Cómo las gafas inteligentes con tecnología LabOS AI podrían reducir el error humano en la ciencia

Las gafas inteligentes impulsadas por IA están ayudando a los científicos novatos a desempeñarse como expertos

Por Deni Ellis Béchard editado por Eric Sullivan

Imagínese parado en la mesa del laboratorio, trabajando en un experimento, cuando, al terminar un paso, una pantalla en el interior de sus gafas de laboratorio le indica qué hacer a continuación. Una pequeña cámara en el marco observa de cerca tus manos. Si busca el tubo equivocado, la pantalla muestra una advertencia. Antes de que pueda cometer el error, el sistema le indica cómo volver al camino correcto.

Las gafas de seguridad de laboratorio finalmente se han unido a las filas de los dispositivos inteligentes. Esa es la promesa detrás de LabOS, un “sistema operativo” de IA para laboratorios científicos construido por el Equipo Coscientista de IA de Stanford-Princeton, un grupo liderado por el bioingeniero de la Universidad de Stanford Le Cong y el científico informático Mengdi Wang de la Universidad de Princeton, con socios fundadores que incluyen a NVIDIA. Impulsado por los modelos de lenguaje de visión de NVIDIA para procesar datos visuales, el sistema está diseñado para proporcionar a la IA conocimiento en tiempo real del trabajo de laboratorio para que pueda determinar qué causa que los experimentos fallen o tengan éxito y capacite rápidamente a nuevos científicos a niveles expertos guiándolos a través de protocolos experimentales.

Entra en un laboratorio húmedo, dice Cong, y “no ha cambiado mucho en los últimos 50 años”. Esto es importante, explica, porque una gran parte del tiempo la ciencia se hace “en el laboratorio físico, en el mundo físico, no en computadoras”. Como se describe en un artículo preimpreso reciente, LabOS tiene como objetivo cerrar esta brecha físico-digital.

Sobre el apoyo al periodismo científico

Si está disfrutando de este artículo, considere apoyar nuestro periodismo galardonado suscribiéndose. Al comprar una suscripción, ayudas a garantizar el futuro de historias impactantes sobre los descubrimientos y las ideas que dan forma a nuestro mundo actual.

La comunidad científica lleva mucho tiempo lidiando con un problema que se conoce desde hace más de una década como una “crisis de replicación”. En una encuesta de Nature de 2016, Monya Baker, entonces editora de la revista, informó que “más del 70% de los investigadores han intentado y no han logrado reproducir los experimentos de otros científicos”, y más de la mitad no pudieron reproducir su propio trabajo. Parte de esa tasa de fracaso es atribuible a malas prácticas estadísticas o presión de publicación. Pero una causa común recibe menos atención: los humanos que realizan trabajos de laboratorio repetitivos cometen errores. Un reactivo agregado a una temperatura incorrecta, un paso omitido bajo presión de tiempo, una punta de pipeta contaminada: estos son errores que pueden ser demasiado pequeños para notarlos, pero son lo suficientemente grandes como para arruinar un experimento.

La solución propuesta por el equipo de Wang y Cong es una plataforma de código abierto y un kit de hardware que permite a la IA ver lo que ven los científicos. Los investigadores en las primeras pruebas piloto en el laboratorio de Cong en Stanford y el de Wang en Princeton usan gafas de realidad aumentada/realidad extendida (AR/XR) que transmiten video directamente al sistema. LabOS compara lo que ve con el protocolo escrito, ofreciendo orientación al usuario y al mismo tiempo recopila datos de entrenamiento. La IA puede guiar al científico en cada paso, recordándole que debe mantener una superficie estéril o señalando fallas en la técnica.

La IA necesita conocimiento en tiempo real de los experimentos para aprender qué funciona y qué no, de la misma manera que los robots y los automóviles autónomos tienen que recopilar datos del mundo real para actualizar sus sistemas. “Podemos tener 1.000 chatbots, 1.000 científicos de IA tratando de decirles a los científicos reales qué hacer”, dice Wang, pero si la IA no está conectada al experimento físico, “nunca tendremos nada verificable”.

Normalmente, cuando los humanos realizan trabajos de laboratorio, el aprendizaje puede ser lento. Si un experimento falla, intentan determinar qué salió mal y comenzar de nuevo. Pero cuando la IA observa un experimento y ve el resultado, puede determinar más rápidamente qué pasos causaron problemas y diseñar un nuevo experimento. Al registrar experimentos completos, una IA puede estudiar los detalles más pequeños para determinar qué causó que fallaran.

Esta supervisión se extiende más allá de la guía humana; LabOS también utiliza un brazo robótico para realizar tareas tediosas como mezclar. “No se trata de reemplazar personas”, dice Cong. “Necesitamos ayudar a la gente”.

Hasta ahora, la ayuda está dando resultados. En un procedimiento experimental que implicó aumentar la cantidad de una determinada proteína en las células, científicos jóvenes con sólo una semana de formación en LabOS obtuvieron resultados que eran prácticamente indistinguibles de los de los científicos expertos. “No podía notar la diferencia como profesor”, dice Cong. “Los resultados del experimento son idénticos”.

“Desde la perspectiva de la robótica y la interacción hombre-computadora, este trabajo destaca una dirección prometedora”, dice Kourosh Darvish, científico del Laboratorio de Automatización e Inteligencia Artificial del Consorcio de Aceleración de la Universidad de Toronto, que no participó en el desarrollo de LabOS. Sin embargo, señala la importancia de desarrollar estándares para evaluar mejor dicho trabajo. “A medida que los sistemas de IA pasen cada vez más de herramientas analíticas a socios activos en la experimentación, la estandarización y validación a nivel comunitario serán fundamentales”.

El AI Coscientist Team ya está impulsando esta tecnología más allá del banco de investigación. Recientemente, los investigadores introdujeron MedOS, adaptando su arquitectura de IA y AR para ayudar a los cirujanos con el mapeo anatómico y la alineación de herramientas. En última instancia, dice Wang, la ambición más amplia es convertir “todos los laboratorios de investigación científica” (y pronto, todas las clínicas) “en un entorno perceptible y operable por la IA”, creando un sistema que pueda capacitar a los profesionales más rápido, detectar errores y mejorar los resultados humanos.

Es hora de defender la ciencia

Si te ha gustado este artículo, me gustaría pedirte tu apoyo. Científico americano ha servido como defensor de la ciencia y la industria durante 180 años, y ahora mismo puede ser el momento más crítico en esos dos siglos de historia.

he sido un Científico americano suscriptor desde que tenía 12 años y me ayudó a moldear mi forma de ver el mundo. Ciencia-Am Siempre me educa y me deleita, e inspira una sensación de asombro por nuestro vasto y hermoso universo. Espero que también lo haga por ti.

Si te suscribes a Científico americanousted ayuda a garantizar que nuestra cobertura se centre en investigaciones y descubrimientos significativos; que tenemos los recursos para informar sobre las decisiones que amenazan a los laboratorios en todo Estados Unidos; y que apoyemos a los científicos tanto en ciernes como en activo en un momento en el que con demasiada frecuencia el valor de la ciencia misma pasa desapercibido.

A cambio, obtiene noticias esenciales, podcasts cautivadores, infografías brillantes, boletines informativos imperdibles, vídeos imprescindibles, juegos desafiantes y los mejores escritos e informes del mundo científico. Incluso puedes regalarle a alguien una suscripción.

Nunca ha habido un momento más importante para que nos levantemos y demostremos por qué la ciencia es importante. Espero que nos apoyes en esa misión.