KI i forskning: Agentene tar opp pipetten

Image: "Andrew+ robot" by Pocar19 (CC BY-SA 4.0) via Wikimedia Commons, recoloured.
Velkommen til ukens oversikt over hvordan KI endrer forskningen, hentet fra Nature, Science, PNAS og de ledende tidsskriftene innen økonomi og ledelse.
Fra å foreslå eksperimenter til å utføre dem
Så langt har KIs bidrag til vitenskapen for det meste vært beregningsmessig: å analysere data, lage prediksjoner og søke i litteraturen. Som James Zou skriver i en Nature News & Views, kan et KI-system kanskje utforme et lovende molekyl på minutter, mens det kan ta uker eller måneder med menneskelig arbeid å teste det i et «våtlaboratorium». Ukens Nature-artikkel av Wu og kolleger tar direkte tak i dette gapet. Systemet deres, AutoDNA, er et «KI-nativt» biomolekylært laboratorium som autonomt koordinerer mer enn 20 typer instrumenter gjennom mer enn 11 000 trinn for å utføre sentrale operasjoner på nukleinsyrer: syntese, transkripsjon, amplifisering og sekvensering. Menneskelig inngripen er begrenset til vedlikehold av maskinvare, for eksempel påfylling av reagenser og laboratorieutstyr.
Resultatene fra fire anvendelser er konkrete. AutoDNA oppnådde samme utbytte som ekspertoptimerte prosesser i enzymatisk DNA-syntese, kjørte parallelle protokoller 3,2 ganger raskere, gjennomførte en full syklus med DNA-datalagring med eksakt gjenoppretting av det opprinnelige digitale innholdet, og identifiserte og validerte en klinisk påvist KRAS G13D-mutasjon. Forfatterne hevder at tidligere autonome laboratorier forble begrenset til smale arbeidsflyter med ett enkelt mål fordi de brukte KI som et «tillegg» i stedet for å gi den en helhetlig forståelse av eksperimentet; AutoDNA utformer i stedet modeller, eksperimenter og instrumenter samlet. Et separat preprint omtalt i Nature (ennå ikke fagfellevurdert) tar ideen videre: agenter bygger en virtuell kopi av et laboratorium, tester protokoller der og styrer deretter ekte roboter. I én test skrev de mer enn 200 kommandoer til en robotarm for å måle de optiske egenskapene til nanokrystaller. En bioingeniør fra MIT som siteres i artikkelen, kaller konseptet «very cool», men påpeker at kameraene og sensorene agentene trenger, kan koste mer enn å sette opp et laboratorium manuelt.
Hvorfor det betyr noe: AutoDNA-forfatterne beskriver arbeidet sitt som en mal for «science-as-a-service». Selv om du aldri tar i en pipette, er lærdommen overførbar: Når det blir billig og automatisert å gjennomføre en studie, flyttes de knappe ferdighetene til å velge riktig spørsmål og kontrollere hva maskinen faktisk gjorde. Artikkelens diagnose gjelder også langt utenfor biologien. Å feste en chatbot på en eksisterende arbeidsflyt er et «tillegg»; de største gevinstene kom fra å utforme arbeidsflyten på nytt rundt KI. Det er verdt å ha i tankene før du legger KI inn i din egen spørreundersøkelse, koding eller analyseprosess.
Mer fra denne uken
Mål læring med KI, og uten
Som svar på argumentet om at universitetene bør lære studentene å bryne seg på KI-modeller og vurdere hvor godt de gjør det, peker Christoph Trattner på en manglende måling: hvordan studentene presterer når KI-en er borte. Han viser til en randomisert studie med matematikkelever i videregående skole (Bastani et al., PNAS 2025), der fri tilgang til en chatbot økte øvingsresultatene, men senket prestasjonene på en senere eksamen uten chatbot. En evaluering som stoppet ved den assisterte økten, ville ha kalt denne veilederen en suksess. Det er en nyttig advarsel for alle som utformer studier av KI i undervisningen.
Skalering av annonseeksperimenter med prediksjon
Brett Gordon, Robert Moakler og Florian Zettelmeyer foreslår Predicted Incrementality by Experimentation (PIE), som behandler måling av annonseeffekt som et prediksjonsproblem: Man lærer sammenhengen mellom kampanjeegenskaper og kausale effekter på et utvalg randomiserte eksperimenter, og anvender den deretter på kampanjer som ikke ble kjørt som RCT-er. Fordi RCT-ene fastslår de kausale effektene, kan PIE bruke måltall fra etter kampanjen som ville vært ugyldige kontrollvariabler i en kausal modell. På tvers av 2 226 annonseeksperimenter hos Meta var PIE uenig med RCT-baserte beslutninger i bare 8 til 12 prosent av kampanjene, mot 12 til 20 prosent for standard sjudagers siste-klikk-attribusjon.
Hva driver utforskning hos barn, voksne og KI-agenter
Lidayan og kolleger sammenligner voksne, barn i alderen 8 til 12 år og KI-agenter som utforsker det åpne spillmiljøet Crafter, og tester tre informasjonsteoretiske indre mål: entropi, informasjonsgevinst og empowerment. Alle tre korrelerer positivt med menneskers fremgang i utforskningen, og entropi og empowerment har sterkere sammenheng hos barn. Både hos mennesker og agenter stiger entropien raskt og flater deretter ut, mens empowerment fortsetter å stige. Det tyder på et skifte fra å søke nye tilstander til å søke tilstander man kan kontrollere. Det finnes også foreløpige holdepunkter for at barns private tale om mål kan hjelpe utforskningen.
De skjulte begrensningene ved t-SNE
t-SNE er en mye brukt metode for å visualisere høydimensjonale data, inkludert tekst- og bildeembeddinger som mange forskere nå genererer med KI-modeller. Rupert Li og Elchanan Mossel gir et matematisk rammeverk for informasjonen metoden forkaster, med kvantitative resultater i flere scenarioer som viser hvordan viktig strukturell informasjon går tapt. Hvis argumentet i artikkelen din hviler på klynger i et t-SNE-plott, er dette en grunn til å underbygge dem med en metode til.
Takeda bygger om FoU rundt KI
George Westerman og David Kiron dokumenterer hvordan Takeda Pharmaceutical bygde KI inn i sine FoU-arbeidsflyter og flyttet forskerne fra bred laboratorieeksperimentering mot datadrevet prediksjon og målrettet validering. Casestudien peker på ansvar på toppledernivå, solide datafundamenter, omstilling av arbeidsstyrken og en kultur for tillit og eksperimentering som avgjørende for å skalere KI. Den er et nyttig organisatorisk supplement til ukens artikler om laboratorieautomatisering og et godt undervisningscase for ledelsesemner.
Det var alt for denne uken. Videresend gjerne til en kollega som fortsatt kopierer og limer inn i ChatGPT, og utforsk KI-verktøy for din egen forskning på gaiforresearch.com.





Kommentarer