ระบบอージェนติก, แว่นตาอัจฉริยะ XR และหุ่นยนต์จะเสริมศักยภาพให้กับมนุษย์ ไม่ใช่การแทนที่

เรากำลังอยู่ในความขัดแย้งของปัญญาประดิษฐ์

บนหน้าจอ AI เป็นซุปเปอร์ฮิวแมน โมเดลภาษาขนาดใหญ่เขียนโค้ด Python ได้ภายในไม่กี่วินาที ระบบสร้างสรรค์ผลิตภาพและวิดีโอที่มีลักษณะเหมือนจริงภายในไม่กี่นาที ระบบที่ได้รับรางวัลโนเบล เช่น AlphaFold ได้ทำนายโครงสร้างของโปรตีนเกือบทั้งหมดที่ทราบแล้ว การชนะในดิจิทัลกำลังเพิ่มขึ้น

แต่ในโลกแห่งการวิจัยทางชีวการแพทย์ การค้นพบยังคงเป็นกระบวนการที่ทำด้วยมืออย่างเจ็บปวด เราไม่ได้รู้สึกว่า AI กำลังเร่งความเร็วของวิทยาศาสตร์หรือการแพทย์อย่างน้อยก็ยังไม่ถึงตอนนี้ ตัวเลขแสดงให้เห็นถึงความลึกของปัญหา การสำรวจของ Nature ที่มีนักวิทยาศาสตร์มากกว่า 1,500 คนพบว่ามากกว่า 70% ได้ลองและล้มเหลวในการทำซ้ำการทดลองของนักวิจัยอื่น ๆ

ความลับอันโหดร้ายของวิทยาศาสตร์สมัยใหม่คือเรามีปัญหาในการจับข้อมูล ไม่ใช่แค่ปัญหาในการค้นพบ ข้อมูลที่สำคัญอาศัยอยู่ในหัวของนักวิจัย ไม่ใช่ในเอกสาร วิธีการทดลองเปลี่ยนแปลงไป ความรู้ที่ไม่เขียนไว้ในเอกสารจะออกไปเมื่อผู้ฝึกอบรมจบการศึกษา ระบบ AI ที่ได้รับการฝึกจากเอกสารที่ตีพิมพ์จะ继承ช่องว่างเหล่านี้

ปัญหาหลักคือแม้ว่า AI จะสามารถออกแบบโปรตีนใหม่สำหรับการรักษาโรคมะเร็งในซิมูเลชั่นดิจิทัลได้ แต่ก็ไม่สามารถหยิบปิเปตเพื่อทดสอบมันได้ ไม่สามารถเดินไปในห้องทดลองที่มีลักษณะไม่แน่นอนเพื่อยืนยันสมมติฐานของตัวเองได้ ไม่สามารถดูถึงมือของนักวิจัยที่มีประสบการณ์และเรียนรู้เทคนิคที่ละเอียดที่ทำให้ทดลองสำเร็จ

ช่องว่างในการดำเนินการนี้คืออุปสรรคที่ใหญ่ที่สุดในการป้องกันไม่ให้การปฏิวัติ AI กลายเป็นการปฏิวัติทางการแพทย์ ในขณะที่บริษัทหุ่นยนต์ส่วนใหญ่ยังคงยุ่งอยู่กับการสอนให้เครื่องจักรพับเสื้อผ้าหรือโหลดจาน พวกเขากำลังล้าหลังในด้านความสามารถที่แท้จริงของความก้าวหน้าเหล่านี้ในด้านการแพทย์

