Agentic sistemler, XR akıllı gözlükler ve robotik, insanların yerini almayacak, onları güçlendirecek

Yapay zeka alanında bir paradoks yaşıyoruz.

Ekranlarda, yapay zeka süper insancıl. Büyük dil modelleri saniyeler içinde işlevsel Python kodu yazar. Üretken sistemler dakikalar içinde fotoğrafik görüntüler ve videolar üretir. Nobel ödüllü sistemler gibi AlphaFold, neredeyse tüm bilinen proteinlerin yapılarını tahmin etti. Dijital zaferler birikiyor.

Ancak biyomedikal araştırma fiziksel dünyasında, keşif süreci hala çok manuel. Bilim veya tıpta yapay zekanın hızlanmasını gerçekten hissetmiyoruz, en azından henüz değil. Rakamlar sorunu ortaya koyuyor. 1.500’den fazla bilim insanıyla yapılan bir Nature anketi, yapay zekanın daha önce başka bir araştırıcının deneylerini tekrarlayamadığını gösterdi. Daha da endişe verici: kendi çalışmalarını tekrarlayamayanların oranı daha yüksek. Kanser biyolojisinde özel olarak, sekiz yıllık bir tekrar çalışması, yüksek etkili bulguların yalnızca %40’ın tekrarlanabildiğini ve deneylerin %68’inin tekrarlanmaya çalışmak için yeterli belgeye sahip olmadığını ortaya koydu.

Bu, modern bilimin kirli sırrı: bir keşif sorunu değil, bir bilgi yakalama sorunumuz var. Kritik deneysel ayrıntılar araştırmacıların kafalarında, değil makalelerde yaşıyor. Protokoller değişiyor. Somut bilgiler eğitimlilerin mezun olduğu zaman kapıdan çıkıyor. Yapay zeka sistemleri yayınlarda bulunan literatürde bu boşlukları miras alıyor.

Temel sorun, bir yapay zeka sisteminin bir protein için dijital bir simülasyonda yeni bir tedavi tasarlayabilmesi, ancak bir pipeti test etmek için alamamasıdır. Bir wet labın karmaşık, öngörülemez gerçekliğini navigasyon yapamaz, kendi hipotezini doğrulayamaz. Bir deneycinin ellerini izleyemez, deneylerin çalışmasını sağlayan nüanslı teknikleri öğrenemez.

Bu “yürütme boşluğu”, yapay zeka devriminin bir tıbbi devrime dönüşmesini engelleyen en büyük engel. Çoğu robotik şirketi hala makinelerin çamaşır katlamasını veya bulaşık makinesini yüklemesini öğretmeye çalışırken, gerçekten dönüştürücü yeteneklerden geri kalıyorlar.

Bunu çözmek için, sohbet botlarından öte, planlama, kodlama ve fiziksel dünyadaki yürütme arasında köprüler kuran agentic sistemlere, AI Co-Scientists’e ihtiyacımız var. Stanford’da, LabOS üzerinde çalışıyoruz, bu, AI ajanları, XR akıllı gözlükler ve işbirlikçi robotların bir araya gelerek bu döngüyü nasıl kapatabileceğini gösteren bir dijital-fiziksel AI çerçevesi.

Büyük Uğrak: Yapay Zekanın “Göz” ve “Eller”e Neden İhtiyacı Var

Görünür olan çoğu yapay zeka zaferi, ortamın tamamen dijital olduğu yerlerde gerçekleşti: kod depoları, düzenlenmiş veri kümeleri veya simüle edilmiş benchmark’ler (yapay zeka bir sanal işletme çalıştırmaya veya dijital olarak hisse senedi alım satımına yarışıyor).

Wet laboratuvarlar farklı. Biyoloji ve genel olarak bilimsel keşif, çok gürültülü bir süreç. Enstrümanlar kayar, operatörler импровизasyon yapar ve “protokol” częčně insanların kafalarında yaşar. Bir temiz sonuç ve başarısız bir çalıştırma arasındaki fark, bir pipetleme açısı, bir vortexing deseni, bir reaktif ikamesi veya 10 dakika uzun bir inkübasyon olabilir. Bu bağlamsal ayrıntılar nadiren bir makaleye girer ve bunlar, bir yapay zeka modelinin bir veri kümesinden öteye genellemesi için ihtiyaç duyduğu şeylerdir.

