Düşünce Liderleri
Koddan tedaviye: Bir sonraki yapay zekâ devrimi ellere ve gözlere ihtiyaç duyuyor

Öne çıkan noktalarLabOS, XR gözlükler ve robotik kullanarak yapay zekanın dijital planlamasını fiziksel…
Daha fazla göster
- LabOS, XR gözlükler ve robotik kullanarak yapay zekanın dijital planlamasını fiziksel laboratuvar uygulamasıyla birleştiriyor.
- Bilim insanlarının %70'inden fazlası, bir keşif boşluğu değil, bir bilgi yakalama boşluğu nedeniyle deneyleri tekrarlayamıyor.
- Yapay zeka yardımcı bilim insanları, biyomedikal laboratuvarlarda zararı önlemek için kaynak ve sınırlı özerklik içermelidir.
Ajan tabanlı sistemler, XR akıllı gözlükler ve robotik insanların yerini almak yerine onları güçlendirecek
Yapay zekâda bir paradoks yaşıyoruz.
Ekranlarda yapay zekâ insanüstü yetenekler sergiliyor. Büyük dil modelleri saniyeler içinde çalışan Python kodu yazıyor. Üretken sistemler dakikalar içinde fotoğraf gerçekliğinde görüntüler ve videolar oluşturuyor. AlphaFold gibi Nobel ödüllü sistemler, bilinen proteinlerin neredeyse tamamının yapılarını tahmin etti. Dijital başarılar art arda geliyor.
Buna karşılık biyomedikal araştırmanın fiziksel dünyasında keşif süreci hâlâ zahmetli el emeğine dayanıyor. Yapay zekânın bilimi veya tıbbı hızlandırdığını, en azından şimdilik, gerçekten hissetmiyoruz. Rakamlar sorunun derinliğini gösteriyor. Nature dergisinin 1.500’den fazla bilim insanını kapsayan önemli bir anketi, katılımcıların %70’ten fazlasının başka bir araştırmacının deneylerini tekrarlamayı denediğini ancak başaramadığını ortaya koydu. Daha da kaygı verici olan, yarısından fazlasının kendi çalışmalarını da tekrarlayamamasıydı. Özellikle kanser biyolojisinde, sekiz yıl süren bir tekrarlanabilirlik projesi, yüksek etkili bulguların yalnızca %40’ının tekrarlanabildiğini ve deneylerin %68’inde tekrarlamayı denemeye bile yetecek belgeleme bulunmadığını gösterdi.
Modern bilimin rahatsız edici sırrı şu: Sorunumuz yalnızca keşfetmek değil, bilgiyi kayda geçirmek. Deneylerin kritik ayrıntıları makalelerde değil, araştırmacıların zihninde bulunuyor. Protokoller zamanla değişiyor. Örtük bilgi, eğitim görenler mezun olduğunda onlarla birlikte kapıdan çıkıyor. Yayımlanmış literatürle eğitilen yapay zekâ sistemleri bu boşlukların tamamını devralıyor.
Temel sorun, yapay zekânın dijital bir simülasyonda kanser tedavisi için yeni bir protein tasarlayabilmesine rağmen, onu sınamak üzere bir pipeti eline alamaması. Kendi hipotezini doğrulamak için ıslak laboratuvarın karmaşık ve öngörülemez gerçekliğiyle baş edemiyor. Deneyimli bir bilim insanının ellerini izleyip deneyleri başarıya ulaştıran incelikli teknikleri öğrenemiyor.
Bu «uygulama boşluğu», yapay zekâ devriminin tıbbi bir devrime dönüşmesinin önündeki en büyük tekil darboğaz. Robotik şirketlerinin çoğu hâlâ makinelere çamaşır katlamayı veya bulaşık makinelerini doldurmayı öğretmekle meşgulken, bu ilerlemelerin tıp gibi alanlardaki gerçekten dönüştürücü yeteneklerini hayata geçirmekte geride kalıyor.
