășind planificarea și codificarea și intrând în execuția din lumea reală. La Stanford, dezvoltăm LabOS, un cadru IA digital-fizic care demonstrează cum agenții IA, ochelarii inteligenți XR și robotica colaborativă pot uni pentru a închide acest cerc, transformând experimentele științifice într-o conversație colaborativă între om și mașină, în timp ce capturează automat cunoștințele care în prezent se pierd.

Marea diviziune: De ce IA are nevoie de “ochi” și “mâini”

Multe dintre cele mai vizibile victorii ale IA au avut loc acolo unde mediul este complet digital: depozite de cod, seturi de date curate sau benchmark-uri simulate (unde IA concurează pentru a conduce o afacere virtuală sau pentru a investi digital în acțiuni).

Laboratoarele umede sunt diferite. Biologia și, în general, descoperirea științifică sunt un proces foarte zgomotos. Instrumentele se schimbă, operatorii improvizează, iar “protocolul” trăiește adesea parțial în mintea oamenilor. Diferența dintre un rezultat curat și unul eșuat poate fi unghiul de pipetare, un model de vortex, o substituție de reagent sau o incubare care a durat 10 minute mai mult. Aceste detalii contextuale rareori ajung într-un articol și sunt exact ceea ce un model IA are nevoie pentru a generaliza dincolo de un set de date.

Acesta este motivul pentru care IA de laborator are nevoie de ochi (pentru a percepe ce se întâmplă în context), mâini (pentru a standardiza și a automatiza pașii cu variație ridicată) și memorie (pentru a înregistra ce s-a întâmplat cu adevărat). Fără aceste capacități, modelele pot recomanda ce să facă, dar nu pot traduce în mod fiabil recomandările în execuție fizică validată sau explica eșecurile atunci când realitatea diverge de la plan.

Dincolo de chatbot-uri: De la copiloți la co-științifici

Termenul “IA agențială” este adesea folosit în mod vag. În mediile biomedicale, ar trebui să însemne ceva precis: un sistem care poate lua un obiectiv (de exemplu, “optimiza eficiența editării genice CRISPR, minimizând țintele nedorite”), descompune-l într-o secvență de sarcini, executează aceste sarcini pe instrumente, evaluează rezultatele și se adaptează la constrângeri și cu luarea deciziilor auditable.

Acest lucru contează pentru că fluxurile de lucru ale cercetării nu sunt un singur apel de model. Sunt conducte de capăt la capăt care acoperă formularea ipotezei, proiectarea experimentală, prelucrarea datelor, testarea statistică și interpretarea. Gândirea recentă în descoperirea de medicamente a început să sublinieze sistemele agențiale care pot scala aceste conducte, în loc să accelereze doar pașii individuali (de exemplu, discuția Unite.AI despre agenți în descoperirea de molecule mici).

În ingineria software, am văzut deja dovezi empirice că copiloții IA pot crește productivitatea dezvoltatorilor. În biomedicină, oportunitatea analogă nu este doar scrierea de cod, ci și scrierea și validarea protocoalelor, structurarea datelor, monitorizarea execuției și închiderea buclei între predicție și măsurare, conectând IA la oamenii de știință din laboratoare.

LabOS: Când IA rulează pe un sistem de operare pentru laboratoarele de mâine

În lucrarea noastră de la Stanford despre AI4Science, care acoperă copiloți de editare a genelor precum CRISPR-GPT și sisteme de co-execuție IA-XR precum LabOS, care ajută oamenii de știință în laboratoarele de biomedicină și știință a materialelor, am explorat o schimbare arhitecturală:

1. Proiectarea unui sistem de operare de laborator de la capăt la capăt care leagă un laborator digital (uscat) de un laborator fizic (umed).

Premisa este simplă: dacă o agendă de laborator este memoria științei, atunci un sistem de operare de laborator ar trebui să fie stratul de execuție, capturând intenția, traducând-o în acțiuni, observând rezultatele și transformând fiecare rulare în cunoștințe structurate.

