Лидеры мнений

От Кодирования к Лечению: Следующая Революция ИИ Нуждается в Руке (И Глазах)

mm
Опубликовано
Обновлено
Добавьте Unite.AI в избранные источники в Google
A diverse female scientist in smart glasses works alongside a sophisticated dual-arm robotic lab system in a futuristic wet lab.

Как агентные системы, умные очки XR и робототехника будут расширять возможности человека, а не заменять его

Мы живем в парадоксе в области искусственного интеллекта.

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. Нобелевские системы, такие как AlphaFold, предсказали структуры почти всех известных белков. Цифровые победы накапливаются.

Однако в физическом мире биомедицинских исследований процесс открытия остается мучительно ручным. 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 влиянием могли быть воспроизведены, и 68% экспериментов не имели достаточной документации, чтобы даже попытаться воспроизвести.

Это грязный секрет современной науки: у нас есть проблема захвата 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 беспорядочном, непредсказуемом 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 самой большой проблемой, которая мешает революции ИИ стать медицинской революцией. Пока большинство робототехнических компаний все еще заняты обучением машин складывать белье или загружать посудомойки, они отстают от真正 трансформационных возможностей этих достижений в таких областях, как медицина.

Чтобы решить эту проблему, нам нужно выйти за пределы чат-ботов и перейти к ИИ-соучастникам, 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框架 ИИ, которая демонстрирует, как агенты ИИ, умные очки XR и робототехника могут объединиться, чтобы закрыть этот пробел, превращая научные эксперименты в совместный разговор между человеком и машиной, автоматически захватывая знания, которые в настоящее время теряются.

Большой Раздел: 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, чтобы запустить виртуальный бизнес или цифровые инвестиции в акции).

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 пипетки,模式ом вихревого потока, заменой реагента или инкубацией, которая длилась на 10 минут дольше. Эти контекстные детали редко попадают в статью и являются именно тем, что модель ИИ нуждается, если она собирается обобщать за пределами набора данных.

Это почему лабораторный ИИ нуждается в глазах (чтобы воспринимать, что происходит в контексте), руках (чтобы стандартизировать и безопасно автоматизировать шаги с высоким варьированием) 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 оф-таргет”), разложить ее на последовательность задач, выполнить эти задачи через инструменты, оценить результаты и адаптировать план под ограничениями и с аудиторной принятием решений.

Это имеет значение, потому что исследовательские рабочие процессы не являются одним вызовом модели. Они являются конечными трубопроводами, которые охватывают формулировку гипотезы, экспериментальный дизайн, обработку данных, статистическое тестирование и интерпретацию. Недавняя мысль в открытии лекарств начала подчеркивать агентные системы, которые могут масштабировать эти трубопроводы, а не просто ускорять отдельные шаги (например, обсуждение Unite.AI об агентах в открытии 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, соединяя ИИ с человеческими 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, таких как LabOS, которые помогают ученым в биомедицинских и материаловедческих лабораториях, мы исследуем архитектурный сдвиг:

1. Проектирование конечного “лабораторного операционного системы”, которое соединяет цифровую (сухую) лабораторию с физической (влажной) лабораторией.

Предпосылка проста: если лабораторный журнал является памятью науки, то лабораторная операционная система должна быть слоем выполнения, захватывающим намерение, переводящим его в действия, наблюдая результаты и превращая каждый запуск в структурированные знания.

Фигура. Концептуальный вид LabOS, соединяющий саморазвивающийся цифровой лабораторный цикл (планирование, кодирование, критика, создание инструментов) с человеческим ИИ влажным лабораторным циклом (авто-документация, захват знаний, XR-руководство 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 был самосовершенствующимся. Не “галлюцинируя новую науку”, а учась лучше инструментам и рабочим процессам из обратной связи.

