Att driva avancerade vetenskapliga instrument med AI-agenter som lär sig på jobbet

Smartare maskiner för vardaglig vetenskap

Moderna vetenskapliga verktyg, från kraftfulla röntgenmikroskop till robotstyrda kemilaboratorier, kan samla in data snabbare än någonsin. Men att driva dessa maskiner kräver fortfarande expertuppmärksamhet och noggrann uppställning, vilket begränsar vem som kan använda dem och hur snabbt upptäckter görs. Denna artikel undersöker hur en ny generation artificiella intelligens"agenter" kan lära sig tillsammans med mänskliga forskare för att operera komplexa instrument mer säkert, flexibelt och effektivt.

Från knapptryckningar till lärande partner

Dagens avancerade laboratorier automatiserar många rutinmässiga steg, men verklig självständighet — att planera experiment, tolka bilder och avgöra vad som ska göras härnäst — ligger fortfarande utom räckhåll. Författarna bygger vidare på stora språkmodeller, samma typ av AI som driver moderna chattbottar, och förvandlar dem till måldrivna agenter som kan skriva kod, anropa mjukvaruverktyg och reagera på bilder och video. Istället för att ersätta forskare är dessa agenter utformade för att arbeta i en "människa i loopen"-struktur: människor beskriver vad de vill ha, ger korrigeringar vid behov, och AI:n minns dessa lärdomar för framtida användning.

En digital co-pilot för ett röntgenmikroskop

Det första testbädden är en hård röntgen-nanoprobe-strållinje, en maskin som använder fokuserade röntgenstrålar för att kartlägga materialens struktur i storlekar på miljarddelar av en meter. På grund av strålningsrisker får ingen vistas i rummet medan den körs, och hela uppställningen styrs av specialiserad mjukvara och skript. Teamet kopplar flera AI-agenter till detta styrsystem. En agent skriver kommandon som behövs för att skanna ett prov; en annan granskar koden för säkerhet och korrekthet; en visuell agent analyserar de resulterande bilderna för att föreslå var man bör zooma in för en närmare titt. Agenterna måste inte bara översätta vardagliga språkbegäran till korrekta skanningskommandon, utan också läsa av små ljusa fläckar i diffraktions- och fluorescensbilder och omvandla deras positioner till precisa koordinater för nya skanningar.

Vad AI gjorde rätt — och var den kämpade

Genom att jämföra flera ledande synkunniga språkmodeller finner forskarna tydliga skillnader i prestanda. Vissa modeller är bra på att följa textinstruktioner och anropa rätt funktion, särskilt efter att de fått exempel och korrigerats av människor. Andra är mycket bättre på visuell slutledningsförmåga, såsom att peka ut isolerade ljusa partiklar och undvika tätt packade kluster när de väljer var nästa skanning ska ske. Den modell som utmärkte sig i denna studie kombinerar båda styrkorna och visade det mest konsekventa beteendet över upprepade försök. Författarna konstaterar dock också att återkoppling framför allt förbättrar textbaserade färdigheter som val av parametrar; det löser inte på magisk väg svag visuell förståelse.

Att lära robotar att genomföra egna experiment

Den andra testbädden är en automatiserad station för att tillverka tunna polymerkfilmer, använda i elektronik- och energienheter. Här flyttar en robotarm utrustad med olika gripdon flaskor, substrat, pipettspetsar och ett bladbeläggningsverktyg mellan olika stationer. Forskarna tar bort de flesta högre nivåns rutiner och ger agenterna endast lågnivåkommandon och en karta över var allt finns. AI:n måste läsa en vetenskaplig artikel för att extrahera lämpliga beläggningsvillkor, planera en lång kedja av steg — såsom att plocka upp ett substrat, placera det i beläggaren, öppna en flaska, dosera lösning och sprida den under kontrollerad temperatur och hastighet — och sedan generera och verifiera robotkoden för att utföra detta. Mänskliga handledare godkänner varje ny sekvens, och deras korrigeringar lagras i ett minnessystem så att agenterna kan återanvända framgångsrika mönster senare.

Bygga mot självkörande laboratorier

Över både röntgenstrållinjen och den robotiska tillverkningsplattformen visar studien att AI-agenter kan lära sig på jobbet och gradvis omvandla expertvägledning till återanvändbar kunskap. Med ett strukturerat minne och säkerhetskontroller som begränsar vad AI:n får göra kan dessa system bli mer pålitliga över tid samtidigt som kritiska beslut lämnas i människors händer. Författarna betonar att verkligt helt automatiska laboratorier kräver mer arbete kring kalibrering, långtidsminneshantering och hantering av uppgifter som fortfarande beror på mänsklig fingerfärdighet och intuition. Ändå pekar detta arbete mot en framtid där forskare spenderar mindre tid på att slåss med komplexa kontroller och mer tid på att ställa ambitiösa frågor, medan AI-partner hjälper till att driva instrumenten som förvandlar idéer till upptäckter.

Citering: 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

Nyckelord: AI-agenter, självkörande laboratorier, vetenskaplig instrumentering, robotstyrda experiment, multimodala stora språkmodeller