Bu nedenle, laboratuvar sınıfı yapay zeka, gözlere (bağlamda neler olduğu hakkında algılamak için), ellere (yüksek varyanslı adımları standardize etmek ve otomatikleştirmek için) ve hafızaya (gerçekten neler olduğu hakkında kayıt tutmak için) ihtiyaç duyar. Bu yeteneklere sahip olmadan, modeller önerilerde bulunabilir, ancak önerilerini güvenilir bir şekilde fiziksel yürütme veya planın gerçeklikten sapması durumunda hataları açıklamak için çeviremez.

Sohbet Botlarından Öte: Copilotlardan Co-Scientists’e

“Agentic AI” terimi bazen gevşek bir şekilde kullanılır. Biyomedikal ortamlarda, kesin bir şey anlamına gelmelidir: bir hedefi (örneğin, “CRISPR gen düzenleme verimliliğini optimize edin ve off-target’ları en aza indirin”) bir dizi görevlere ayırabilen, görevleri çeşitli araçlar boyunca yürütebilen, sonuçları değerlendirebilen ve kısıtlamalar altında ve denetlenebilir karar alma ile planı uyarlayabilen bir sistem.

Bu önemli çünkü araştırma iş akışları tek bir model çağrısı değil. Hipotez formülasyonu, deneysel tasarım, veri işleme, istatistiksel test ve yorumlama dahil olmak üzere uçtan uca boru hatları. İlaç keşfinde recent düşünce, bireysel adımları hızlandırmak yerine bu boru hatlarını ölçeklendirebilen agentic sistemlere başladı (örneğin, Unite.AI’nin küçük molekül keşfinde ajanlar hakkında tartışması).

Yazılım mühendisliğinde, AI kopya pilotlarının geliştirici verimliliğini artırdığına dair erken empirik kanıtlar zaten var. Biyomedikal alanda, benzer fırsat, kod yazmak değil, protokoller yazmak ve geçerliğini sağlamak.

LabOS: AI, Laboratuvarların Geleceği İçin Bir İşletim Sistemine Dayalı Çalışıyor

Stanford’da AI4Science üzerinde çalışırken, gen düzenleme kopyaları gibi CRISPR-GPT ve AI-XR ortak yürütme sistemleri gibi LabOS üzerinde, bir mimari değişimi keşfediyoruz:

1. Bir “laboratuvar işletim sistemi” tasarımı, dijital (kuru) laboratuvarı fiziksel (Islak) laboratuvara bağlıyor.

Öneri basittir: bir laboratuvar defteri bilimlerin hafızası ise, bir laboratuvar işletim sistemi yürütme katmanı olmalıdır, niyeti yakalamak, eylemlere çevirmek, sonuçları gözlemlemek ve her çalışmayı yapılandırılmış bilgiye dönüştürmek.

Şekil. LabOS, bir self-evolving dijital laboratuvar döngüsünü (planlama, kodlama, eleştiri, araç oluşturma) bir insan-yapay zeka wet laboratuvar döngüsü (oto-belgeleme, bilgi yakalama, XR rehberliği ve robotik entegrasyonu) ile bağlayan kavramsal bir görünüm.

2. Dijital Laboratuvarda Yapay Zeka – Kendini Geliştiren Planlama ve Araç Oluşturma

Dijital (kuru) laboratuvarda, yapay zekanın zaten iyi yaptığı şeyi yapabiliriz: arama, sentezleme ve öneri. Ancak self-geliştirme olmasını da istiyoruz. “Yeni bilim hayal etmek” değil, geri bildirimden daha iyi araçlar ve iş akışları öğrenmek.

Pratik bir dijital-laboratuvar döngüsü dört tekrarlanan aşama olarak çerçevelendirilebilir:

• Planlama (hipotez + tasarım): hipotezler öner, deneysel değişkenleri seç, karıştırıcıları tahmin edin ve ölçülebilir son noktaları belirtin.
• Kodlama (uygulama): analiz betikleri, simülasyon boru hatları ve enstrüman kontrol şablonları oluşturun veya uyarlayın.
• Eleştiri ajanı (sebep ve değerlendirme): varsayımları test edin, istatistiksel gücü kontrol edin, kontroller önerin ve muhtemel başarısızlık modlarını işaretleyin.
• Araç oluşturma (araştırma + geliştirme): iş akışında bir bileşen eksikse (bir parser, bir QC rutini, bir panelden), oluşturun ve araç setine ekleyin.