Bunu çözmek için sohbet botlarının ötesine, yapay zekâ araştırma ortaklarına ilerlemeliyiz. Bunlar dijital ve fiziksel dünyaları birleştiren, planlama ve kodlamanın ötesine geçerek gerçek dünyada uygulamaya yönelen ajan tabanlı sistemler. Stanford’da LabOS adlı dijital-fiziksel yapay zekâ çerçevesini geliştiriyoruz. Bu çerçeve, yapay zekâ ajanlarının, genişletilmiş gerçeklik (XR) akıllı gözlüklerinin ve işbirlikçi robotiğin bir araya gelerek bu döngüyü nasıl kapatabileceğini gösteriyor. Bilimsel deneyleri insanla makine arasında ortak bir diyaloğa dönüştürürken, bugün kaybolan bilgiyi otomatik olarak kayda geçiriyor.
Büyük ayrım: Yapay zekâ neden «gözlere» ve «ellere» ihtiyaç duyuyor?
Yapay zekânın en görünür başarılarının çoğu, bütünüyle dijital ortamlarda gerçekleşti: kod depolarında, özenle seçilmiş veri kümelerinde veya yapay zekânın sanal bir işletmeyi yönetmek ya da dijital ortamda hisse senetlerine yatırım yapmak için yarıştığı simülasyon tabanlı karşılaştırma testlerinde.
Islak laboratuvarlar farklı. Biyoloji ve genel olarak bilimsel keşif, çok fazla gürültü ve değişkenlik içeren süreçler. Cihazların ölçümleri zamanla kayıyor, operatörler doğaçlama yapıyor ve «protokol» çoğu zaman kısmen insanların zihninde bulunuyor. Temiz bir sonuçla başarısız bir deney arasındaki fark; pipetleme açısı, vorteksle karıştırma biçimi, bir reaktifin değiştirilmesi veya inkübasyonun 10 dakika fazla sürmesi olabilir. Bu bağlamsal ayrıntılar makalelere nadiren giriyor; oysa modelin bir veri kümesinin dışına genelleme yapabilmesi için tam da bunlara ihtiyacı var.
Bu yüzden laboratuvara uygun yapay zekânın, bağlamda ne olduğunu algılamak için gözlere, değişkenliği yüksek adımları standartlaştırıp güvenle otomatikleştirmek için ellere ve gerçekten olanları kaydetmek için hafızaya ihtiyacı var. Bu yetenekler olmadan modeller yapılacakları önerebilir, ancak önerileri güvenilir biçimde doğrulanmış fiziksel uygulamaya dönüştüremez veya gerçeklik plandan saptığında başarısızlıkları açıklayamaz.
Sohbet botlarının ötesi: Yardımcılardan araştırma ortaklarına
«Ajan tabanlı yapay zekâ» terimi bazen gevşek kullanılıyor. Biyomedikal bağlamda ise kesin bir anlamı olmalı: Örneğin «hedef dışı düzenlemeleri en aza indirirken CRISPR gen düzenleme verimliliğini optimize et» gibi bir hedefi alabilen, onu görevler dizisine ayırabilen, görevleri farklı araçlar üzerinden yürütebilen, sonuçları değerlendirebilen ve kısıtlar altında denetlenebilir kararlarla planı uyarlayabilen bir sistem.
Bu önemli, çünkü araştırma iş akışları tek bir model çağrısından oluşmaz. Hipotez kurma, deney tasarımı, veri işleme, istatistiksel sınama ve yorumlamayı kapsayan uçtan uca süreç zincirleridir. İlaç keşfindeki yeni yaklaşımlar, yalnızca tek tek adımları hızlandırmak yerine bu zincirleri ölçekleyebilen ajan tabanlı sistemleri vurgulamaya başladı. Unite.AI’nin küçük moleküllü ilaç keşfinde ajanları ele alan yazısı buna bir örnek.
Yazılım mühendisliğinde, yapay zekâ yardımcılarının geliştiricilerin tamamladığı iş miktarını artırabileceğine ilişkin ilk deneysel kanıtları gördük. Biyomedikal alandaki benzer fırsat yalnızca kod yazmak değil; protokolleri yazıp doğrulamak, verileri yapılandırmak, uygulamayı izlemek ve tahminle ölçüm arasındaki döngüyü kapatarak yapay zekâyı laboratuvardaki insan bilim insanlarına bağlamak.