เพื่อแก้ไขปัญหานี้ เราต้องไปไกลกว่าแชทบอทและไปสู่ AI Co-Scientists ระบบอージェนติกที่เชื่อมระหว่างโลกดิจิทัลและโลกแห่งความเป็นจริง โดยการขยายไปไกลกว่าการวางแผนและการเขียนโค้ดและเข้าสู่การดำเนินการในโลกแห่งความเป็นจริง ที่ Stanford เรากำลังพัฒนา LabOS ซึ่งเป็นเฟรมเวิร์ก AI ที่เชื่อมระหว่างห้องทดลองดิจิทัลและห้องทดลองทางกายภาพ โดยแสดงให้เห็นว่า AI, แว่นตาอัจฉริยะ XR และหุ่นยนต์สามารถทำงานร่วมกันเพื่อปิดช่องว่างนี้ และเปลี่ยนการทดลองทางวิทยาศาสตร์ให้เป็นการพูดคุยร่วมกันระหว่างมนุษย์และเครื่องจักร

ความแตกต่างที่ยิ่งใหญ่: ทำไม AI ต้องการ “สายตา” และ “มือ”

หลายชัยชนะที่มองเห็นได้ของ AI เกิดขึ้นในสถานการณ์ที่สภาพแวดล้อมเป็นดิจิทัลทั้งหมด: ฐานข้อมูลโค้ดที่ถูกต้องหรือชุดข้อมูลที่ถูกจัดเตรียมหรือการจำลอง

ห้องทดลองเป็นต่างออกไป ชีววิทยาและโดยทั่วไปการค้นพบทางวิทยาศาสตร์เป็นกระบวนการที่มีเสียงรบกวนมาก เครื่องมือเปลี่ยนแปลงไป ผู้ดำเนินการปรับเปลี่ยน “วิธีการทดลอง” มักจะอาศัยอยู่ในหัวของคนเหล่านั้น ความแตกต่างระหว่างผลลัพธ์ที่ดีและที่ล้มเหลวอาจเป็นมุมของปิเปต การผสมผสานของสารตั้งต้นหรือการบ่มที่ใช้เวลานานกว่า 10 นาที ข้อมูลเชิงบริบทเหล่านี้ไม่เคยปรากฏในเอกสารและเป็นสิ่งที่จำเป็นสำหรับ AI ที่จะขยายไปไกลกว่าชุดข้อมูล

ไปไกลกว่าแชทบอท: จาก Co-Pilots ถึง Co-Scientists

คำว่า “AI อージェนติก” บางครั้งใช้ในลักษณะที่ไม่แน่นอน ในการวิจัยทางชีวการแพทย์ ควรหมายถึงสิ่งที่เฉพาะเจาะจง: ระบบที่สามารถรับเป้าหมาย (เช่น “เพิ่มประสิทธิภาพการแก้ไขยีน CRISPR ขณะที่ลดการแก้ไขยีนไม่ถูกต้อง”) แบ่งออกเป็นลำดับของงาน ดำเนินการงานเหล่านั้นข้ามเครื่องมือ ติดตามผลลัพธ์ และปรับแผนภายใต้ข้อจำกัดและตัดสินใจที่สามารถตรวจสอบได้

LabOS: เมื่อ AI ใช้ระบบปฏิบัติการสำหรับห้องทดลองในอนาคต

ในงานของเรา tại Stanford เรากำลังสำรวจการเปลี่ยนแปลงทางสถาปัตยกรรม

1. ออกแบบระบบปฏิบัติการห้องทดลองแบบ end-to-end ที่เชื่อมระหว่างห้องทดลองดิจิทัลและห้องทดลองทางกายภาพ

แนวคิดคือการสร้างระบบปฏิบัติการที่สามารถจับจุดประสงค์ แปลเป็นการดำเนินการ และสังเกตผลลัพธ์ และเปลี่ยนการดำเนินการแต่ละครั้งให้เป็นความรู้ที่มีโครงสร้าง

2. AI ในห้องทดลองดิจิทัล – การวางแผนและการสร้างเครื่องมือที่พัฒนาตัวเอง

ในห้องทดลองดิจิทัล เราสามารถปล่อยให้ AI ทำสิ่งที่มันทำได้ดี: ค้นหา สังเคราะห์ และเสนอแนะ แต่เรายังต้องการให้มันพัฒนาตัวเองด้วย

