Лидеры мнений
От кода к лечению: Следующей революции ИИ нужны руки и глаза

Ключевые моментыLabOS с помощью XR-очков и робототехники соединяет цифровое планирование на базе ИИ с…
Показать больше
- LabOS с помощью XR-очков и робототехники соединяет цифровое планирование на базе ИИ с физическим выполнением лабораторных операций.
- Более 70% учёных не могут воспроизвести эксперименты из-за пробела в фиксации знаний, а не из-за пробела в открытиях.
- ИИ-соисследователи должны включать механизмы происхождения и ограниченную автономию для предотвращения вреда в биомедицинских лабораториях.
Как агентные системы, умные очки XR и робототехника будут расширять возможности человека, а не заменять его
В области искусственного интеллекта мы наблюдаем парадокс.
На экранах ИИ является сверхчеловеческим. Большие языковые модели пишут функциональный код Python за несколько секунд. Генеративные системы производят фотографически реалистичные изображения и видео за несколько минут. Системы, отмеченные Нобелевской премией, такие как AlphaFold, предсказали структуры почти всех известных белков. Цифровые победы накапливаются.
Однако в физическом мире биомедицинских исследований процесс открытия остается кропотливым ручным трудом. Мы не чувствуем, что ИИ ускоряет науку или медицину, по крайней мере, пока. Цифры раскрывают глубину проблемы. Опрос Nature, проведенный среди более 1500 ученых, показал, что более 70% пытались и не смогли воспроизвести эксперименты другого исследователя. Еще более тревожно: более половины не смогли воспроизвести свою собственную работу. В области биологии рака проект по воспроизводимости, который длился восемь лет, показал, что только 40% результатов с высоким научным влиянием могли быть воспроизведены, и 68% экспериментов не имели достаточной документации, чтобы даже попытаться их воспроизвести.
Это грязный секрет современной науки: у нас есть проблема фиксации знаний, а не только проблема открытия. Критические экспериментальные детали живут в головах исследователей, а не в статьях. Протоколы дрейфуют. Неявные знания уходят, когда стажеры заканчивают обучение. Системы ИИ, обученные на опубликованной литературе, наследуют все эти пробелы.
Основная проблема заключается в том, что хотя ИИ может спроектировать новый белок для терапии рака в цифровом симуляторе, он не может взять пипетку, чтобы протестировать его. Он не может ориентироваться в беспорядочной, непредсказуемой реальности влажной лаборатории, чтобы проверить свою собственную гипотезу. Он не может смотреть на руки опытного ученого и учиться тонким техникам, которые делают эксперименты успешными.
Этот “пробел в выполнении” является самым крупным отдельным узким местом, которое мешает революции ИИ стать медицинской революцией. Пока большинство робототехнических компаний все еще заняты обучением машин складывать белье или загружать посудомойки, они отстают от действительно трансформационных возможностей этих достижений в таких областях, как медицина.
Чтобы решить эту проблему, нам нужно выйти за пределы чат-ботов и перейти к ИИ — научным партнерам, агентным системам, которые соединяют цифровой и физический мир, продвигаясь за пределы планирования и кодирования и в реальное выполнение. В Стэнфорде мы разрабатываем LabOS, цифрово-физическую платформу ИИ, которая демонстрирует, как агенты ИИ, умные очки расширенной реальности (XR) и коллаборативная робототехника могут объединиться, чтобы закрыть этот пробел, превращая научные эксперименты в совместный разговор между человеком и машиной, автоматически фиксируя знания, которые в настоящее время теряются.
Большой разрыв: Почему ИИ Нуждается в “Глазах” и “Руках”
Многие из наиболее заметных побед ИИ произошли в областях, где окружение полностью цифровое: кодовые репозитории, отобранные наборы данных или симулированные бенчмарки (где ИИ соревнуется в управлении виртуальным бизнесом или инвестициях в акции в цифровой среде).
Влажные лаборатории отличаются. Биология и, в целом, научные открытия – это очень шумный процесс. Инструменты дрейфуют, операторы импровизируют, и “протокол” часто живет частично в головах людей. Разница между чистым результатом и неудачным запуском может быть углом пипетирования, характером вихревого перемешивания, заменой реагента или инкубацией, которая длилась на 10 минут дольше. Эти контекстные детали редко попадают в статью и являются именно тем, в чем нуждается модель ИИ, если она собирается обобщать за пределами набора данных.
Именно поэтому лабораторный ИИ нуждается в глазах (чтобы воспринимать, что происходит в контексте), руках (чтобы стандартизировать и безопасно автоматизировать этапы с высокой вариативностью) и памяти (чтобы записать, что фактически произошло). Без этих возможностей модели могут рекомендовать, что делать, но они не могут надежно перевести рекомендации в проверенное физическое выполнение или объяснить неудачи, когда реальность отклоняется от плана.