3. Fiziksel Laboratuvarda Yapay Zeka – “Göz” (XR Gözlük) ve “Eller” (Robotik) ile Yapay Zeka

Fiziksel (Islak) laboratuvar, sistem ya güven kazanıyor ya da kaybediyor. Hedef, bilim insanını değiştirmek değil, sürtünmeyi ve hatayı azaltmak ve gözlemlenebilirliği artırmaktır.

Fiziksel-laboratuvar döngüsünü dört tamamlayıcı yetenek olarak görüyoruz:

• Oto-kayıt ve belgeleme: eylemleri, zamanlamaları, enstrüman ayarlarını ve sapmaları otomatik olarak yakalayın, böylece belgeleme bir son düşünce olmasın.
• Bilgi yakalama için hızlı, tekrarlanabilir yürütme: çalışmaları yapılandırılmış, sorgulanabilir nesnelere (protokol sürümleri, parametre setleri, QC sonuçları) dönüştürün ve veri yönetimi ilkeleri gibi FAIR ile hizalayın.
• Gerçek zamanlı vizyon-dil rehberliği via XR akıllı gözlük: çok modelli modelleri kullanarak sahneyi yorumlayın (operatör ne yapıyor, hangi reaktifi elinde) ve adım adım rehberlik ve güvenlik kontrolleri sağlayın. AR / XR, already değerini yüksek riskli fiziksel iş akışlarında kanıtladı (LabOS, Stanford, Princeton, NVIDIA ile işbirliği).
• Cobot/robotik entegrasyonu için otomasyon: tekrarlanan adımları standardize edin, güvenli teslimatları sağlayın ve varyansı azaltın. Simülasyon-gerçek iş akışları platformları (örneğin NVIDIA Isaac) ve kenarında gerçek zamanlı AI işleme gibi akıllı gözlük canlı yayın ve insan-yapay zeka etkileşimi gibi LabOS önemli ermöglicht katmanlar.

Bu mimari, “kendiliğinden sürüş” veya otonom laboratuvarlar gibi alanın daha geniş bir yönüyle hizalanıyor: otomasyon ile makine öğrenimi birleştirerek bir sonraki deneyin planlanmasını sağlayan laboratuvarlar. LabOS’un eklediği, insan arayüzü katmanı daha sıkı, böylece otonomi şeffaflık maliyetine gelmez.

Laboratuvar Sınıfı Yapay Zeka, Sadece “Veri Kümesindeki Yapay Zeka” Değildir

Biyomedikal / bilimsel süper zeka için yapay zeka sistemleri genellikle geriye dönük değerlendirmede veya sınavlarda etkileyici görünür, ancak fiziksel laboratuvarda kötü performans gösterir. Sebep genellikle tek bir hata değildir. Modelin varsayımları ile laboratuvarın gerçekliği arasındaki uyumsuzluktur.

Üç boşluk tekrar tekrar ortaya çıkıyor:

• Context boşluğu: veri kümeleri genellikle operatörlerin önemli olduğunu düşündüğü bağlamsal değişkenleri atlar (sıcaklık kaçakları, reaktif parti numaraları, nüanslı protokol sapmaları).
• İşlem boşluğu: birçok yapay zeka sistemi ne yapacağını önerebilir, ancak önerilerini güvenilir bir şekilde fiziksel adımlara çeviremez.
• Geribildirim boşluğu: yürütmeden yapılandırılmış, yüksek kaliteli geribildirim olmadan, modeller nerede başarısız olduklarını öğrenemez – ve bilim insanları nedenini denetleyemez.

Bu boşlukları kapatmak, yeni bir sinir ağı mimarisini icat etmekten daha çok, laboratuvarı makinelerin anlaşabileceği şekilde yapan enstrümantasyon, arayüzler ve veri sözleşmeleri oluşturmaktır ve yapay zekanın insanlarla birlikte çalışmasını ve görmesini sağlar.