3. AI ในห้องทดลองทางกายภาพ – AI ที่มี “สายตา” (แว่นตาอัจฉริยะ XR) และ “มือ” (หุ่นยนต์)

ห้องทดลองทางกายภาพคือที่ที่ระบบต้องสร้างความไว้วางใจหรือเสียความไว้วางใจ

ทำไม AI ระดับห้องทดลองไม่ใช่แค่ “AI บนชุดข้อมูล”

ระบบ AI สำหรับการวิจัยทางชีวการแพทย์หรือการแพทย์บางครั้งดูเหมือนน่าประทับใจในการประเมินย้อนหลังหรือการสอบ แต่แล้วก็ไม่ทำงานในห้องทดลองทางกายภาพ สาเหตุไม่ใช่บั๊กเดียว แต่เป็นความไม่ตรงกันระหว่างสมมติฐานของโมเดลและความเป็นจริงของห้องทดลอง

การออกแบบด้วยความไว้วางใจ: ความปลอดภัยและการกำกับดูแลสำหรับ AI ที่สามารถดำเนินการ

AI อージェนติกในการวิจัยการค้นพบไม่เพียงแต่ทำให้เกิดความกังวลเกี่ยวกับความแม่นยำ แต่ยังทำให้เกิดโหมดการล้มเหลวใหม่ ๆ เนื่องจากสามารถดำเนินการได้ ในห้องทดลอง การดำเนินการหมายถึงศักยภาพในการเสียหายหรือสร้างความเข้าใจผิด โดยเฉพาะอย่างยิ่งเมื่อทดลองเป็นอาหารเข้าสู่สมมติฐานทางคลินิก

รายการตรวจสอบ: การควบคุมสำหรับ AI Co-Scientists ที่ปลอดภัยสำหรับการค้นพบทางวิทยาศาสตร์

ในมุมมองของเรา ระบบปฏิบัติการห้องทดลองที่มีความปลอดภัยควรใช้การออกแบบต่อไปนี้

เพิ่มพลังให้กับมนุษย์ทุกที่: AI Co-Scientists สามารถสร้างความเท่าเทียมให้กับสนามได้หรือไม่?

หนึ่งในสิ่งล่อใจที่น่าดึงดูดที่สุดของ AI-XR “co-Scientist” ไม่ใช่แค่ความเร็วสำหรับสถาบันที่มีชื่อเสียงเท่านั้น แต่ยังรวมถึงความสามารถในการเข้าถึงสำหรับทุกคน

เส้นเวลา: เมื่อใดที่นักวิทยาศาสตร์และแพทย์จะได้รับ Co-Scientist?

ในระยะสั้น (ภายใน 1 ปี) คู่หูการทำงานที่ลดภาระการบริหาร: การเขียนโพรโทคอล การสังเคราะห์เอกสาร การสร้างเทมเพลตการวิเคราะห์ และรายงาน QC อัตโนมัติ

LabOS เป็นหนึ่งในการตอบคำถามว่าถ้าการทดลองสามารถดำเนินการได้ด้วยการพูดคุย ระหว่างเจตนา การดำเนินการ และหลักฐานที่เชื่อมต่อกัน

งานที่สำคัญที่สุดในไม่กี่ปีข้างหน้าจะเป็นงานพื้นฐาน: ส่วนต่อประสานข้อมูลและอุปกรณ์ที่มาตรฐานผ่านการสร้างระบบปฏิบัติการ (เช่นเดียวกับ iOS ที่รันแอปทุกประเภท) การสร้างมาตรฐาน AI ที่รวมการดำเนินการและความไม่แน่นอน (เช่น LabSuperVision benchmark ใน LabOS) และเริ่มใช้งานในโลกแห่งความเป็นจริงที่กระตุ้นให้เกิดนวัตกรรมในขณะเดียวกันก็ปกป้องผู้ป่วยและความสมบูรณ์ของการวิจัย