За пределами Чат-ботов: От Ко-Пилотов к Со-Ученым
Термин “агентный ИИ” иногда используется свободно. В биомедицинских условиях он должен означать что-то точное: систему, которая может взять цель (например, “оптимизировать эффективность редактирования генов CRISPR, минимизируя внецелевые изменения”), разложить ее на последовательность задач, выполнить эти задачи через инструменты, оценить результаты и адаптировать план с учетом ограничений и с возможностью аудита принятых решений.
Это имеет значение, потому что исследовательские рабочие процессы не являются одним вызовом модели. Они являются сквозными процессами, которые охватывают формулировку гипотезы, экспериментальный дизайн, обработку данных, статистическое тестирование и интерпретацию. Современные подходы к разработке лекарств начали делать акцент на агентных системах, которые могут масштабировать эти процессы, а не просто ускорять отдельные шаги (например, обсуждение Unite.AI об агентах в поиске лекарств на основе малых молекул).
В программной инженерии мы уже видели ранние эмпирические доказательства того, что ИИ-ко-пилоты могут увеличить производительность разработчиков. В биомедицинских исследованиях аналогичная возможность заключается не только в написании кода, но и в написании и проверке протоколов, структурировании данных, мониторинге выполнения и закрытии цикла между предсказанием и измерением, связывая ИИ с учеными в лабораториях.
LabOS: Когда ИИ Запускается на Операционной Системе для Лабораторий Завтрашнего Дня
В нашей работе в Стэнфорде над ИИ для науки, охватывающей ко-пилотов редактирования генов, таких как CRISPR-GPT и системы совместного выполнения ИИ-XR, например LabOS, которые помогают ученым в биомедицинских и материаловедческих лабораториях, мы исследуем архитектурный сдвиг:
1. Проектирование сквозной «лабораторной операционной системы», которая соединяет цифровую (сухую) лабораторию с физической (влажной) лабораторией.
Предпосылка проста: если лабораторный журнал является памятью науки, то лабораторная операционная система должна быть слоем выполнения, фиксирующим намерение, преобразующим его в действия, наблюдающим за результатами и превращающим каждый запуск в структурированные знания.

Рисунок. Концептуальный вид LabOS, соединяющий саморазвивающийся цифровой лабораторный цикл (планирование, кодирование, критика, создание инструментов) с циклом взаимодействия человека и ИИ во влажной лаборатории (авто-документация, фиксация знаний, XR-подсказки и робототехническая интеграция).
2. ИИ в Цифровой Лаборатории – Саморазвивающееся Планирование и Создание Инструментов
В цифровой (сухой) лаборатории мы можем позволить ИИ делать то, что он уже хорошо делает: поиск, синтез и предложение. Но мы также хотим, чтобы он самосовершенствовался. Не выдумывал новые научные результаты, а осваивал более совершенные инструменты и рабочие процессы на основе обратной связи.
Практический цифровой лабораторный цикл можно сформировать как четыре повторяющихся этапа:
- Планирование (гипотеза + дизайн): предложить гипотезы, выбрать экспериментальные переменные, учитывать возможные смешивающие факторы и указать измеримые конечные точки.
- Кодирование (реализация): сгенерировать или адаптировать аналитические скрипты, процессы моделирования и шаблоны управления приборами, где это уместно.
- Агент-критик (рассуждение + оценка): проверить предположения, проверить статистическую мощность, предложить контрольные эксперименты и отметить вероятные сценарии отказа.
- Создание инструментов (поиск + разработка): когда рабочий процесс лишен компонента (парсера, процедуры контроля качества, панели управления), построить его и добавить обратно в набор инструментов.
3. ИИ в Физической Лаборатории – ИИ с “Глазами” (Очки XR) и “Руками” (Робототехника)
Физическая (влажная) лаборатория – это место, где система либо заслуживает доверия, либо его теряет. Цель не состоит в том, чтобы заменить ученого, а в том, чтобы уменьшить трение и ошибку, увеличивая наблюдаемость.
Мы рассматриваем физический лабораторный цикл как четыре взаимодополняющие возможности:
- Автоматическая запись и документация: фиксировать действия, метки времени, настройки приборов и отклонения автоматически, чтобы документирование не откладывали на потом.
- Фиксация знаний для быстрого, воспроизводимого выполнения: преобразовать запуски в структурированные артефакты, доступные для запросов (версии протоколов, наборы параметров, результаты контроля качества), согласованные с принципами управления данными, такими как FAIR.
- Визуально-языковые подсказки в реальном времени через умные очки XR: использовать многомодальные модели, чтобы интерпретировать сцену (что делает оператор, какой реагент в руке) и предоставлять пошаговые подсказки и проверки безопасности. AR/XR уже продемонстрировал свою ценность в высокорисковых физических рабочих процессах, таких как экспериментальное руководство (LabOS, Стэнфорд, Принстон, в сотрудничестве с NVIDIA).
