Agentic sistemler, XR akıllı cam ve robotik, insanları değiştirmek yerine güçlendirecek

Yapay zeka alanında bir paradoks yaşıyoruz.

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

Ancak biyomedikal araştırma fiziksel dünyasında, keşif süreci hala çok manuel. Yapay zekanın bilim veya tıpta hızlanmasını hissetmiyoruz, en azından henüz değil. Sayılar problemın derinliğini ortaya koyuyor. 1.500’den fazla bilim insanının katıldığı bir Nature anketi, yüzde 70’ten fazlasının başka bir araştırıcının deneylerini tekrarlayamadığını gösterdi. Daha da endişe verici: kendi çalışmalarını tekrarlayamayanların sayısı yarıdan fazla. Kanser biyolojisi özelinde, sekiz yıllık bir tekrar çalışması, yüksek etkili bulguların sadece yüzde 40’ının tekrarlanabildiğini ve deneylerin yüzde 68’inin tekrarlanmaya çalışılmadığını gösterdi.

Modern bilimin kirli sırrı budur: bir keşif problemimiz değil, bir bilgi yakalama problemimiz var. Kritik deneysel ayrıntılar araştırmacıların zihninde, değil de makalelerde yaşar. Protokoller değişir. Açıklanamayan bilgiler, asistanların mezun olduğu anda kapıdan çıkar. Yapay zeka sistemleri, yayınlanmış literatüre dayandıkları için bu boşlukları miras alır.

Temel sorun, bir yapay zekanın kanser tedavisi için yeni bir protein tasarlayabilmesi ancak onu test etmek için bir pipeti alamamasıdır. Bir yapay zeka, bir湿 laboratuvarın karmaşık, öngörülemez gerçekliğini gezerek kendi hipotezini doğrulayamaz. Bir yapay zeka, deneylerin işe yarayan nüanslarını öğrenmek için deneyimli bir bilim insanının ellerini izleyemez.

Bu “yürütme açığı”, yapay zeka devriminin bir tıbbi devrime dönüşmesini engelleyen en büyük engel. Çoğu robotik şirketi, makinelerin çamaşır katlama veya bulaşık yıkama öğretmeye çalışırken, tıptaki gibi alanlardaki gerçek dönüşüm yeteneklerini geride bırakıyor.

Bunu çözmek için, sohbet botlarından öte, AI Co-Scientists, yani dijital ve fiziksel dünyayı köprüleyen agentic sistemlere geçmeliyiz. Bu sistemler, planlama ve kodlama ötesine geçerek gerçek dünya yürütmesine odaklanmalıdır. Stanford’da, LabOS üzerinde çalışıyoruz. Bu, AI ajanları, XR akıllı cam ve işbirlikçi robotların bir araya gelerek bu döngüyü kapatıp, bilimsel deneyleri insan ve makine arasındaki bir konuşmaya dönüştürebileceğini gösteren bir dijital-fiziksel AI çerçevesidir. Aynı zamanda, kaybolan bilgiyi otomatik olarak yakalar.

Büyük Bölünme: Neden AI’ye “Gözler” ve “Eller” Gerekir

Görünür olan birçok AI zaferi, tamamen dijital bir ortamda gerçekleşti: kod depoları, düzenlenmiş veri kümeleri veya simüle edilmiş benchmark’lar (AI burada bir sanal işletmeyi çalıştırmaya veya dijital olarak hisse senedi alım satımına yarışır).

Islak laboratuvarlar farklı. Biyoloji ve genel olarak bilimsel keşif, çok gürültülü bir süreç. Enstrümanlar kayar, operatörler импровизe eder ve “protokol” często kısmen insanların zihninde yaşar. Temiz bir sonuç ve başarısız bir çalışmanın arasındaki fark, bir pipet açısı, bir vortex deseni, bir reaktif ikamesi veya 10 dakika uzun süren bir inkübasyon olabilir. Bu bağlamsal ayrıntılar nadiren bir makaleye girer ve bunlar, bir AI modelinin bir veri kümesinden öteye genellemesi için ihtiyaç duyduğu şeylerdir.

Öte Chatbotlar: Copilotlardan Co-Scientists’a

“Agentic AI” terimi bazen gevşek bir şekilde kullanılır. Biyomedikal ortamlarda, precisa bir şey anlamına gelmelidir: bir sistem, bir hedefi alabilir (örneğin, “CRISPR gen düzenleme verimliliğini optimize edin ve hedef dışı etkileri en aza indirin”), onu görevlere ayırabilir, araçlar boyunca bu görevleri gerçekleştirebilir, sonuçları değerlendirebilir ve kısıtlamalar altında ve denetlenebilir karar verme ile planı uyarlayabilir.

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

LabOS: AI, Laboratuvarların Geleceği İçin Bir İşletim Sistemine Dayandığında

Stanford’da AI4Science üzerinde çalışıyoruz, gen düzenleme copilotları gibi CRISPR-GPT ve AI-XR ortak yürütme sistemleri gibi LabOS, bilim insanlarına biyomedikal ve malzeme bilim laboratuvarlarında yardımcı olmak için, bir mimari değişimi keşfediyoruz:

1. Bir “lab işletim sistemi” tasarımı, dijital (kuru) laboratuvarı fiziksel (islak) laboratuvara bağlar.

Öncül basit: bir laboratuvar defteri bilimin hafızasıysa, bir lab OS, yürütme katmanı olmalı, niyeti yakalamalı, eylemlere çevirmeli, sonuçları gözlemlemeli ve her çalışmayı yapılandırılmış bilgiye dönüştürmelidir.

