Ejen AI Gagal Biologi Asas: Krisis Infrastruktur Data Saintifik Terbongkar

Reka bentuk dahulukan manusia, prestasi ejen terabai

NCBI Virus dan banyak pangkalan data biologi awam lain dibina untuk aliran kerja interaktif berasaskan pelayar web. Ahli sains klik melalui penapis, periksa hasil secara manual, dan bergantung pada petunjuk visual. Logik antara muka ini tidak serasi dengan ejen autonomi yang menjangkakan arahan berstruktur dan boleh diprogramkan .

Hasil yang sangat tidak tekal (non-deterministic)

Penemuan paling membimbangkan adalah ketidakkonsistenan. Apabila penyelidik bertanya kepada Claude Sonnet 4 sebanyak tiga kali untuk mendapatkan jujukan Ebolavirus berbanding data rujukan yang disahkan sebanyak 266, ia mengembalikan 106 pada percubaan pertama, 15 pada percubaan kedua, dan hanya 5 pada percubaan ketiga. Tiada sebarang arahan ('prompt') diubah — cuma outputnya sahaja yang berubah .

Ini bukan sekadar tentang kehilangan beberapa rekod. Dalam satu simulasi, pengambilan data yang rosak telah menjejaskan analisis filogenetik dengan teruk sehingga ia menganggarkan asal-usul wabak Ebola adalah pada tahun 1922, berbanding tarikh sebenar 2014. AI tidak berhalusinasi tentang sains itu — ia telah diberi set data yang rosak dan dengan patuhnya membina kesimpulan palsu di atasnya .

Infrastruktur rapuh dan berpecah-belah

Data biologi bertaburan merentasi berpuluh-puluh pangkalan data dengan pengecam yang tidak serasi, piawaian metadata yang berbeza, dan tiada API (Antara Muka Pengaturcaraan Aplikasi) versi terkawal. Jurutera perisian bergantung pada pengurus pakej dan titik akhir berversi; ahli biologi pengiraan seringkali terpaksa membuat skrip untuk melawan antara muka web yang tidak konsisten yang berubah tanpa notis .

Pembetulan tekal (deterministic): gget virus

Daripada melatih model yang lebih baik, pasukan ini membina lapisan capaian yang lebih baik. gget virus adalah rangka kerja ringan dan tekal yang memformalkan logik penapisan NCBI Virus ke dalam sistem boleh program yang hasilnya boleh diulang .

Ia berfungsi dengan menggunakan kekangan metadata sebelum memuat turun jujukan, secara selektif hanya mengambil rekod GenBank berstruktur yang sepadan, dan mengurangkan pemindahan data lebih 98% untuk pertanyaan volum tinggi sambil mengekalkan semantik padanan tepat. Hasilnya adalah set data yang sama setiap kali — satu sifat yang sangat diperlukan oleh ejen AI tetapi tidak dapat disediakan oleh infrastruktur lama .

Impaknya amat mendadak dan ketara. Apabila sistem AI autonomi menggunakan gget virus sebagai capaian data belakang mereka:

• Ketepatan melonjak kepada sekurang-kurangnya 90.0% untuk semua model yang diuji, dengan GPT-5.5 mencapai 99.7%.
• Metrik kestabilan meningkat kepada 0.92–1.00 secara keseluruhan.
• Magnitud ralat, terutamanya jenis bencana yang mengubah kesimpulan saintifik, runtuh dengan banyaknya .

Pengajarannya jelas: kekangan pengikat pada biologi dipacu AI bukanlah penaakulan model — ia adalah capaian data yang tekal. Tambah lapisan capaian yang betul, dan ejen hari ini sudah boleh melakukan kerja yang boleh dipercayai .

Memikirkan semula infrastruktur data biologi untuk era ejen

Kisah kejayaan gget virus adalah bukti konsep untuk anjakan yang lebih besar. Para penyelidik berpendapat corak ini tidak terhad kepada virologi — NCBI sahaja mempunyai lebih 30 pangkalan data yang akan mendapat manfaat daripada pembalut tekal (deterministic wrappers) yang serupa .

Dari berorientasikan manusia ke reka bentuk mesra ejen

Pangkalan data biologi mesti berubah untuk mendedahkan API yang didokumentasikan dengan baik, berversi, dengan penapisan piawai dan semantik pertanyaan yang boleh diulang. Ini adalah setara dengan apa yang diperoleh pembangun perisian daripada pengurus pakej dan sistem kawalan versi — infrastruktur kritikal yang kini tiada dalam sains biologi .

Desakan untuk data bersekutu berskala AI

Dalam usaha selari, Chan Zuckerberg Initiative menerbitkan pelan hala tuju yang menyeru set data biologi bersekutu dan saling kendali yang boleh dicapai melalui antara muka baris arahan dan piawaian boleh dibaca mesin. Visi mereka: dunia di mana saintis boleh mencari, menganalisis, dan memuat turun data pelbagai mod dalam satu pertanyaan bersekutu, membolehkan penemuan skala AI tanpa kegagalan capaian semasa .

CZI sudah pun bertindak ke atas perkara ini, membangunkan CLI (Antara Muka Baris Arahan) untuk capaian data bersekutu dan membina 'Billion Cells Project', set data sel tunggal mercu tanda yang bertujuan melatih model AI generasi akan datang. Matlamatnya adalah infrastruktur asas yang menjadikan data biologi semudah diakses oleh mesin seperti repositori kod kepada pembangun .

Pengajarannya bukan hanya terhad kepada biologi

Wawasan teras — bahawa antara muka warisan dahulukan manusia merosakkan ejen AI — adalah am untuk semua pengiraan saintifik. Lapisan capaian tekal dan boleh program bukanlah satu kemewahan; ia adalah prasyarat untuk membenarkan sistem autonomi mengambil bahagian dengan pasti dalam penyelidikan. Pembetulannya bukan menunggu model yang lebih pintar. Ia adalah menaik taraf 'jalan rayanya'.