Tasarım ile Güven: AI’nin Güvenilir Olması için Güvenlik ve Yönetim

Keşif araştırmalarında agentic AI, yalnızca doğrulukla ilgili bilinen endişeleri değil, yeni hata modlarını da tanır, çünkü eylemde bulunabilir. Bir laboratuvarda eylem, atık, zarar veya yanlış sonuçlar için potansiyel anlamına gelir, özellikle de deneyler klinik hipotezlere girerse.

İyi bir zihniyet, AI etkin laboratuvar yığınını, güvenceye ihtiyaç duyan bir sosyo-teknik sistem olarak tedavi etmektir. Birkaç mevcut çerçeve yardımcı olabilir, ancak bunlar laboratuvar gerçekliğine çevrilmelidir:

• Risk yönetimi sürekli bir uygulama olarak: NIST’in AI Risk Yönetimi Çerçevesi (AI RMF 1.0) AI riskini tüm yaşam döngüsü boyunca haritalamak, ölçmek ve yönetmek için pratik bir dil sağlar.
• Tıbbi AI için düzenleyici uyum: FDA’nın AI / ML Yazılımı bir Tıbbi Cihaz (SaMD) çalışması, AI’nin hasta bakımını etkilediği zaman “iyi uygulama”nın neye benzediğini somut bir şekilde gösterir.

Gen düzenleme gibi yüksek sonuçlu alanlar için, yönetim zaten bir küresel konuşma. İnsan genomu düzenleme için uygun denetim mekanizmaları ve sorumlu yönetim vurgulamak için öneriler tartışılıyor, Amerikan Hücre ve Gen Terapisi Derneği tarafından önerilenler gibi. Sistemler gibi LabOS, uyumu daha kolay hale getirmek için tasarlanmalıdır, değil daha zor.

Kontrol Listesi: Bilimsel Keşif için Güvenli AI Co-Scientists Kontrolleri

Görüşümüze göre, güvenlik odaklı bir laboratuvar işletim sistemi en az aşağıdaki tasarımları uygulamalıdır:

• Varsayılan olarak köken: her veri kümesi, protokol sürümü ve model çıkışı girdilere ve zaman damgalarına izlenebilir olmalıdır.
• Sınırlı otonomi: sistem, onay olmadan yapabileceği şeyleri (sınırlı izinler) ve yükseltme kurallarını (onay istendiğinde) açıkça belirlemelidir.
• İnsan geçişi ve nazik bozulma: sensörler veya veri akışları başarısız olduğunda veya belirsizlik yüksek olduğunda, sistem daha güvenli, daha basit bir moda geri dönmelidir.
• Sürekli doğrulama: in-silico tahminleri fiziksel-laboratuvar doğrulamasıyla eşleştirin; fiziksel-laboratuvar çalıştırması, AI modellerine / ajanlarına geri yayılan sonuçlar için QC kapıları dahil etmeli.
• Güvenlik ve çift kullanım farkındalığı: laboratuvar altyapısını manipülasyondan koruyun.

Her Yerde İnsanları Güçlendirme: AI Co-Scientists Düzeyini Yükseltebilir mi?

AI-XR “co-bilim insanı”nın vaatlerinden biri, yalnızca elit kurumlar için hız değil, herkes için erişilebilirliktir. Şu anda küçük laboratuvarları, startupları ve uzak / kırsal / bölgesel klinikleri neler sınırlıyor:

• Özel uzmanlık erişimi sınırlı: altın standart protokoller ve enstrümanlar.
• Yüksek göreli eğitim, hatalar ve yeniden çalışma maliyeti.
• Parçalanmış araçlar: defterler, elektronik tablolar, enstrüman günlükleri ve analiz betikleri genellikle temiz bir şekilde bağlanmaz.

Bir sistem, XR camı aracılığıyla yürütme rehberliği sağlayabilir, ne olduğunu otomatik olarak kaydedebilir ve önceki çalışmalara dayalı olarak bir sonraki en iyi adımı önerebilir. İleri düzeyli analizleri siteler arasında daha tekrarlanabilir hale getirebilir. İlkeli olarak, dağıtılmış klinik araştırmaları da destekleyebilir, protokollerin tutarlı bir şekilde yürütülmesi gerektiği yerlerde.

