Τα εργαστήρια βιολογίας και χημείας είναι γεμάτα όργανα που συχνά δεν «μιλούν» την ίδια γλώσσα. Ένας ρομποτικός βραχίονας μπορεί να χειρίζεται μια πλάκα πολλαπλών φρεατίων, ένα άλλο μηχάνημα να προσθέτει υγρά και ένα τρίτο να αναλύει τα δείγματα — όμως η σύνδεσή τους απαιτεί συνήθως ειδικό κώδικα και πολλή ανθρώπινη δουλειά.
Ένα νέο software framework επιχειρεί να αφαιρέσει αυτό το εμπόδιο. Το Model Hardware Standard (MHS), που αναπτύχθηκε μέσα από συνεργασία της Anthropic με το ερευνητικό campus Janelia του Howard Hughes Medical Institute, λειτουργεί ως κοινό επίπεδο επικοινωνίας ανάμεσα σε διαφορετικές συσκευές και επιτρέπει σε AI agent να ενορχηστρώνει πειράματα.
Από τους μήνες κώδικα στις ώρες προετοιμασίας
Στο παράδειγμα που περιγράφει το Nature, ο ρομποτικός βραχίονας πήρε μια πλάκα πολλαπλών φρεατίων, την τοποθέτησε σε όργανο που γέμισε τα φρεάτια με υγρό και στη συνέχεια τη μετέφερε σε απομακρυσμένη συσκευή για ανάλυση. Η αλληλουχία εκτελέστηκε χωρίς ανθρώπινη παρέμβαση κατά τη διάρκεια της διαδικασίας.
Το πρόβλημα που λύνει το MHS είναι πρακτικό: τα όργανα προέρχονται από διαφορετικούς κατασκευαστές και χρησιμοποιούν διαφορετικές γλώσσες ή διεπαφές προγραμματισμού. Μέχρι σήμερα, οι ομάδες χρειάζονταν automation engineers για να γράψουν bespoke μεταφραστικό κώδικα ή να προσθέσουν ενδιάμεσο εξοπλισμό. Σύμφωνα με τους ερευνητές, ένα πείραμα που θα απαιτούσε μήνες προετοιμασίας στήθηκε σε λίγες ώρες.
Το framework μπορεί να ενσωματωθεί σε κάθε συσκευή που διαθέτει προγραμματιζόμενη διεπαφή. Έτσι, αντί κάθε όργανο να χρειάζεται ξεχωριστή σύνδεση με όλα τα υπόλοιπα, οι συσκευές αποκτούν ένα κοινό σημείο αναφοράς. Το AI agent μπορεί να χρησιμοποιεί αυτή τη δομή για να σχεδιάζει και να εκτελεί διαδοχικά βήματα, ενώ ο άνθρωπος ορίζει τον στόχο και τα επιτρεπόμενα όρια.
Δεν είναι ακόμη εργαστήριο χωρίς επιτήρηση
Η διασύνδεση των μηχανών δεν εξαφανίζει τους κινδύνους. Ένα agent μπορεί να επιλέξει λάθος ακολουθία ενεργειών, να παρερμηνεύσει ένα αποτέλεσμα ή να συνεχίσει μια διαδικασία όταν ένα όργανο χρειάζεται βαθμονόμηση. Γι’ αυτό η αξιοπιστία απαιτεί περιορισμένες εντολές, ελέγχους πριν από κάθε βήμα, καταγραφή των ενεργειών και δυνατότητα ανθρώπινης διακοπής.
Το MHS επίσης δεν είναι το πρώτο πρότυπο για την αυτοματοποίηση εργαστηρίων. Το consortium SiLA έχει αναπτύξει το Standardization in Lab Automation, μια κοινή γλώσσα για όργανα εργαστηρίου. Η διαφορά που τονίζει το Nature είναι ότι το MHS σχεδιάζεται ώστε οι συσκευές να συνδέονται απευθείας και με AI agents, όχι μόνο μεταξύ τους.
Η αξία βρίσκεται στην υποδομή
Αν το μοντέλο αποδειχθεί αξιόπιστο σε περισσότερα όργανα και διαφορετικά εργαστήρια, το όφελος δεν θα είναι απλώς ένας ταχύτερος ρομποτικός βραχίονας. Θα είναι η δυνατότητα μιας ερευνητικής ομάδας να συνθέτει νέες πειραματικές ροές χωρίς να ξεκινά κάθε φορά από μηδενική βάση.
Η μετάβαση, ωστόσο, θα κριθεί από τις λεπτομέρειες: πόσες συσκευές υποστηρίζονται, πόσο εύκολα επαναλαμβάνονται τα πειράματα και πώς ελέγχονται τα σφάλματα. Η πραγματικά αυτόνομη έρευνα χρειάζεται διαλειτουργικότητα, αλλά και αυστηρή επιτήρηση ώστε η ταχύτητα του agent να μην ξεπερνά την ασφάλεια του εργαστηρίου.
Πηγή: Nature