- Интеграция кобота/робототехники для автоматизации: стандартизировать повторяющиеся шаги, облегчить безопасную передачу и уменьшить вариативность. Платформы для переноса процессов из симуляции в реальный мир (например, NVIDIA Isaac) и обработка ИИ в реальном времени на периферии сети, например прямая трансляция с умных очков и взаимодействие человека с ИИ в LabOS, являются важными слоями.
Эта архитектура соответствует более широкому направлению в области: “самоуправляемым” или автономным лабораториям, которые объединяют автоматизацию с машинным обучением, чтобы спланировать следующий эксперимент. LabOS добавляет более тесный интерфейс взаимодействия с человеком, чтобы автономность не шла за счет прозрачности.
Почему Лабораторный ИИ Не Просто “ИИ на Наборе Данных”
Системы ИИ для биомедицинского и научного сверхинтеллекта часто выглядят впечатляюще в ретроспективной оценке или сдаче экзаменов, а затем показывают плохие результаты в физической лаборатории. Причина редко является одной ошибкой. Это обычно несоответствие между предположениями модели и реальностью лаборатории.
Три пробела появляются повторно:
- Пробел контекста: наборы данных обычно опускают контекстные переменные, которые операторы знают, что имеют значение (температурные отклонения, номера партий реагентов, тонкие отклонения от протокола).
- Пробел действия: многие системы ИИ могут рекомендовать, что делать, но не могут надежно перевести эту рекомендацию в проверенные физические шаги.
- Пробел обратной связи: без структурированной, высококачественной обратной связи от выполнения модели не могут узнать, где они терпят неудачу – и ученые не могут проверить, почему.
Закрытие этих пробелов менее связано с изобретением новой архитектуры нейронной сети, чем с построением инструментов, интерфейсов и контрактов данных, которые делают лабораторию понятной для машин, и позволяют ИИ видеть происходящее и работать с людьми.
Доверие по Дизайну: Безопасность и Управление для ИИ, который Может Действовать
Агентный ИИ в исследовательских открытиях не только вызывает знакомые проблемы с точностью. Он вводит новые сценарии отказа, потому что он может действовать. В лаборатории действие означает возможность растраты ресурсов, вреда или вводящих в заблуждение выводов, особенно когда эксперименты служат основой клинических гипотез.
Полезная установка – рассматривать ИИ-стек лаборатории как социотехническую систему, которая нуждается в гарантиях. Несколько существующих рамок помогают, но они должны быть переведены в лабораторную реальность:
- Управление рисками как непрерывная практика: рамка управления рисками ИИ NIST (AI RMF 1.0) предоставляет практический словарь для картографирования, измерения и управления рисками ИИ на протяжении всего жизненного цикла.
- Регуляторное соответствие для ИИ в смежных с медициной областях: работа FDA по программному обеспечению ИИ/МЛ в качестве медицинского устройства (SaMD), включая ее План действий и связанные рекомендации, предлагает конкретный взгляд на то, что такое “хорошая практика”, когда ИИ влияет на уход за пациентами.
Для редактирования генов и других областей с серьезными последствиями управление уже является глобальным разговором. Рекомендации обсуждаются по редактированию человеческого генома, чтобы подчеркнуть необходимость надлежащих механизмов надзора и ответственного управления, таких как те, которые предложены Американским обществом генной и клеточной терапии, или ASGCT. Системы, такие как LabOS, должны быть разработаны так, чтобы сделать соблюдение более простым, а не более сложным.
Проверочный Список: Меры безопасности для ИИ — научных партнеров для Научных Открытий
На наш взгляд, лабораторная ОС, ориентированная на безопасность, должна реализовать как минимум следующие решения:
- Происхождение по умолчанию: каждый набор данных, версия протокола и выход модели должны быть отслеживаемы до входных данных и меток времени.
- Ограниченная автономность: система должна иметь явные разрешения (что она может делать без подтверждения) и правила эскалации (когда она должна спросить).
- Возможность вмешательства человека и плавное упрощение режима работы: когда датчики или потоки данных не работают, или неопределенность высока, система должна откатиться к более безопасному, более простому режиму.
- Непрерывная проверка: предсказания в симуляции должны быть сопряжены с физической лабораторной проверкой; физические лабораторные запуски должны включать ворота контроля качества до того, как выводы будут переданы обратно моделям и агентам ИИ в цифровом мире.
- Безопасность и осведомленность о двойном использовании: защитить лабораторную инфраструктуру от несанкционированных изменений.
Расширение Возможностей Людей Повсюду: Могут ли ИИ — научные партнеры обеспечить равные возможности?