Zaman Çizelgesi: Her Bilim İnsanı ve Klinikçi Ne Zaman Bir Co-Scientist Alır?

Kısa cevap, bazı yüksek değerli, yüksek sıklıkta görevler için (örneğin, laboratuvarda bir ilacı güvenilir bir şekilde üretme) birçok kişiye göre daha yakınız ve diğerleri için (örneğin, AI’nin tamamen büyük sorunları çözmesi) daha uzaktayız. Gerçekçi bir yol haritası şöyle görünüyor:

1. Yakın vadeli (1 yıl içinde): İdari yükü azaltan iş akışı kopyaları: protokol taslağı, literatür sentezi, analiz şablonları ve otomatik QC raporları. Sınırlayıcı faktör, entegrasyon, model yetenekleri değil.
2. Orta vadeli (1-2 yıl): Laboratuvardaki ortak yürütme sistemleri: XR cam rehberliği, otomatik belgeleme ve seçici robotik için yüksek varyanslı adımlar. Güven, denetim izleri ve sıkı insan-döngü tasarımı bağlı olacaktır.
3. Uzun vadeli (3+ yıl): Keşif ile çeviriyi bağlayan, laboratuvar verilerini klinik son noktalara bağlayan, güvenlik sinyallerini izleyen ve denemeleri tasarlayan çapraz alan ortak araştırmacılar – düzenleyici ve etik beklentilere uygun olarak.

Koddan Çürümeye: 1000x Bilimsel Keşif Yoluna

LabOS, bir deneyin sohbet gibi yürütülebileceği bir soru soruyor: niyet, yürütme ve kanıt uçtan uca bağlı. Bu sistemleri iyi inşa ederseniz, biyomedikal ve diğer fiziksel bilim disiplinlerinde (örneğin, malzeme bilimi) yavaşlatan çevirme boşluğunu ele alabilirler. Kötü inşa ederseniz, tekrarlanamazlığı güçlendirir ve yeni güvenlik riskleri oluşturursunuz.

Sonraki birkaç yılın en önemli çalışması temel olacak: standartlaştırılmış veri ve cihaz arayüzleri inşa ederek (iOS gibi tüm türler için uygulamaları çalıştıran bir işletim sistemi gibi), AI benchmark’ları oluşturarak (LabOS’taki LabSuperVision benchmark gibi) ve gerçek dünyada dağıtımına başlayarak, inovasyonu teşvik ederken araştırma bütünlüğünü korur.

Araştırmacılar ve klinisyenler için soru, AI’nin laboratuvara gireceği değil. Zaten girdi. AI’yi, bağlantısız araçlar koleksiyonu olarak mı entegre edeceğiz, yoksa güvenilir, denetlenebilir bir sistem olarak mı tasarlayacağız, bu, laboratuvarın gerçeklerine uygun?

Önerilen okumalar ve kaynaklar

• Tekrarlanabilirlik anketi (Nature, 2016): https://www.nature.com/articles/533452a
• CRISPR-GPT hakemli makale (Nature Biyomedikal Mühendislik): https://www.nature.com/articles/s41551-025-01463-z
• Stanford Tıp haberleri CRISPR-GPT (2025): https://med.stanford.edu/news/all-news/2025/09/ai-crispr-gene-therapy.html
• LabOS ön baskı (arXiv): https://arxiv.org/abs/2510.14861
• LabOS ve LabSuperVision benchmark web sitesi: https://ai4lab.stanford.edu
• NIST AI Risk Yönetimi Çerçevesi (AI RMF 1.0): https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
• FDA AI / ML Yazılımı bir Tıbbi Cihaz hakkında genel bakış: https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-software-medical-device
• FAIR veri ilkeleri (Bilimsel Veri, 2016): https://doi.org/10.1038/sdata.2016.18
• Unite.AI küçük molekül ilaç keşfindeki tıkanıklıkları tentang AI: https://www.unite.ai/how-ai-is-breaking-down-the-bottlenecks-in-small-molecule-drug-discovery/
• Unite.AI ve robotik cerrahi hakkında AI: https://www.unite.ai/how-ai-is-ushering-in-a-new-era-of-robotic-surgery/