Lãnh đạo tư tưởng

Từ Mã Code đến Chữa Bệnh: Cuộc Cách Mạng AI Tiếp Theo Cần Một Tay (Và Mắt)

mm
Đã xuất bản
Đã cập nhật
Thêm Unite.AI vào các nguồn ưu tiên của bạn trên Google
A diverse female scientist in smart glasses works alongside a sophisticated dual-arm robotic lab system in a futuristic wet lab.

Như thế nào các hệ thống có khả năng hành động, kính thông minh XR và robot sẽ trao quyền cho con người – không thay thế họ

Chúng ta đang sống trong một nghịch cảnh trong trí tuệ nhân tạo.

Trên màn hình, AI là siêu phàm. Các mô hình ngôn ngữ lớn viết mã Python chức năng trong vài giây. Các hệ thống tạo ra hình ảnh và video siêu thực trong vài phút. Các hệ thống giành giải Nobel như AlphaFold đã dự đoán cấu trúc của gần như tất cả các protein đã biết. Những chiến thắng kỹ thuật số đang tích lũy.

Tuy nhiên, trong thế giới vật lý của nghiên cứu sinh học, quá trình khám phá vẫn còn thủ công. Chúng ta không thực sự cảm thấy AI đang tăng tốc khoa học hoặc y học, ít nhất là chưa. Các số liệu tiết lộ độ sâu của vấn đề. Một cuộc khảo sát nổi bật của Nature về hơn 1.500 nhà khoa học cho thấy rằng hơn 70% đã thử và không thể tái tạo các thí nghiệm của một nhà nghiên cứu khác. Thậm chí còn đáng lo hơn: hơn một nửa không thể tái tạo công việc của chính họ. Trong sinh học ung thư cụ thể, một dự án tái tạo kéo dài tám năm cho thấy rằng chỉ 40% các phát hiện có tác động cao có thể được tái tạo và 68% các thí nghiệm thiếu tài liệu đủ để thậm chí cố gắng tái tạo.

Đây là bí mật bẩn của khoa học hiện đại: chúng ta có một vấn đề về việc thu thập kiến thức, không chỉ là một vấn đề về khám phá. Các chi tiết thí nghiệm quan trọng sống trong đầu của các nhà nghiên cứu, không trong các bài báo. Các giao thức trôi nổi. Kiến thức ngầm đi khi các sinh viên tốt nghiệp. Các hệ thống AI được đào tạo trên văn học đã xuất bản kế thừa tất cả các khoảng trống này.

Vấn đề cơ bản là trong khi một AI có thể thiết kế một protein mới cho liệu pháp ung thư trong một mô phỏng kỹ thuật số, nó không thể cầm một ống nghiệm để kiểm tra nó. Nó không thể điều hướng thực tế lộn xộn, không thể đoán trước của một phòng thí nghiệm ướt để xác thực giả thuyết của chính nó. Nó không thể xem tay của một nhà khoa học có kinh nghiệm và học các kỹ thuật tinh vi làm cho các thí nghiệm hoạt động.

“Khoảng cách thực hiện” này là nút thắt lớn nhất ngăn cản cuộc cách mạng AI trở thành một cuộc cách mạng y tế. Trong khi hầu hết các công ty robot vẫn còn bận rộn dạy máy móc gấp quần áo hoặc nạp máy rửa chén, họ đang tụt lại phía sau về các khả năng真正 biến đổi của những tiến bộ này trong các lĩnh vực như y học.

Để giải quyết vấn đề này, chúng ta phải đi vượt ra ngoài các rô-bốt trò chuyện và hướng tới các nhà khoa học đồng nghiệp AI, các hệ thống có khả năng hành động kết nối thế giới kỹ thuật số và thế giới vật lý, thúc đẩy vượt ra ngoài lập kế hoạch và mã hóa và vào thực hiện thực tế. Tại Stanford, chúng tôi đang phát triển LabOS, một khuôn khổ AI kỹ thuật số-vật lý mà chứng minh cách các tác nhân AI, kính thông minh XR và robot cộng tác có thể hợp nhất để đóng vòng lặp này, biến các thí nghiệm khoa học thành một cuộc trò chuyện cộng tác giữa con người và máy, đồng thời tự động thu thập kiến thức mà hiện tại bị mất.