LabOS: Yarının laboratuvarlarının işletim sisteminde çalışan yapay zekâ
Stanford’daki AI4Science çalışmalarımızda, gen düzenleme yardımcıları arasında CRISPR-GPT gibi örnekleri ve AI-XR ortak uygulama sistemleri arasında biyomedikal ve malzeme bilimi laboratuvarlarındaki bilim insanlarına yardımcı olan LabOS gibi örnekleri ele alıyoruz. Bu çalışmalarımızda bir mimari dönüşümü araştırıyoruz:
1. Dijital kuru laboratuvarı fiziksel ıslak laboratuvara bağlayan, uçtan uca bir «laboratuvar işletim sistemi» tasarlamak.
Çıkış noktası basit: Laboratuvar defteri bilimin hafızasıysa, laboratuvar işletim sistemi de niyeti kaydeden, eylemlere dönüştüren, sonuçları gözlemleyen ve her deney koşusunu yapılandırılmış bilgiye çeviren uygulama katmanı olmalı.

Şekil: LabOS’un kendi kendini geliştiren dijital laboratuvar döngüsünü (planlama, kodlama, eleştiri ve araç oluşturma), insan-yapay zekâ ıslak laboratuvar döngüsüne (otomatik belgeleme, bilgiyi kayda geçirme, XR rehberliği ve robotik entegrasyonu) bağlamasını gösteren kavramsal görünüm.
2. Dijital laboratuvarda yapay zekâ: Kendi kendini geliştiren planlama ve araç oluşturma
Dijital kuru laboratuvarda yapay zekâya zaten iyi yaptığı işleri bırakabiliriz: arama, sentezleme ve önerme. Ancak kendini geliştirmesini de istiyoruz. «Yeni bilim uydurarak» değil, geri bildirimden daha iyi araçlar ve iş akışları öğrenerek.
Pratik bir dijital laboratuvar döngüsü, tekrarlanan dört aşama olarak ele alınabilir:
- Planlama (hipotez ve tasarım): Hipotezler önerin, deneysel değişkenleri seçin, karıştırıcı etkenleri öngörün ve ölçülebilir sonuç ölçütleri belirleyin.
- Kodlama (uygulama): Uygun olduğunda analiz betikleri, simülasyon zincirleri ve cihaz kontrol şablonları oluşturun veya uyarlayın.
- Eleştirmen ajan (akıl yürütme ve değerlendirme): Varsayımları zorlayıcı sınamalardan geçirin, istatistiksel gücü denetleyin, kontrol deneyleri önerin ve olası başarısızlık biçimlerini işaretleyin.
- Araç oluşturma (arama ve geliştirme): İş akışında ayrıştırıcı, kalite kontrol rutini veya gösterge paneli gibi bir bileşen eksikse onu geliştirin ve araç setine ekleyin.
3. Fiziksel laboratuvarda yapay zekâ: «Göz» olarak XR gözlükler, «el» olarak robotik
Fiziksel ıslak laboratuvar, sistemin güven kazandığı veya kaybettiği yerdir. Amaç bilim insanının yerini almak değil, sürtünmeyi ve hataları azaltırken gözlemlenebilirliği artırmak.
Fiziksel laboratuvar döngüsünü birbirini tamamlayan dört yetenek olarak görüyoruz:
- Otomatik kayıt ve belgeleme: Eylemleri, zaman damgalarını, cihaz ayarlarını ve sapmaları otomatik kaydedin; böylece belgeleme sonradan düşünülen bir iş olmasın.
- Hızlı ve tekrarlanabilir uygulama için bilgiyi kayda geçirme: Deneyleri; protokol sürümleri, parametre kümeleri ve kalite kontrol sonuçları gibi yapılandırılmış, sorgulanabilir çıktılara dönüştürün. Bunları FAIR gibi veri yönetimi ilkeleriyle uyumlu hâle getirin.