Figura. O vedere conceptuală a LabOS care leagă o buclă de laborator digitală auto-evolutivă (planificare, codificare, critică, creare de instrumente) cu o buclă de laborator umed uman-IA (auto-documentare, capturare de cunoștințe, îndrumare XR și integrare robotică).

2. IA în laboratorul digital – Planificare și construire de instrumente auto-evolutive

În laboratorul digital (uscat), putem lăsa IA să facă ce face deja bine: să caute, să sintetizeze și să propună. Dar vrem și să fie auto-îmbunătățită. Nu prin “halucinarea de știință nouă”, ci prin învățarea de instrumente și fluxuri de lucru mai bune din feedback.

O buclă practică de laborator digital poate fi structurată în patru etape recurente:

• Planificare (ipoteză + proiectare): propune ipoteze, selectează variabile experimentale, anticipă confunderea și specifică puncte de măsurare.
• Codificare (implementare): generează sau adaptează scripturi de analiză, pipeline-uri de simulare și șabloane de control al instrumentelor, acolo unde este cazul.
• Agenții critici (raționament + evaluare): testează asumpțiile, verifică puterea statistică, propune controale și semnalează modurile probabile de eșec.
• Crearea de instrumente (căutare + dezvoltare): atunci când fluxul de lucru lipsește de o componentă (un parser, o rutină de control al calității, un tablou de bord), o construiește și o adaugă înapoi la setul de instrumente.

3. IA în laboratorul fizic – IA cu “ochi” (ochelari XR) și “mâini” (robotică)

Laboratorul fizic (umed) este locul unde sistemul câștigă încredere – sau o pierde. Scopul nu este de a înlocui omul de știință, ci de a reduce fricțiunea și erorile, în timp ce crește observabilitatea.

Considerăm bucla de laborator fizic ca patru capacități complementare:

• Înregistrare și documentare automată: capturează acțiuni, timpi de înregistrare, setări de instrumente și deviații automate, astfel încât documentarea nu este o gândire ulterioară.
• Capturarea cunoștințelor pentru execuția rapidă și reproductibilă: transformă rulările în artefacte structurate și interogabile (versiuni de protocol, seturi de parametri, rezultate QC) aliniate cu principiile de administrare a datelor, cum ar fi FAIR.
• Îndrumare în timp real prin ochelari inteligenți XR: folosește modele multimodale pentru a interpreta scena (ce face operatorul, care reagent este în mână) și oferă îndrumare pas cu pas și verificări de siguranță. AR/XR a demonstrat deja valoarea în fluxuri de lucru fizice cu risc ridicat, cum ar fi îndrumarea experimentală (LabOS, Stanford, Princeton, în colaborare cu NVIDIA).
• Integrarea cobot/robotică pentru automatizare: standardizează pașii repetitivi, permite predarea în siguranță și reduce variabilitatea. Platformele pentru fluxuri de lucru de la simulare la realitate (de exemplu NVIDIA Isaac) și procesarea în timp real a IA la margine, cum ar fi transmisia în direct a ochelarilor inteligenți și interacțiunea om-IA în LabOS, sunt straturi de bază importante.

Această arhitectură se aliniază cu o direcție mai largă în domeniu: “laboratoare autonome” care combină automatizarea cu învățarea automată pentru a planifica următorul experiment. Ceea ce adaugă LabOS este un strat de interfață umană mai strâns, astfel încât autonomia să nu vină cu costul transparenței.

De ce IA de laborator nu este doar “IA pe un set de date”

Sistemele IA pentru superinteligență științifică/biomedicală par adesea impresionante în evaluarea retrospectivă sau la examene, și apoi subperformează în laboratorul fizic. Motivul nu este de obicei o singură eroare. Este de obicei o nepotrivire între asumpțiile modelului și realitatea laboratorului.

Trei lacune apar în mod repetat:

• Lacuna de context: seturile de date omit adesea variabilele contextuale pe care operatorii le cunosc ca fiind importante (excursii de temperatură, numere de lot de reagenți, abateri subtile de la protocol).
• Lacuna de acțiune: multe sisteme IA pot recomanda ce să facă, dar nu pot traduce în mod fiabil recomandarea în pași fizici valabili.
• Lacuna de feedback: fără feedback structurat și de înaltă calitate de la execuție, modelele nu pot învăța unde eșuează – și oamenii de știință nu pot audita de ce.