Sự Phân Chia Lớn: Tại Sao AI Cần “Mắt” và “Tay”

Nhiều chiến thắng AI đáng chú ý nhất đã xảy ra ở nơi môi trường hoàn toàn kỹ thuật số: kho mã, tập dữ liệu được kiểm tra, hoặc các điểm chuẩn mô phỏng (trong đó AI cạnh tranh để chạy một doanh nghiệp ảo hoặc đầu tư kỹ thuật số vào cổ phiếu).

Phòng thí nghiệm ướt khác. Sinh học, và nói chung, khám phá khoa học, là một quá trình rất ồn ào. Các công cụ trôi dạt, các nhà điều hành tự do, và “giao thức” thường sống một phần trong đầu của mọi người. Sự khác biệt giữa một kết quả sạch và một lần chạy thất bại có thể là một góc ống nghiệm, một mẫu xoay, một sự thay thế thuốc thử, hoặc một sự ấp ủ chạy dài 10 phút. Những chi tiết ngữ cảnh này hiếm khi được đưa vào một bài báo và chúng chính xác là những gì một mô hình AI cần nếu nó sẽ tổng quát hóa vượt ra ngoài một tập dữ liệu.

Vì vậy, AI cấp phòng thí nghiệm cần mắt (để nhận thức những gì đang xảy ra trong ngữ cảnh), tay (để tiêu chuẩn hóa và tự động hóa các bước có biến thể cao), và bộ nhớ (để ghi lại những gì thực sự đã xảy ra). Nếu không có những khả năng này, các mô hình có thể đề xuất những gì cần làm, nhưng chúng không thể đáng tin cậy chuyển đổi các đề xuất thành thực hiện vật lý được xác thực hoặc giải thích thất bại khi thực tế khác với kế hoạch.

Vượt Ra Ngoài Các Rô-bốt Trò Chuyện: Từ Đồng Nghiệp đến Đồng Nghệ sĩ

Thuật ngữ “AI có khả năng hành động” đôi khi được sử dụng lỏng lẻo. Trong các thiết lập sinh học, nó nên có nghĩa là một điều gì đó chính xác: một hệ thống có thể đưa ra một mục tiêu (ví dụ, “tối ưu hóa hiệu quả chỉnh sửa gene CRISPR trong khi giảm thiểu các mục tiêu ngoài”), phân rã nó thành một chuỗi các nhiệm vụ, thực hiện các nhiệm vụ đó trên các công cụ, đánh giá kết quả, và thích nghi với kế hoạch dưới các ràng buộc và với quyết định có thể kiểm toán được.

Điều này quan trọng vì các công việc nghiên cứu không phải là một cuộc gọi mô hình duy nhất. Chúng là các đường ống dẫn đầu cuối mà bao gồm việc hình thành giả thuyết, thiết kế thí nghiệm, xử lý dữ liệu, kiểm tra thống kê, và diễn giải. Tư duy gần đây trong khám phá thuốc đã bắt đầu nhấn mạnh vào các hệ thống có khả năng hành động có thể mở rộng các đường ống dẫn này chứ không chỉ tăng tốc các bước riêng lẻ (ví dụ, thảo luận của Unite.AI về các tác nhân trong khám phá thuốc phân tử nhỏ).

Trong kỹ thuật phần mềm, chúng ta đã thấy bằng chứng thực nghiệm sơ bộ rằng các đồng nghiệp AI có thể tăng năng suất của nhà phát triển. Trong sinh học, cơ hội tương tự không chỉ là viết mã, mà là viết và xác thực giao thức, cấu trúc dữ liệu, giám sát thực hiện, và đóng vòng lặp giữa dự đoán và đo lường, kết nối AI với các nhà khoa học con người trong các phòng thí nghiệm.

