Як агентні системи, XR-очкові окуляри та робототехніка будуть посилювати людей, а не заміняти їх

Ми живемо у парадоксі штучного інтелекту.

На екранах штучний інтелект є надлюдським. Великі мовні моделі пишуть функціональний код Python за секунди. Генеративні системи створюють фотореалістичні зображення та відео за хвилини. Нобелівські системи, такі як AlphaFold, передбачили структури майже всіх відомих білків. Цифрові перемоги накопичуються.

Але у фізичному світі біомедичних досліджень процес відкриття залишається болісно ручним. Ми не відчуваємо прискорення науки чи медицини штучним інтелектом, принаймні поки що. Цифри розкривають глибину проблеми. Видатне дослідження Nature серед понад 1 500 вчених показало, що понад 70% спробували та не змогли повторити експерименти іншого дослідника. Ще більш тривожно: понад половина не змогли повторити свою власну роботу. У сфері біології раку конкретно восьмирічний проект реплікації виявив, що лише 40% високоефективних результатів можна було повторити, а 68% експериментів не мали достатньої документації, щоб навіть спробувати повторити.

Це брудний секрет сучасної науки: у нас є проблема захоплення знань, а не лише проблема відкриття. Критичні експериментальні деталі живуть у головах дослідників, а не в статтях. Протоколи дрейфують. Неявні знання виходять за двері, коли стажери закінчують навчання. Системи штучного інтелекту, навчені на опублікованій літературі, успадковують всі ці пробіли.

Основна проблема полягає в тому, що хоча штучний інтелект може розробити новий білок для лікування раку в цифровому симуляторі, він не може взяти піпету, щоб перевірити його. Він не може орієнтуватися в заплутаній, непередбачуваній реальності мокрої лабораторії, щоб підтвердити свою власну гіпотезу. Він не може дивитися на руки досвідченого вченого та вивчати тонкі техніки, які роблять експерименти успішними.

Ця “розрив виконання” є найбільшим瓶頸ом, який запобігає революції штучного інтелекту стати медичною революцією. Хоча більшість компаній з робототехніки все ще зайняті вченням машин складати білизну або завантажувати посудомийки, вони відстають від真正их трансформаційних можливостей цих досягнень у сфері медицини.

Щоб вирішити цю проблему, нам потрібно рухатися за межі чат-ботів та у бік штучного інтелекту-співробітників, агентних систем, які поєднують цифровий та фізичний світ, рухаючись за межі планування та кодування у реальне виконання. У Стенфорді ми розробляємо LabOS, цифрово-фізичну рамку штучного інтелекту, яка демонструє, як агентні системи штучного інтелекту, окуляри XR та робототехніка можуть об’єднатися, щоб закрити цей розрив, перетворивши наукові експерименти на колаборативну розмову між людиною та машиною, одночасно автоматично захоплюючи знання, які зараз втрачаються.

Великий Розрив: Чому Штучний Інтелект Потрібує “Очі” та “Руки”

Багато з найбільш видатних перемог штучного інтелекту відбулися там, де середовище є повністю цифровим: репозиторії коду, відібрані набори даних або симульовані бенчмарки (де штучний інтелект змагається за виконання віртуальної компанії або цифрового інвестування в акції).

Мокрі лабораторії відрізняються. Біологія та загалом наукові відкриття є дуже шумливим процесом. Інструменти дрейфують, оператори імпровізують, а “протокол” часто живе частково у головах людей. Різниця між чистим результатом та невдалим запуском може бути кутом піпетування, схемою вихрового потоку, заміною реагенту або інкубацією, яка тривала 10 хвилин довше. Ці контекстні деталі рідко потрапляють до статті, і саме це потрібно моделі штучного інтелекту, якщо вона хоче узагальнити за межі набору даних.

Тому лабораторний штучний інтелект потребує очей (щоб сприймати, що відбувається в контексті), рук (щоб стандартизувати та безпечно автоматизувати високоваріантні кроки) та пам’яті (щоб реєструвати, що насправді відбулося). Без цих можливостей моделі можуть рекомендувати, що робити, але вони не можуть надійно перекладати рекомендації у валідоване фізичне виконання або пояснювати невдачі, коли реальність розходиться з планом.

Поза Чат-Ботами: Від Співпілотів До Співробітників

Термін “агентний штучний інтелект” іноді використовується вільно. У біомедичних умовах він повинен означати щось точне: систему, яка може прийняти мету (наприклад, “оптимізувати ефективність редактирования генома CRISPR, одночасно мінімізуючи позатarget-ефекти”), розбити її на послідовність завдань, виконати ці завдання через інструменти, оцінити результати та адаптувати план під обмеженнями та з аудитуємим процесом прийняття рішень.

Це має значення, оскільки дослідницькі робочі процеси не є одним моделевим викликом. Вони є кінцевими пайплайнами, які охоплюють формулювання гіпотези, експериментальне проектування, обробку даних, статистичне тестування та інтерпретацію. Останні думки щодо відкриття ліків почали підкреслювати агентні системи, які можуть масштабувати ці пайплайни, а не просто прискорювати окремі кроки (наприклад, обговорення агентів Unite.AI у відкритті малих молекул).

LabOS: Коли Штучний Інтелект Працює На Операційній Системі Для Лабораторій Майбутнього

У нашій роботі в Стенфорді над AI4Science, охоплюючи співпілоти редактирования генома, такі як CRISPR-GPT, та системи спільного виконання AI-XR, такі як LabOS, які допомагають вченим у біомедичних та матеріалознавчих лабораторіях, ми досліджуємо архітектурний зсув:

1. Проектування кінцевого “лабораторного операційного systému”, який поєднує цифрову (суху) лабораторію з фізичною (мокрою) лабораторією.

Презумпція проста: якщо лабораторний записник є пам’яттю науки, то лабораторна операційна система повинна бути виконувчим шаром, захоплюючи намір, перекладаючи його в дії, спостерігаючи результати та перетворюючи кожен запуск у структуровані знання.
[…]

Рекомендоване читання та джерела

• Дослідження реплікації (Nature, 2016): https://www.nature.com/articles/533452a
• Стаття CRISPR-GPT (Nature Biomedical Engineering): https://www.nature.com/articles/s41551-025-01463-z
• Новини Стенфордської медицини про CRISPR-GPT (2025): https://med.stanford.edu/news/all-news/2025/09/ai-crispr-gene-therapy.html
• Предрук LabOS (arXiv): https://arxiv.org/abs/2510.14861
• Сайт LabOS та бенчмарка LabSuperVision: https://ai4lab.stanford.edu
• Каркас управління ризиками штучного інтелекту NIST (AI RMF 1.0): https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-1.pdf
• Перегляд FDA щодо програмного забезпечення штучного інтелекту/машинного навчання як медичного пристрою: https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-software-medical-device