Închiderea acestor lacune nu este atât despre inventarea unei noi arhitecturi de rețele neuronale, cât mai mult despre construirea instrumentației, interfețelor și contractelor de date care fac laboratorul lizibil pentru mașini și permit IA să lucreze cu oamenii.

Încredere prin design: Siguranță și guvernanță pentru IA care poate acționa

IA agențială în cercetarea de descoperire nu ridică doar preocupări familiare despre acuratețe. Introduce noi moduri de eșec, deoarece poate acționa. Într-un laborator, acțiunea înseamnă potențialul de a produce deșeuri, daune sau concluzii înșelătoare, în special atunci când experimentele alimentează ipoteze clinice.

O mentalitate utilă este de a trata un stivă de laborator IA ca un sistem socio-tehnic care necesită asigurare. Mai multe cadre existente ajută, dar trebuie traduse în realitatea laboratorului:

• Managementul riscului ca o practică continuă: cadrul de management al riscului IA al NIST (AI RMF 1.0) oferă un vocabular practic pentru a cartografia, măsura și gestiona riscul IA pe parcursul ciclului de viață.
• Alinierea regulamentară pentru IA medicală: lucrarea FDA despre software-ul IA/ML ca dispozitiv medical (Planul de acțiune și ghidurile conexe) oferă o vedere concretă asupra a ceea ce “bunele practici” arată atunci când IA afectează îngrijirea pacienților.

Pentru domenii de înaltă consecință, cum ar fi editarea genică, guvernanța este deja o conversație globală. Recomandări sunt discutate pe editarea genomului uman, subliniind nevoia de mecanisme de supraveghere adecvate și guvernanță responsabilă, cum ar fi cele propuse de Societatea Americană pentru Terapie Genetică și Celulară, sau ASGCT. Sisteme precum LabOS ar trebui să fie proiectate pentru a face conformitatea mai ușoară, nu mai grea.

Lista de verificare: Controale pentru IA Co-științifici siguri pentru descoperire științifică

În opinia noastră, un sistem de operare de laborator sigur ar trebui să implementeze cel puțin următoarele proiecte:

• Proveniență implicită: fiecare set de date, versiune de protocol și ieșire a modelului ar trebui să poată fi urmărită până la intrări și timpi de înregistrare.
• Autonomie limitată: sistemul ar trebui să aibă permisiuni explicite (ce poate face fără confirmare) și reguli de escaladare (când trebuie să ceară).
• Anularea umană și degradare grațioasă: atunci când senzorii sau fluxurile de date eșuează, sau incertitudinea este ridicată, sistemul ar trebui să revină la un mod mai sigur și mai simplu.
• Validare continuă: predicțiile în silico ar trebui să fie pereche cu validarea fizică a laboratorului; rulările fizice ale laboratorului ar trebui să includă porți de control al calității înainte de a permite concluziilor să se propage în aval înapoi la modelele/agenții IA din lumea digitală.
• Securitate și conștientizarea utilizării duale: protejați infrastructura de laborator de tamperare.

Împuterniciți oamenii peste tot: Pot IA Co-științifici să niveleze terenul de joc?

Una dintre promisiunile cele mai convingătoare ale unui “co-științific” IA-XR este nu doar viteza pentru instituțiile de elită, ci și accesibilitatea pentru toată lumea. Luați în considerare ce limitează în prezent laboratoarele mici, startup-urile și clinicile regionale/rurale:

• Acces limitat la expertiză specializată pentru protocoale și instrumente de înaltă calitate.
• Costuri relative mai mari de formare, greșeli și re lucru.
• Instrumente fragmentate: caiete, foi de calcul, jurnale de instrumente și scripturi de analiză rareori se conectează curat.

Un sistem care poate ghida execuția în context (prin ochelari XR), captura automat ce s-a întâmplat și sugera următorul pas cel mai bun pe baza rulărilor anterioare ar putea face ca analizele avansate să fie mai reproductibile pe site-uri. În principiu, ar putea sprijini, de asemenea, cercetarea clinică distribuită, în care protocoalele trebuie executate în mod consecvent, chiar și atunci când resursele variază.