LabOS: Khi AI Chạy trên Một Hệ Điều Hành cho Các Phòng Thí Nghiệm của Ngày Mai

Trong công việc của chúng tôi tại Stanford về AI4Science, bao gồm đồng nghiệp chỉnh sửa gene như CRISPR-GPT và hệ thống đồng thực hiện AI-XR như LabOS giúp các nhà khoa học trong các phòng thí nghiệm sinh học và vật liệu, chúng tôi đã khám phá một sự thay đổi kiến trúc:

1. Thiết Kế Một Hệ Điều Hành Phòng Thí Nghiệm “Đầu Cuối” Kết Nối Một Phòng Thí Nghiệm Kỹ Thuật Số (Khô) với Một Phòng Thí Nghiệm Vật Lý (Ướt).

Giả định là đơn giản: nếu một cuốn sổ tay phòng thí nghiệm là bộ nhớ của khoa học, thì một hệ điều hành phòng thí nghiệm nên là lớp thực hiện, thu thập ý định, dịch nó thành hành động, quan sát kết quả, và biến mỗi lần chạy thành kiến thức có cấu trúc.

Hình. Một tầm nhìn khái niệm về LabOS liên kết một vòng lặp phòng thí nghiệm kỹ thuật số tự tiến hóa (lập kế hoạch, mã hóa, phê bình, tạo công cụ) với một vòng lặp phòng thí nghiệm ướt con người-AI (tự ghi lại, thu thập kiến thức, hướng dẫn XR, và tích hợp robot).

2. AI trong Phòng Thí Nghiệm Kỹ Thuật Số – Lập Kế Hoạch Tự Tiến Hóa và Xây Dựng Công Cụ

Trong phòng thí nghiệm kỹ thuật số (khô), chúng ta có thể để AI làm những gì nó đã làm tốt: tìm kiếm, tổng hợp, và đề xuất. Nhưng chúng ta cũng muốn nó tự cải thiện. Không bằng cách “huyễn hoặc khoa học mới”, mà bằng cách học các công cụ và quy trình làm việc tốt hơn từ phản hồi.

Một vòng lặp phòng thí nghiệm kỹ thuật số thực tế có thể được khung như bốn giai đoạn lặp lại:

  • Lập Kế Hoạch (giả thuyết + thiết kế): đề xuất giả thuyết, chọn biến thí nghiệm, dự đoán các yếu tố gây nhiễu, và chỉ định các điểm cuối đo lường.
  • Mã Hóa (thực hiện): tạo hoặc thích nghi các kịch bản phân tích, đường ống mô phỏng, và các mẫu điều khiển công cụ khi phù hợp.
  • Critic Agent (lý luận + đánh giá): kiểm tra các giả định, kiểm tra sức mạnh thống kê, đề xuất các kiểm soát, và đánh dấu các chế độ thất bại có thể xảy ra.
  • Tạo Công Cụ (tìm kiếm + phát triển): khi quy trình làm việc thiếu một thành phần (một trình phân tích, một quy trình QC, một bảng điều khiển), xây dựng nó và thêm nó trở lại vào bộ công cụ.

3. AI trong Phòng Thí Nghiệm Vật Lý – AI Với “Mắt” (Kính Thông Minh XR) và “Tay” (Robot)

Phòng thí nghiệm vật lý (ướt) là nơi hệ thống либо kiếm được sự tin tưởng – hoặc mất nó. Mục tiêu là không phải thay thế nhà khoa học, mà là giảm ma sát và lỗi trong khi tăng khả năng quan sát.

