Obsługa zaawansowanych przyrządów naukowych przez agentów AI uczących się w pracy

Sprytniejsze maszyny dla codziennej nauki

Nowoczesne narzędzia naukowe, od potężnych mikroskopów rentgenowskich po sterowane robotami laboratoria chemiczne, potrafią zbierać dane szybciej niż kiedykolwiek. Jednak obsługa tych maszyn nadal wymaga wiedzy eksperckiej i starannego przygotowania, co ogranicza dostępność i tempo odkryć. W artykule badano, jak nowa generacja „agentów” sztucznej inteligencji może uczyć się razem z ludzkimi naukowcami, aby obsługiwać złożone przyrządy bezpieczniej, elastyczniej i wydajniej.

Od wciskania przycisków do partnerów uczących się

Dzisiejsze zaawansowane laboratoria automatyzują wiele rutynowych kroków, ale pełna niezależność — planowanie eksperymentów, interpretacja obrazów i decydowanie, co zrobić dalej — wciąż jest poza zasięgiem. Autorzy budują na bazie dużych modeli językowych, tego samego rodzaju AI, które zasila współczesne chatboty, i przekształcają je w agentów ukierunkowanych na cele, potrafiących pisać kod, wywoływać narzędzia programowe oraz reagować na obrazy i wideo. Zamiast zastępować naukowców, agenci mają działać w trybie „człowiek w pętli”: ludzie opisują, czego chcą, wprowadzają korekty w razie potrzeby, a AI zapamiętuje te lekcje na przyszłość.

Cyfrowy współpilot dla mikroskopu rentgenowskiego

Pierwszym stanowiskiem testowym jest wiązka nanopręta w twardym rentgenie, urządzenie wykorzystujące zogniskowane promienie X do mapowania struktury materiałów w skali miliardowych części metra. Ze względu na zagrożenia radiacyjne nikt nie może przebywać w pomieszczeniu podczas pracy, a cały zestaw sterowany jest przez specjalistyczne oprogramowanie i skrypty. Zespół podłącza kilka agentów AI do tego systemu kontrolnego. Jeden agent generuje polecenia potrzebne do skanowania próbki; inny przegląda kod pod kątem bezpieczeństwa i poprawności; agent wizualny analizuje powstałe obrazy, by zasugerować, gdzie przybliżyć obraz w celu bliższego zbadania. Agenci muszą nie tylko przetłumaczyć polecenia w języku naturalnym na poprawne komendy skanowania, ale też odczytywać małe jasne punkty na obrazach dyfrakcji i fluorescencji i zamieniać ich pozycje na precyzyjne współrzędne nowych skanów.

Co AI zrobiło dobrze — i gdzie miało trudności

Porównując kilka wiodących modeli językowych z możliwością analizy wizualnej, badacze stwierdzają wyraźne różnice w wydajności. Niektóre modele dobrze realizują polecenia tekstowe i wywołują właściwe funkcje, zwłaszcza po zaprezentowaniu przykładów i korektach od ludzi. Inne znacznie lepiej radzą sobie z rozumowaniem wizualnym, na przykład precyzyjnie lokalizując izolowane jasne cząstki i unikając zatłoczonych skupisk przy wyborze miejsca do skanowania. Model wyróżniający się w tym badaniu łączy obie te mocne strony i wykazuje najbardziej spójne zachowanie w powtarzanych próbach. Autorzy zauważają jednak także, że udzielanie informacji zwrotnej głównie poprawia umiejętności tekstowe, takie jak dobór parametrów; nie rozwiązuje to automatycznie słabego rozumienia wizualnego.

Nauczanie robotów samodzielnego prowadzenia eksperymentów

Drugie stanowisko testowe to zautomatyzowana stacja do wytwarzania cienkich filmów polimerowych, stosowanych w elektronice i urządzeniach energetycznych. Tutaj ramię robotyczne wyposażone w różne chwytaki przenosi fiolki, podłoża, końcówki pipet i narzędzie do powlekania ostrzem pomiędzy stanowiskami. Badacze usunęli większość wysokopoziomowych procedur i dali agentom jedynie niskopoziomowe polecenia oraz mapę rozmieszczenia elementów. AI musi przeczytać artykuł naukowy, aby wydobyć odpowiednie warunki powlekania, zaplanować długi ciąg kroków — jak podnieść podłoże, umieścić je w powlekaczu, odkręcić fiolkę, dozować roztwór i rozprowadzić go przy kontrolowanej temperaturze i prędkości — a następnie wygenerować i zweryfikować kod robota do wykonania tych czynności. Nadzorcy ludzie zatwierdzają każdą nową sekwencję, a ich korekty są przechowywane w systemie pamięci, by agenci mogli później ponownie wykorzystać skuteczne wzorce.

Budowanie ku laboratoriom autonomicznym

W obu przypadkach — na wiązce rentgenowskiej i platformie robotycznej — badanie pokazuje, że agenci AI mogą uczyć się w pracy, stopniowo zamieniając wskazówki ekspertów na dającą się ponownie wykorzystać wiedzę praktyczną. Dzięki uporządkowanej pamięci i kontrolom bezpieczeństwa ograniczającym zakres działań AI, systemy te mogą z czasem stawać się bardziej niezawodne, pozostawiając jednak kluczowe decyzje w rękach ludzi. Autorzy podkreślają, że prawdziwie w pełni automatyczne laboratoria będą wymagać dalszej pracy nad kalibracją, zarządzaniem pamięcią długoterminową oraz zadaniami nadal zależnymi od ludzkiej zręczności i intuicji. Mimo to praca ta wskazuje na przyszłość, w której naukowcy poświęcają mniej czasu na zmagania z złożonymi sterowaniami, a więcej na formułowanie ambitnych pytań, podczas gdy partnerzy AI pomagają obsługiwać przyrządy zamieniające pomysły w odkrycia.

Cytowanie: Vriza, A., Prince, M.H., Zhou, T. et al. Operating advanced scientific instruments with AI agents that learn on the job. npj Comput Mater 12, 160 (2026). https://doi.org/10.1038/s41524-026-02005-0

Słowa kluczowe: agenci AI, laboratoria autonomiczne, przyrządy naukowe, eksperymenty robotyczne, multimodalne duże modele językowe