Cronologie: Când primește fiecare om de știință și clinician un co-științific?

Pe scurt, suntem mai aproape decât cred mulți pentru unele sarcini de înaltă valoare și frecvență (cum ar fi producerea unui medicament în mod fiabil în laborator) și mai departe decât sugerează majoritatea demonstrațiilor pentru altele (cum ar fi rezolvarea completă a problemelor mari precum cancerul sau boala Alzheimer). O hartă realistă arată astfel:

1. Pe termen scurt (într-un an): Copiloți de flux de lucru care reduc încărcătura administrativă: redactarea protocolului, sinteza literaturii, șabloane de analiză și rapoarte automate de control al calității. Factorul limitativ este integrarea, nu capacitatea modelului.
2. Pe termen mediu (1-2 ani): Sisteme de co-execuție în laborator: îndrumare prin ochelari XR, documentare automată și robotică selectivă pentru pași cu variație ridicată. Încrederea va depinde de urme de audit și de proiectarea strânsă a buclei umane.
3. Pe termen lung (3+ ani): Co-cercetători interdisciplinari care leagă descoperirea de traducere: conectarea datelor de laborator la puncte de terminare clinice, monitorizarea semnalelor de siguranță și ajutarea la proiectarea studiilor – în timp ce se respectă așteptările regulatorii și etice.

De la cod la vindecare: Calea înainte spre descoperirea științifică de 1000 de ori

LabOS este o încercare de a răspunde la o întrebare simplă: și ce dacă un experiment ar putea fi rulat ca o conversație, în care intenția, execuția și dovezi sunt conectate de la capăt la capăt? Dacă construim aceste sisteme bine, ele pot ajuta la abordarea decalajului de traducere care încetinește biomedicina și multe discipline științifice fizice (de exemplu, știința materialelor). Dacă le construim prost, ele vor amplifica ireproducibilitatea și vor crea noi riscuri de siguranță.

Lucrarea cea mai importantă în următorii ani va fi fundamentală: interfețe standardizate de date și dispozitive prin construirea sistemului de operare (la fel cum rulează toate tipurile de aplicații), construirea benchmark-urilor IA care includ execuția și incertitudinea (cum ar fi benchmark-ul LabSuperVision din LabOS) și începerea implementării în lumea reală care încurajează inovația, în timp ce protejează integritatea cercetării și a pacienților.

Pentru cercetători și clinicieni, întrebarea nu este dacă IA va intra în laborator. Deja a intrat. Întrebarea este dacă o vom integra ca o colecție de unelte desconectate sau ca un sistem de încredere, auditabil, proiectat pentru realitățile științei biomedicale.

Citire și surse sugerate

• Sondaj de reproductibilitate (Nature, 2016): https://www.nature.com/articles/533452a
• Articolul peer-review CRISPR-GPT (Ingineria Biomedicală Nature): https://www.nature.com/articles/s41551-025-01463-z
• Știri de la Stanford Medicine despre CRISPR-GPT (2025): https://med.stanford.edu/news/all-news/2025/09/ai-crispr-gene-therapy.html
• Preprint LabOS (arXiv): https://arxiv.org/abs/2510.14861
• Site-ul web LabOS și benchmark-ul LabSuperVision: https://ai4lab.stanford.edu
• Cadrul de management al riscului IA al NIST (AI RMF 1.0): https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
• Prezentarea generală a FDA despre software-ul IA/ML ca dispozitiv medical: https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-software-medical-device
• Principiile de date FAIR (Date științifice, 2016): https://doi.org/10.1038/sdata.2016.18
• Unite.AI despre blocajele în descoperirea de molecule mici: https://www.unite.ai/how-ai-is-breaking-down-the-bottlenecks-in-small-molecule-drug-discovery/
• Unite.AI despre IA și chirurgia robotică: https://www.unite.ai/how-ai-is-ushering-in-a-new-era-of-robotic-surgery/