Chúng tôi xem vòng lặp phòng thí nghiệm vật lý như bốn khả năng bổ sung:

  • Tự Ghi Again và Tài Liệu: thu thập hành động, dấu thời gian, cài đặt công cụ, và các sai lệch tự động, để tài liệu không phải là một ý tưởng sau.
  • Thu Thập Kiến Thức cho Thực Hiện Nhanh và Tái Sản Xuất: chuyển các lần chạy thành các hiện vật có thể truy vấn được (phiên bản giao thức, tập hợp tham số, kết quả QC) được căn chỉnh với các nguyên tắc quản lý dữ liệu như FAIR.
  • Hướng Dẫn Ngôn Ngữ-Thị Giác Thời Gian Thực qua Kính Thông Minh XR: sử dụng các mô hình đa phương tiện để diễn giải cảnh (những gì mà nhà điều hành đang làm, loại thuốc thử nào đang ở tay) và cung cấp hướng dẫn từng bước và kiểm tra an toàn. AR/XR đã chứng minh giá trị trong các quy trình làm việc vật lý có rủi ro cao như hướng dẫn thí nghiệm (LabOS, Stanford, Princeton, trong sự hợp tác với NVIDIA).
  • Tích Hợp Cobot/Robot để Tự Động Hóa: tiêu chuẩn hóa các bước lặp lại, cho phép chuyển giao an toàn, và giảm biến thể. Các nền tảng cho quy trình mô phỏng-thực (ví dụ NVIDIA Isaac) và xử lý AI thời gian thực tại biên như truyền trực tuyến kính thông minh và tương tác con người-AI trong LabOS là các lớp quan trọng.

Kiến trúc này phù hợp với một hướng đi rộng hơn trong lĩnh vực: “phòng thí nghiệm tự lái” hoặc phòng thí nghiệm tự động kết hợp tự động hóa với học máy để lên kế hoạch cho thí nghiệm tiếp theo. Những gì LabOS thêm vào là một lớp giao diện con người chặt chẽ hơn, để tự động hóa không phải trả giá bằng sự minh bạch.

Tại Sao AI Cấp Phòng Thí Nghiệm Không Chỉ Là “AI trên Một Tập Dữ Liệu”

Các hệ thống AI cho siêu trí tuệ sinh học/khoa học thường trông ấn tượng trong đánh giá hồi cứu hoặc khi tham gia các kỳ thi, và sau đó hoạt động dưới mức trong phòng thí nghiệm vật lý. Lý do không phải là một lỗi duy nhất. Nó thường là một sự không phù hợp giữa các giả định của mô hình và thực tế của phòng thí nghiệm.

Ba khoảng trống xuất hiện lặp lại:

  • Khoảng Trống Ngữ Cảnh: các tập dữ liệu thường bỏ qua các biến ngữ cảnh mà các nhà điều hành biết quan trọng (nhiệt độ, số lô thuốc thử, các sai lệch giao thức tinh vi).
  • Khoảng Trống Hành Động: nhiều hệ thống AI có thể đề xuất những gì cần làm, nhưng không thể đáng tin cậy chuyển đổi đề xuất thành các bước vật lý được xác thực.
  • Khoảng Trống Phản Hồi: không có phản hồi cấu trúc, chất lượng cao từ thực hiện, các mô hình không thể học nơi chúng thất bại – và các nhà khoa học không thể kiểm toán tại sao.

Đóng các khoảng trống này ít hơn là về việc phát minh một kiến trúc mạng nơ-ron mới, mà là về việc xây dựng các công cụ, giao diện, và hợp đồng dữ liệu làm cho phòng thí nghiệm trở nên rõ ràng với máy móc, và cho phép AI làm việc với con người.

Thiết Kế Tin Cậy: An Toàn và Quản Lý cho AI Có Khả Năng Hành Động

AI có khả năng hành động trong nghiên cứu khám phá không chỉ đưa ra các mối quan ngại quen thuộc về độ chính xác. Nó đưa ra các chế độ thất bại mới vì nó có thể hành động. Trong một phòng thí nghiệm, hành động có nghĩa là tiềm năng cho sự lãng phí, tổn hại, hoặc kết luận sai, đặc biệt là khi các thí nghiệm góp phần vào các giả thuyết lâm sàng.

