Agenci AI zawodzą na podstawowej biologii: Kryzys hydrauliki danych

Projektowanie pod kątem człowieka, działanie na niekorzyść agenta

NCBI Virus i wiele innych publicznych baz danych biologicznych zostało zbudowanych z myślą o interaktywnej pracy w przeglądarce. Naukowcy klikają filtry, ręcznie sprawdzają wyniki i polegają na wizualnych wskazówkach. Taka logika interfejsu jest nie do pogodzenia z autonomicznymi agentami, które oczekują ustrukturyzowanych, programowalnych poleceń .

Skrajnie niedeterministyczne wyniki

Najbardziej druzgocącym odkryciem była niekonsekwencja. Gdy badacze trzykrotnie poprosili Claude Sonnet 4 o pobranie sekwencji wirusa Ebola, przy zweryfikowanej referencyjnej liczbie 266, model zwrócił 106 wyników za pierwszym razem, 15 za drugim i tylko 5 za trzecim. Nie zmieniono żadnych poleceń – zmienił się tylko rezultat .

To nie jest tylko kwestia pominięcia kilku rekordów. W jednej z symulacji błędne pobranie danych tak bardzo wypaczyło analizę filogenetyczną, że oszacowała ona początek epidemii Eboli na rok 1922 zamiast na prawidłowy rok 2014. AI nie halucynowała wyników naukowych – została nakarmiona uszkodzonym zestawem danych i sumiennie zbudowała na nim fałszywy wniosek .

Krucha, poszatkowana infrastruktura

Dane biologiczne są rozproszone po dziesiątkach baz z niekompatybilnymi identyfikatorami, różnymi standardami metadanych i brakiem wersjonowanych API. Inżynierowie oprogramowania polegają na menedżerach pakietów i wersjonowanych punktach końcowych; biolodzy obliczeniowi często grzęzną w pisaniu skryptów przeciwko niespójnym interfejsom internetowym, które zmieniają się bez ostrzeżenia .

Deterministyczne rozwiązanie: gget virus

Zamiast trenować lepszy model, zespół zbudował lepszą warstwę dostępu. gget virus to lekki, deterministyczny framework, który formalizuje logikę filtrowania NCBI Virus w powtarzalny, programowalny system .

Działa on poprzez nakładanie ograniczeń na metadane przed pobraniem sekwencji, selektywne pobieranie tylko ustrukturyzowanych rekordów GenBank pasujących do zapytania oraz redukcję transferu danych o ponad 98% dla zapytań o dużej pojemności, zachowując przy tym semantykę dokładnego dopasowania. Rezultatem jest ten sam zestaw danych za każdym razem – właściwość, której agenci AI desperacko potrzebują, ale której stara infrastruktura nie mogła zapewnić .

Wpływ był natychmiastowy i dramatyczny. Gdy autonomiczne systemy AI używały gget virus jako swojego backendu do pobierania danych:

• Dokładność wzrosła do co najmniej 90,0% dla wszystkich testowanych modeli, a GPT-5.5 osiągnął 99,7%.
• Wskaźniki stabilności wzrosły do przedziału 0,92–1,00.
• Skala błędów, szczególnie tych katastrofalnych, które zmieniają wnioski naukowe, gwałtownie spadła .

Wniosek jest jednoznaczny: głównym ograniczeniem dla biologii napędzanej AI nie jest rozumowanie modelu – jest nim deterministyczny dostęp do danych. Dodaj odpowiednią warstwę dostępu, a dzisiejsi agenci mogą już wykonywać wiarygodną pracę .

Nowe myślenie o infrastrukturze danych biologicznych w erze agentów

Sukces gget virus to dowód słuszności koncepcji dla znacznie większej zmiany. Badacze argumentują, że ten wzorzec nie ogranicza się do wirusologii – samo NCBI hostuje ponad 30 baz danych, które skorzystałyby na podobnych deterministycznych interfejsach .

Od projektowania zorientowanego na człowieka do projektowania natywnego dla agentów

Biologiczne bazy danych muszą ewoluować, aby udostępniać dobrze udokumentowane, wersjonowane API ze standaryzowanym filtrowaniem i powtarzalną semantyką zapytań. To odpowiednik tego, co programiści otrzymują od menedżerów pakietów i systemów kontroli wersji – krytyczna infrastruktura, której obecnie brakuje naukom biologicznym .

Dążenie do sfederowanych danych o skali AI

W równoległych działaniach Chan Zuckerberg Initiative opublikowało plan działania wzywający do interoperacyjnych, połączonych zestawów danych biologicznych, które można odpytywać za pomocą interfejsów wiersza poleceń i standardów czytelnych dla maszyn. Ich wizja: świat, w którym naukowcy mogą przeszukiwać, analizować i pobierać dane multimodalne w jednym sfederowanym zapytaniu, umożliwiając odkrycia na skalę AI bez obecnego chaosu związanego z pobieraniem danych .

CZI już działa w tym kierunku, rozwijając interfejs wiersza poleceń (CLI) do sfederowanego dostępu do danych i budując Projekt Miliarda Komórek (Billion Cells Project), przełomowy zestaw danych pojedynczych komórek, mający na celu trenowanie modeli AI nowej generacji. Celem jest fundament infrastruktury, który uczyni dane biologiczne tak dostępnymi dla maszyn, jak repozytoria kodu są dla programistów .

Ta lekcja nie ogranicza się do biologii

Kluczowy wniosek – że przestarzałe interfejsy projektowane dla ludzi psują agenty AI – uogólnia się na całą informatykę naukową. Deterministyczne, programowalne warstwy dostępu nie są luksusem; są warunkiem wstępnym, by systemy autonomiczne mogły wiarygodnie uczestniczyć w badaniach. Rozwiązaniem nie jest czekanie na mądrzejszy model. To modernizacja dróg.