Одно из наиболее привлекательных обещаний ИИ-XR «научного партнера» заключается не только в скорости для элитных учреждений, но и в доступности для всех. Рассмотрите, что сейчас ограничивает меньшие лаборатории, стартапы и удаленные/сельские/региональные клиники:
- Ограниченный доступ к специализированной экспертизе в области эталонных протоколов и приборов.
- Более высокая относительная стоимость обучения, ошибок и переделки.
- Фрагментированный инструментарий: блокноты, электронные таблицы, журналы инструментов и аналитические скрипты редко соединяются чисто.
Система, которая может направлять выполнение в контексте (с помощью очков XR), автоматически фиксировать произошедшее, и предлагать следующий наилучший шаг на основе предыдущих запусков, могла бы сделать передовые анализы более воспроизводимыми на разных площадках. В принципе, она также могла бы поддерживать распределенные клинические исследования, где протоколы должны выполняться единообразно, даже когда ресурсы варьируются.
График: Когда Каждый Ученый и Клиницист Получает Со-Ученого?
Вкратце, мы ближе, чем многие думают, для некоторых высокоценных, высокочастотных задач (таких как производство лекарства надежно в лаборатории) и дальше, чем большинство демонстраций подразумевает для других (таких как ИИ полностью решает большие проблемы, такие как рак или болезнь Альцгеймера). Реалистичный план выглядит так:
- Ближайший срок (в течение 1 года): Ко-пилоты рабочих процессов, которые уменьшают административную нагрузку: подготовка протоколов, синтез литературы, шаблоны анализа и автоматические отчеты контроля качества. Ограничивающим фактором является интеграция, а не способность модели.
- Среднесрочный период (1-2 года): Системы совместного выполнения в лаборатории: подсказки через очки XR, автоматическая документация и селективная робототехника для этапов с высокой вариативностью. Доверие будет зависеть от журналов аудита и продуманного тесного участия человека в процессе.
- Долгосрочный период (3+ года): Междисциплинарные научные партнеры, связывающие открытия с практическим применением: они связывают лабораторные данные с клиническими конечными точками, отслеживают сигналы безопасности и помогают проектировать испытания – при соблюдении регуляторных и этических ожиданий.
От Кодирования к Лечению: Путь Вперед к 1000-кратному Научному Открытию
LabOS – одна из попыток ответить на простой вопрос: что, если эксперимент мог быть запущен как разговор, где намерение, выполнение и доказательства связаны сквозным образом? Если мы построим эти системы хорошо, они могут помочь решить разрыв между открытием и его практическим применением, который замедляет биомедицину и многие физические научные дисциплины (например, материаловедение). Если мы построим их плохо, они будут усиливать невоспроизводимость и создавать новые риски безопасности.
Самая важная работа в ближайшие несколько лет будет фундаментальной: стандартизация интерфейсов данных и устройств путем создания операционной системы (как iOS запускает все виды приложений), построение бенчмарков ИИ, которые включают выполнение и неопределенность (как бенчмарк LabSuperVision в LabOS), и начало развертывания в реальном мире, которое поощряет инновации, защищая при этом пациентов и целостность исследований.
Для исследователей и клиницистов вопрос заключается не в том, войдет ли ИИ в лабораторию. Он уже вошел. Вопрос заключается в том, интегрируем ли мы его как коллекцию несвязанных инструментов или как надежную систему с возможностью аудита, разработанную для реалий биомедицинской науки.
Рекомендуемая литература и источники
- Опрос воспроизводимости (Nature, 2016): https://www.nature.com/articles/533452a
- Рецензированная статья CRISPR-GPT (Nature Biomedical Engineering): https://www.nature.com/articles/s41551-025-01463-z
- Новости Стэнфордской медицины о CRISPR-GPT (2025): https://med.stanford.edu/news/all-news/2025/09/ai-crispr-gene-therapy.html
- Предварительная версия LabOS (arXiv): https://arxiv.org/abs/2510.14861
- Веб-сайт LabOS и бенчмарка LabSuperVision: https://ai4lab.stanford.edu
- Рамка управления рисками ИИ NIST (AI RMF 1.0): https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
- Обзор FDA программного обеспечения ИИ/МЛ в качестве медицинского устройства: https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-software-medical-device
- Принципы FAIR данных (Scientific Data, 2016): https://doi.org/10.1038/sdata.2016.18
- Unite.AI о пробелах в поиске лекарств на основе малых молекул: https://www.unite.ai/how-ai-is-breaking-down-the-bottlenecks-in-small-molecule-drug-discovery/
- Unite.AI об ИИ и роботизированной хирургии: https://www.unite.ai/how-ai-is-ushering-in-a-new-era-of-robotic-surgery/