Một tư duy hữu ích là đối xử với một ngăn xếp phòng thí nghiệm AI như một hệ thống xã hội-kỹ thuật cần được đảm bảo. Một số khuôn khổ hiện có giúp đỡ, nhưng chúng phải được dịch sang thực tế phòng thí nghiệm:

  • Quản Lý Rủi Ro như Một Thực Hành Liên Tục: khuôn khổ quản lý rủi ro AI của NIST (AI RMF 1.0) cung cấp một từ vựng thực tế để ánh xạ, đo lường, và quản lý rủi ro AI trên toàn vòng đời.
  • Định Hướng Quy Định cho AI Y Tế: công việc của FDA về phần mềm AI/ML như một thiết bị y tế (SaMD), bao gồm kế hoạch hành động và hướng dẫn liên quan, cung cấp một tầm nhìn cụ thể về “thực hành tốt” khi AI ảnh hưởng đến chăm sóc bệnh nhân.

Đối với các lĩnh vực có hậu quả cao như chỉnh sửa gene, quản lý đang là một cuộc trò chuyện toàn cầu. Các khuyến nghị đang được thảo luận về chỉnh sửa gene người, để nhấn mạnh sự cần thiết của các cơ chế giám sát phù hợp và quản lý có trách nhiệm, như những gì được đưa ra bởi Hiệp Hội Gene và Cell Therapy Mỹ, hoặc ASGCT. Các hệ thống như LabOS nên được thiết kế để làm cho việc tuân thủ dễ dàng hơn, không khó hơn.

Danh Sách Kiểm Tra: Kiểm Soát cho Các Nhà Khoa Học Đồng Nghiệp AI An Toàn cho Khám Phá Khoa Học

Theo quan điểm của chúng tôi, một hệ điều hành phòng thí nghiệm an toàn nên thực hiện ít nhất các thiết kế sau:

  • Nguồn Gốc theo Mặc Định: mọi tập dữ liệu, phiên bản giao thức, và đầu ra mô hình nên được truy vết đến đầu vào và dấu thời gian.
  • Tự Động Hóa Có Giới Hạn: hệ thống nên có các quyền rõ ràng (những gì nó có thể làm mà không cần xác nhận) và các quy tắc leo thang (khi nào nó phải hỏi).
  • Can Thiệp Con Người và Hạ Cấp Dần: khi các cảm biến hoặc luồng dữ liệu thất bại, hoặc không chắc chắn cao, hệ thống nên quay lại một chế độ an toàn hơn, đơn giản hơn.
  • Xác Thực Liên Tục: các dự đoán trong silico nên được ghép nối với xác thực phòng thí nghiệm vật lý; các lần chạy phòng thí nghiệm vật lý nên bao gồm các cổng QC trước khi kết luận được truyền xuống dòng dưới của các mô hình/đại lý AI trong thế giới kỹ thuật số.
  • An Ninh và Nhận Biết Sử Dụng Kép: bảo vệ cơ sở hạ tầng phòng thí nghiệm khỏi sự can thiệp.

Trao Quyền Cho Con Người ở Mọi Nơi: Liệu Các Nhà Khoa Học Đồng Nghiệp AI Có Thể San Phẳng Sàn Chơi?

Một trong những lời hứa hấp dẫn nhất của một “nhà khoa học đồng nghiệp” AI-XR là không chỉ là tốc độ cho các tổ chức hàng đầu, mà là khả năng tiếp cận cho mọi người. Hãy xem những gì hiện tại hạn chế các phòng thí nghiệm nhỏ, các công ty khởi nghiệp, và các phòng khám vùng sâu, vùng xa:

  • Truy Cập Hạn Chế đến Chuyên Môn Vàng cho Các Giao Thức và Công Cụ.
  • Chi Phí Cao Hơn của Việc Đào Tạo, Lỗi, và Làm Lại.
  • Công Cụ Phân Mảnh: sổ tay, bảng tính, nhật ký công cụ, và kịch bản phân tích hiếm khi kết nối sạch sẽ.

Một hệ thống có thể hướng dẫn thực hiện trong ngữ cảnh (qua kính thông minh XR), thu thập những gì đã xảy ra tự động, và đề xuất bước tiếp theo dựa trên các lần chạy trước có thể làm cho các xét nghiệm tiên tiến hơn có thể lặp lại trên các địa điểm. Về nguyên tắc, nó cũng có thể hỗ trợ nghiên cứu lâm sàng phân tán nơi các giao thức phải được thực hiện nhất quán, ngay cả khi tài nguyên khác nhau.