Şekil. LabOS, planlama, kodlama, eleştiri, araç oluşturma dahil kendi kendini geliştiren bir dijital laboratuvar döngüsü ile bir insan-AI ıslak laboratuvar döngüsü (oto-belgeleme, bilgi yakalama, XR rehberliği ve robotik entegrasyonu) arasında bir bağlantı gösterir.

2. Dijital Laboratuvarda AI – Kendini Geliştiren Planlama ve Araç Oluşturma

Dijital (kuru) laboratuvarda, yapay zekanın zaten iyi yaptığı şeyi yapabiliriz: arama, sentezleme ve önerme. Ancak bunu自己改善 de yapmasını istiyoruz. “Yeni bilim hayal ederek” değil, geri bildirime dayanarak daha iyi araçlar ve iş akışları öğrenerek.

3. Fiziksel Laboratuvarda AI – “Gözler” (XR Cam) ve “Eller” (Robotik) ile

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

LabOS ile Trust by Design: AI Co-Scientists için Güvenlik ve Yönetim

Keşif araştırmalarında agentic AI, yalnızca doğrulukla ilgili熟悉 concerns değil, yeni hata modlarını da tanır çünkü eyleyebilir. Bir laboratuvarda eylem, atık, zarar veya yanıltıcı sonuçların potansiyelini içerir, özellikle deneyler klinik hipotezlere beslenir.

Kontrol Listesi: Güvenli AI Co-Scientists için Kontroller

Görüşümüze göre, bir güvenlik odaklı lab OS aşağıdaki tasarımları uygulamalıdır:

• Varsayılan olarak köken: her veri kümesi, protokol sürümü ve model çıkışı, girdilerine ve zaman damgalarına izlenebilir olmalıdır.
• Sınırlı otonomi: sistem, onay olmadan yapabileceği şeyler (izinler) ve yükseltme kuralları (ne zaman sorması gerekir) ile açık izinlere sahip olmalıdır.
• İnsan müdahalesi 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 tahminler, fiziksel laboratuvar doğrulamasıyla eşleştirilmelidir; fiziksel laboratuvar çalışmaları, AI modellerine geri yayılan sonuçlardan önce QC kapıları içermelidir.
• Güvenlik ve çift kullanım farkındalığı: laboratuvar altyapısını manipülasyondan koruyun.

Her Yerde İnsanları Güçlendirin: AI Co-Scientists Düzeyi Eşitlenebilir mi?

AI-XR “co-scientist”ının vaat ettiği en ikna edici şey, yalnızca elit kurumlar için hız değil, herkes için erişilebilirliktir. Düşünün, şu anda küçük laboratuvarları, startup’ları ve uzak/ kırsal/klinikleri neler sınırlıyor:

• Özel uzmanlık erişimi sınırlı: altın standart protokoller ve enstrümanlar.
• Yüksek göreli eğitim, hata ve yeniden çalışma maliyeti.
• Parçalı araçlar: defterler, elektronik tablolar, enstrüman günlükleri ve analiz betikleri nadiren temiz bir şekilde bağlanır.

Bir sistem, bir çalışmanın yürütülmesini bağlamda (XR cam aracılığıyla) rehberlik edebilir, ne olduğu otomatik olarak yakalayabilir ve önceki çalışmalara dayanarak bir sonraki en iyi adımı önerebilir. İleri düzeyli testleri, siteler arasında tekrar edilebilir hale getirebilir. İlkeli olarak, kaynaklar farklılık gösterse bile, protokollerin tutarlı bir şekilde yürütüldüğü dağıtılmış klinik araştırmaları da destekleyebilir.

Zaman Çizelgesi: Her Bilim İnsanı ve Hekim Bir Co-Scientist Alacak mı?

Kısa sürede, bazı yüksek değerli, yüksek sıklıkta görevler için (örneğin, laboratuvarda güvenilir bir şekilde bir ilacı üretme) daha yakınız ve diğerleri için (örneğin, AI completely büyük problemleri çözme gibi kanser veya Alzheimer) daha uzaktayız. Realist bir yol haritası şöyle görünüyor:

1. Yakın vadeli (1 yıl içinde): İdari yükü azaltan iş akışı copilotları: 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 yüksek varyanslı adımlar için seçici robotik. Güven, denetim izleri ve sıkı insan-döngü tasarımı bağlı olacaktır.
3. Uzun vadeli (3+ yıl): Keşif ile çeviriyi bağlayan, çapraz alan ortak araştırmacılar: laboratuvar verilerini klinik son noktalara bağlama, güvenlik sinyallerini izleme ve denemelerin tasarımına yardımcı olma – aynı zamanda düzenleyici ve etik beklentilere uyumlu olarak.

Koddan Çürümeye: 1000x Bilimsel Keşif Yolunda İlerleme

LabOS, bir deneysel çalışmanın, intent, yürütme ve kanıtların bir araya geldiği bir konuşma gibi çalışabileceğini cevaplamak için bir girişimdir. Bu sistemleri iyi inşa edersek, biyomedikal ve birçok fiziksel bilim disiplinindeki (örneğin malzeme bilimi) çeviri boşluğunu ele alabilir. Kötü inşa edersek, tekrarlanamazlığı ve yeni güvenlik risklerini büyütürüz.

Gelecek birkaç yılın en önemli çalışması, temel olacaktır: standartlaştırılmış veri ve cihaz arayüzleri, bir işletim sistemi inşa ederek (iOS gibi tüm türde uygulamaları çalıştıran), AI benchmark’ları oluşturarak (LabOS’daki LabSuperVision benchmark gibi) ve gerçek dünya dağıtımına başlayarak, inovasyonu teşvik ederken hasta ve araştırma bütünlüğünü korurken.