- XR akıllı gözlüklerle gerçek zamanlı görsel-dilsel rehberlik: Operatörün ne yaptığı ve hangi reaktifi tuttuğu gibi sahne bilgilerini yorumlamak için çok kipli modeller kullanın; adım adım rehberlik ve güvenlik denetimleri sağlayın. AR/XR, deney rehberliği gibi sonuçları önemli fiziksel iş akışlarında değerini zaten gösterdi (LabOS, Stanford ve Princeton’ın NVIDIA ile işbirliği).
- Otomasyon için işbirlikçi robot ve robotik entegrasyonu: Tekrarlanan adımları standartlaştırın, güvenli görev devirleri sağlayın ve değişkenliği azaltın. Simülasyondan gerçeğe uzanan iş akışı platformları, örneğin NVIDIA Isaac, ve LabOS’taki akıllı gözlük canlı yayını ile insan-yapay zekâ etkileşimi gibi uçta gerçek zamanlı yapay zekâ işleme yetenekleri, önemli kolaylaştırıcı katmanlardır.
Bu mimari, sonraki deneyi planlamak için otomasyonla makine öğrenimini birleştiren «kendi kendini yöneten» veya otonom laboratuvarlar yönündeki daha geniş eğilimle uyumlu. LabOS daha sıkı bir insan arayüzü katmanı ekleyerek otonominin şeffaflık pahasına gerçekleşmemesini sağlıyor.
Laboratuvara uygun yapay zekâ neden yalnızca «bir veri kümesi üzerindeki yapay zekâ» değildir?
Biyomedikal veya bilimsel süper zekâya yönelik yapay zekâ sistemleri, geçmişe dönük değerlendirmelerde veya sınav sorularını yanıtlarken etkileyici görünebilir; ancak fiziksel laboratuvarda beklentilerin altında kalabilir. Bunun nedeni nadiren tek bir hatadır. Genellikle modelin varsayımları ile laboratuvarın gerçekliği uyuşmaz.
Üç boşluk tekrar tekrar karşımıza çıkar:
- Bağlam boşluğu: Veri kümeleri, operatörlerin önemli olduğunu bildiği sıcaklık sapmaları, reaktif parti numaraları ve küçük protokol sapmaları gibi bağlamsal değişkenleri genellikle içermez.
- Eylem boşluğu: Birçok yapay zekâ sistemi yapılacakları önerebilir, ancak öneriyi güvenilir biçimde doğrulanmış fiziksel adımlara dönüştüremez.
- Geri bildirim boşluğu: Uygulamadan gelen yapılandırılmış, kaliteli geri bildirim olmadan modeller nerede başarısız olduklarını öğrenemez, bilim insanları da nedenlerini denetleyemez.
Bu boşlukları kapatmak, yeni bir sinir ağı mimarisi icat etmekten çok; laboratuvarı makineler için anlaşılır kılan ve yapay zekânın insanları görüp onlarla çalışmasını sağlayan ölçüm donanımını, arayüzleri ve veri sözleşmelerini kurmakla ilgilidir.
Tasarım yoluyla güven: Eylemde bulunabilen yapay zekâ için güvenlik ve yönetişim
Keşif araştırmalarında ajan tabanlı yapay zekâ yalnızca doğruluğa ilişkin bilinen kaygıları doğurmaz. Eylemde bulunabildiği için yeni başarısızlık biçimleri de getirir. Laboratuvarda eylem; özellikle deneyler klinik hipotezleri beslediğinde, israf, zarar veya yanıltıcı sonuç riski demektir.
Yapay zekâ destekli laboratuvar altyapısını, güvence gerektiren sosyoteknik bir sistem olarak görmek yararlıdır. Mevcut çerçeveler yardımcı olabilir, ancak laboratuvarın gerçekliğine uyarlanmalıdır:
- Sürekli bir uygulama olarak risk yönetimi: NIST’in Yapay Zekâ Risk Yönetimi Çerçevesi (AI RMF 1.0), yaşam döngüsü boyunca yapay zekâ risklerini haritalamak, ölçmek ve yönetmek için pratik bir söz dağarcığı sunar.