Практический цифровой лабораторный цикл можно сформировать как четыре повторяющихся этапа:

  • Планирование (гипотеза + дизайн): предложить гипотезы, выбрать экспериментальные переменные, предвидеть конфаундеры и указать измеримые конечные точки.
  • Кодирование (реализация): сгенерировать или адаптировать аналитические скрипты, симуляционные трубопроводы и шаблоны управления инструментами, где это уместно.
  • Критический агент (обоснование + оценка): проверить предположения, проверить статистическую мощность, предложить контроли и указать вероятные режимы неудач.
  • 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 доверие, 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 дополнительных возможностей:

  • Автоматическая запись и документация: захватить действия, метки времени, настройки инструментов и отклонения автоматически, чтобы документация не была после мысли.
  • Захват знаний для быстрого, воспроизводимого выполнения: преобразовать запуски в структурированные, запросные артефакты (версии протоколов, наборы параметров, результаты контроля качества), выровненные с принципами управления данными, такими как FAIR.
  • Реальное руководство с помощью очков XR: использовать многомодальные модели, чтобы интерпретировать сцену (что делает оператор, какой реагент в руке) и предоставить пошаговое руководство 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 симуляции-реальных рабочих процессов (например, NVIDIA Isaac) и обработка ИИ в реальном времени на краю, такие как прямая трансляция 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. Что LabOS добавляет, так это более плотный человеческий интерфейсный слой, чтобы автономность не шла за счет прозрачности.

Почему Лабораторный ИИ Не Просто “ИИ на Наборе Данных”

Системы ИИ для биомедицинской 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 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 режимы неудач, потому что он может действовать. В лаборатории действие означает потенциал для отходов, вреда или вводящих в заблуждение выводов, особенно когда эксперименты входят в клинические гипотезы.

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 медицински-прилегающего ИИ: 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 высоко-следственных областей 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: Контроли для Безопасных ИИ-Со-Ученых для Научных Открытий

На наш взгляд, система ИИ-со-участника должна реализовать хотя бы следующие конструкции:

  • 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).
  • Переход человека и плавное ухудшение: 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 перед выводами, которые распространяются вниз по потоку к моделям/агентам в цифровом мире.
  • Безопасность и осведомленность о двойном использовании: защитить лабораторную инфраструктуру от篡改.

Расширение Возможностей Людей Повсюду: Может Ли ИИ-Со-Ученые Уровнять Игровое Поле?

Одно из наиболее привлекательных обещаний ИИ-XR “со-участника” 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 для золотых стандартов протоколов и инструментов.
  • Более высокая относительная стоимость обучения, ошибок и переделки.
  • Фрагментированное инструментирование: блокноты, электронные таблицы, журналы инструментов и аналитические скрипты редко соединяются чисто.

Система, которая может направлять выполнение в контексте (с помощью очков XR), захватить, что произошло автоматически, и предложить следующий лучший 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 последовательно, 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:

  1. Ближайший срок (в течение 1 года): Ко-пилоты рабочих процессов, которые уменьшают административную нагрузку: черновик протокола, синтез литературы, шаблоны анализа и автоматические отчеты контроля качества. Ограничивающим фактором является интеграция, а не способность модели.
  2. Среднесрочный период (1-2 года): Системы совместного выполнения в лаборатории: руководство очками XR, автоматическая документация и селективная робототехника для шагов с высоким варьированием. Доверие будет зависеть от аудиторных следов и плотного дизайна человека в цикле.
  3. Долгосрочный период (3+ года): Ко-исследователи, пересекающие области, соединяющие открытие с переводом: связывая лабораторные данные с клиническими конечными точками, мониторинг сигналов безопасности и помощь в проектировании испытаний – 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 соединены конец в конец? Если мы построим эти системы хорошо, они могут помочь решить пробел в переводе, который замедляет биомедицину и многие физические научные дисциплины (например, материаловедение). Если мы построим их плохо, они будут усиливать нерепроизводимость и создавать новые риски безопасности.

Самая важная работа в ближайшие несколько лет будет фундаментальной: стандартизированные интерфейсы данных и устройств через построение 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, сохраняя 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, аудиторную систему, разработанную для реалий биомедицинской науки.

Рекомендуемая литература и источники

mm

Ле Конг, PhD, является доцентом кафедры патологии и генетики в Стэнфордском университете, где его группа разрабатывает системы геномной инженерии и AI-XR-робототехники, которые соединяют цифровую лабораторную логику с физической лабораторной реализацией, чтобы расширить возможности человека в научных открытиях.