Lịch Trình: Khi Mỗi Nhà Khoa Học và Bác Sĩ Nhận được Một Nhà Khoa Học Đồng Nghiệp?

Tóm lại, chúng ta đang gần hơn nhiều so với hầu hết mọi người nghĩ đối với một số nhiệm vụ có giá trị cao, có tần suất cao (như sản xuất một loại thuốc đáng tin cậy trong phòng thí nghiệm) và xa hơn so với hầu hết mọi người nghĩ đối với những nhiệm vụ khác (như AI giải quyết hoàn toàn các vấn đề lớn như ung thư hoặc Alzheimer). Một con đường thực tế trông như thế này:

  1. Gần Tầm (trong 1 năm): Đồng nghiệp công việc giảm tải hành chính: soạn thảo giao thức, tổng hợp văn học, mẫu phân tích, và báo cáo QC tự động. Yếu tố hạn chế là tích hợp, không phải khả năng mô hình.
  2. Trung Tầm (1-2 năm): Hệ thống đồng thực hiện trong phòng thí nghiệm: hướng dẫn kính thông minh XR, tài liệu tự động, và robot chọn lọc cho các bước có biến thể cao. Tin cậy sẽ phụ thuộc vào các đường mòn kiểm toán và thiết kế con người-trong-vòng-lặp chặt chẽ.
  3. Dài Tầm (3+ năm): Đồng nghiên cứu viên跨 lĩnh vực kết nối khám phá với dịch: liên kết dữ liệu phòng thí nghiệm với các điểm cuối lâm sàng, theo dõi tín hiệu an toàn, và giúp thiết kế các thử nghiệm – trong khi tuân thủ các kỳ vọng quản lý và đạo đức.

Từ Mã Code đến Chữa Bệnh: Con Đường Tiếp Theo để Khám Phá Khoa Học 1000 Lần

LabOS là một nỗ lực để trả lời một câu hỏi đơn giản: điều gì nếu một thí nghiệm có thể được chạy như một cuộc trò chuyện, nơi ý định, thực hiện, và bằng chứng được kết nối từ đầu đến cuối? Nếu chúng ta xây dựng những hệ thống này tốt, chúng có thể giúp giải quyết khoảng cách dịch mà làm chậm y học và nhiều lĩnh vực khoa học vật lý (ví dụ vật liệu). Nếu chúng ta xây dựng chúng kém, chúng sẽ khuếch đại tính không tái sản xuất và tạo ra các rủi ro an toàn mới.

Công việc quan trọng nhất trong vài năm tới sẽ là nền tảng: giao diện dữ liệu và thiết bị tiêu chuẩn hóa thông qua việc xây dựng hệ điều hành (giống như iOS chạy tất cả các loại ứng dụng), xây dựng các điểm chuẩn AI bao gồm thực hiện và không chắc chắn (giống như điểm chuẩn LabSuperVision trong LabOS), và bắt đầu triển khai trong thế giới thực khuyến khích đổi mới trong khi bảo vệ tính toàn vẹn nghiên cứu và bệnh nhân.

Đối với các nhà nghiên cứu và bác sĩ, câu hỏi không phải là liệu AI sẽ vào phòng thí nghiệm. Nó đã ở đó. Câu hỏi là liệu chúng ta sẽ tích hợp nó như một tập hợp các công cụ không kết nối hay như một hệ thống đáng tin cậy, có thể kiểm toán được, được thiết kế cho thực tế của khoa học sinh học.

Đọc thêm và nguồn

mm

Le Cong, PhD, là Giáo sư phụ tá của Khoa Giải phẫu bệnh và Di truyền tại Đại học Stanford, nơi nhóm của ông phát triển các hệ thống kỹ thuật di truyền bản địa AI và hệ thống robot-XR-AI kết nối lý luận phòng thí nghiệm kỹ thuật số với thực hiện phòng thí nghiệm vật lý, để trao quyền cho con người trong việc khám phá khoa học.