- Tıpla bağlantılı yapay zekâda düzenlemelerle uyum: FDA’nın tıbbi cihaz olarak yapay zekâ ve makine öğrenimi yazılımları (SaMD) üzerine çalışmaları, Eylem Planı ve ilgili kılavuzları da içerecek şekilde, yapay zekânın hasta bakımını etkilediği durumlarda «iyi uygulamanın» nasıl göründüğünü somutlaştırır.
Gen düzenleme ve sonuçları ciddi olabilecek diğer alanlarda yönetişim zaten küresel bir tartışma konusu. İnsan genomunun düzenlenmesine ilişkin öneriler, uygun gözetim mekanizmaları ve sorumlu yönetişim ihtiyacını vurgulamak üzere tartışılıyor. Örneğin Amerikan Gen ve Hücre Tedavisi Derneği (ASGCT) bu tür öneriler sunuyor. LabOS gibi sistemler uyumu zorlaştırmak için değil, kolaylaştırmak için tasarlanmalı.
Kontrol listesi: Bilimsel keşif için güvenli yapay zekâ araştırma ortaklarının yönetim tedbirleri
Görüşümüze göre güvenliği gözeten bir laboratuvar işletim sistemi, en azından şu tasarımları uygulamalı:
- Kökenin varsayılan olarak kaydı: Her veri kümesi, protokol sürümü ve model çıktısı, girdilere ve zaman damgalarına kadar izlenebilir olmalı.
- Sınırlandırılmış otonomi: Sistem, onay almadan yapabileceklerini belirleyen açık yetkilere ve ne zaman izin istemesi gerektiğini belirleyen üst mercie taşıma kurallarına sahip olmalı.
- İnsanın kontrolü devralabilmesi ve kontrollü işlev azaltma: Sensörler veya veri akışları bozulduğunda ya da belirsizlik yükseldiğinde sistem daha güvenli ve basit bir moda dönmeli.
- Sürekli doğrulama: Bilgisayar ortamındaki tahminler fiziksel laboratuvar doğrulamasıyla eşleştirilmeli. Fiziksel deneylerde, sonuçlar dijital dünyadaki yapay zekâ modellerine veya ajanlarına geri aktarılmadan önce kalite kontrol kapıları bulunmalı.
- Güvenlik ve çift kullanım farkındalığı: Laboratuvar altyapısını kurcalamaya karşı koruyun.
İnsanları her yerde güçlendirmek: Yapay zekâ araştırma ortakları fırsatları eşitleyebilir mi?
AI-XR araştırma ortağının en güçlü vaatlerinden biri, yalnızca seçkin kurumlara hız kazandırmak değil, herkese erişim sağlamak. Küçük laboratuvarları, girişimleri ve uzak, kırsal veya bölgesel klinikleri bugün nelerin sınırladığını düşünün:
- En iyi uygulama standardındaki protokol ve cihazlara ilişkin uzmanlık bilgisine sınırlı erişim.
- Eğitim, hatalar ve yeniden çalışma için göreli olarak daha yüksek maliyetler.
- Parçalı araçlar: Defterler, elektronik tablolar, cihaz günlükleri ve analiz betikleri nadiren sorunsuz biçimde birleşir.
XR gözlüklerle bağlama uygun uygulama rehberliği sunan, olanları otomatik kaydeden ve önceki deneylere dayanarak sonraki en iyi adımı öneren bir sistem, ileri analizlerin farklı merkezlerde daha tekrarlanabilir olmasını sağlayabilir. İlke olarak, kaynaklar değişse de protokollerin tutarlı uygulanması gereken dağıtık klinik araştırmaları da destekleyebilir.
Zaman çizelgesi: Her bilim insanı ve klinisyen ne zaman bir araştırma ortağına kavuşacak?
Değeri yüksek ve sık tekrarlanan bazı görevlerde, örneğin laboratuvarda güvenilir biçimde ilaç üretmekte, birçok kişinin düşündüğünden daha yakınız. Yapay zekânın kanser veya Alzheimer gibi büyük sorunları tamamen çözmesi gibi diğer görevlerde ise çoğu gösterimin ima ettiğinden daha uzağız. Gerçekçi bir yol haritası şöyle:
- Yakın vade: bir yıl içinde: Protokol taslağı hazırlama, literatür sentezi, analiz şablonları ve otomatik kalite kontrol raporlarıyla idari yükü azaltan iş akışı yardımcıları. Sınırlayıcı etken modelin yeteneği değil, entegrasyon.
- Orta vade: 1–2 yıl: Laboratuvarda ortak uygulama sistemleri; XR gözlük rehberliği, otomatik belgeleme ve değişkenliği yüksek adımlarda seçici robotik kullanımı. Güven, denetim izlerine ve insanı karar sürecine yakından dahil eden tasarıma bağlı olacak.
- Daha uzun vade: en az 3 yıl: Keşfi uygulamaya bağlayan, alanlar arası araştırma ortakları; laboratuvar verilerini klinik sonuç ölçütlerine bağlamak, güvenlik sinyallerini izlemek ve düzenleyici ve etik beklentilere uyarak araştırmaların tasarımına yardımcı olmak.
Koddan tedaviye: Bilimsel keşfi 1.000 katına çıkarma yolunda
LabOS basit bir soruya yanıt arayan girişimlerden biri: Bir deney, niyetin, uygulamanın ve kanıtların baştan sona birbirine bağlandığı bir diyalog olarak yürütülebilseydi ne olurdu? Bu sistemleri iyi kurarsak, biyomedikal araştırmaları ve malzeme bilimi gibi birçok fiziksel bilim alanını yavaşlatan araştırmadan uygulamaya geçiş boşluğunu gidermeye yardımcı olabilirler. Kötü kurarsak tekrarlanamazlığı büyütüp yeni güvenlik riskleri yaratırlar.
Önümüzdeki birkaç yılın en önemli çalışmaları temelleri kurmak olacak: iOS’un her tür uygulamayı çalıştırmasına benzer biçimde bir işletim sistemi geliştirerek veri ve cihaz arayüzlerini standartlaştırmak; LabOS’taki LabSuperVision gibi uygulamayı ve belirsizliği içeren yapay zekâ karşılaştırma testleri oluşturmak; hastaları ve araştırma dürüstlüğünü korurken yeniliği teşvik eden gerçek dünya kurulumlarına başlamak.
Araştırmacılar ve klinisyenler için soru, yapay zekânın laboratuvara girip girmeyeceği değil. Zaten girdi. Soru, onu birbirinden kopuk araçlar bütünü olarak mı, yoksa biyomedikal bilimin gerçeklerine uygun tasarlanmış, güvenilir ve denetlenebilir bir sistem olarak mı bütünleştireceğimiz.
Önerilen okumalar ve kaynaklar
- Tekrarlanabilirlik anketi (Nature, 2016): https://www.nature.com/articles/533452a
- CRISPR-GPT hakemli makalesi (Nature Biomedical Engineering): https://www.nature.com/articles/s41551-025-01463-z
- Stanford Medicine’ın CRISPR-GPT haberi (2025): https://med.stanford.edu/news/all-news/2025/09/ai-crispr-gene-therapy.html
- LabOS ön baskısı (arXiv): https://arxiv.org/abs/2510.14861
- LabOS ve LabSuperVision karşılaştırma testi web sitesi: https://ai4lab.stanford.edu
- NIST Yapay Zekâ Risk Yönetimi Çerçevesi (AI RMF 1.0): https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
- FDA’nın tıbbi cihaz olarak yapay zekâ ve makine öğrenimi yazılımlarına genel bakışı: https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-software-medical-device
- FAIR veri ilkeleri (Scientific Data, 2016): https://doi.org/10.1038/sdata.2016.18
- Unite.AI’nin küçük moleküllü ilaç keşfindeki darboğazlar üzerine yazısı: https://www.unite.ai/how-ai-is-breaking-down-the-bottlenecks-in-small-molecule-drug-discovery/
- Unite.AI’nin yapay zekâ ve robotik cerrahi üzerine yazısı: https://www.unite.ai/how-ai-is-ushering-in-a-new-era-of-robotic-surgery/












