Berita viral dari dunia riset kecerdasan buatan datang dari Google Research. Tim peneliti memperkenalkan VERID, sistem yang menjadi kembaran digital sebuah laboratorium basah. Tujuannya memastikan perintah agen AI aman dan masuk akal sebelum dijalankan robot pemipet.
Berita Viral: VERID, Kembaran Digital Laboratorium
VERID adalah singkatan dari VERified Infrastructure for Discovery Laboratories. Sistem ini berupa pohon entitas tiga dimensi yang hidup dan menyimpan keadaan terkini. Isinya mencakup geometri lengan robot hingga volume tiap sumur mikroplat, seperti dijelaskan dalam tulisan resmi Google Research.
Sistem juga melacak identitas reagen dan persediaan ujung pipet. Google membangunnya di atas kerangka sumber terbuka PyLabRobot. Kerangka itu sebelumnya dipakai komunitas untuk mengendalikan robot penanganan cairan.
Pendekatan serupa dipakai pada sistem otomasi industri. Sebelum mesin bergerak, perintah diperiksa terhadap kondisi nyata di lapangan. Pada laboratorium pemeriksaannya lebih rumit karena volume cairan berubah setiap saat.
Google menyebut VERID punya empat kemampuan inti. Pelacakan keadaan tiga dimensi secara langsung, uji kering virtual yang berjalan dalam hitungan detik, pemeriksaan keamanan perangkat keras, serta log video dan aksi yang tersinkronisasi.
Iklan
Paviliun Akademika: punya kost tanpa repot kelola
Paviliun Akademika menghadirkan pilihan investasi kost terkelola di Akademika Townhouse, Gowa. Unit disiapkan untuk disewakan, dengan pengelolaan kawasan yang ditangani pemilik proyek.
Mengapa Agen AI Perlu Diuji di Laboratorium Nyata
Google menyebut model frontier belum andal menalar geometri tiga dimensi dan keadaan fisik. Ini menyulitkan otomasi robot penanganan cairan. Robot harus memindahkan reagen, mencatat volume, dan menjalankan protokol biologi molekuler.
Kode yang benar secara sintaksis bisa mustahil dijalankan. Contohnya menurunkan pipet delapan kanal ke palung sempit yang terlalu pendek. Contoh lain, mengambil cairan dari sumur yang sudah kosong.
Ada pula perintah yang sah secara teknis tetapi merusak eksperimen. Efek fluida yang tidak dimodelkan bisa mengubah hasil. Karena itu pemeriksaan tidak cukup dilakukan pada kode saja, tetapi juga pada konteks fisik saat itu.
Persoalan kedua, eksperimen di lab nyata tidak mengejar kecepatan desain komputasi. Hasil eksperimen justru menjadi hambatan utama. Google melihat agen yang mampu menjalankan eksperimen lalu belajar dari hasilnya sebagai jalan keluar.
Menurut Google, kecepatan desain komputasi sudah meningkat tajam. Uji laboratorium menjadi penentu apakah rancangan itu benar-benar bekerja. Karena itu peneliti mencari cara memangkas percobaan yang berpotensi gagal.
Studi Kasus: Pewarna, Plate Reader, dan Aspirasi Gagal
Dalam satu kampanye, video dan jejak eksekusi menangkap ketidakrataan stratifikasi pewarna. Penyebabnya pengeluaran cairan terlalu dekat ke dasar sumur. Agen kemudian memperbaiki strategi pencampurannya.
Pada kampanye yang sama, keadaan kembaran digital membuat agen pulih dari kegagalan pembaca pelat. Agen melanjutkan proses tanpa mengulang pemipetan. Pemulihan itu menghemat reagen dan waktu mesin.
Kasus lain, simulator menolak aspirasi delapan kanal yang tidak mungkin masuk palung sempit. Agen menyusun ulang rencana dan merancang diagnostik faktorial. Langkah itu mengungkap bias halus akibat sisa cairan di dinding ujung pipet.
Pada kampanye mandiri berulang, agen merancang dan menjalankan eksperimen robot. Tujuannya merekonstruksi campuran pewarna tersamarkan dari citra kamera. Akurasinya meningkat lebih dari lima kali lipat, seperti dirangkum Dataphoenix.info.
Hasil pada Aptamer dan Binder Protein
Google juga melaporkan eksperimen siklik untuk aptamer DNA. Pada target alpha-thrombin, tingkat hit naik dari 0 persen pada putaran pertama. Putaran kedua 26,0 persen, lalu 42,1 persen pada putaran ketiga dengan spesifisitas 98,5 persen.
Untuk target myoglobin, tingkat hit on-target mencapai 33,5 persen pada putaran ketiga. Google menyebut kedua angka itu sudah dikoreksi secara statistik. Tingkat hit tersebut dihitung setelah koreksi bias manik.
Pada desain binder protein, tim memakai teknik epitope excision. Teknik itu memangkas target protein ke area ikatan saat prediksi struktur. Untuk target FAP, waktu prediksi struktur lebih cepat sekitar 8,6 kali dan penghematan jam GPU dilaporkan mencapai 88 persen.
Empat klon yang diperkaya memiliki afinitas nanomolar satu digit, sekitar 3,0 sampai 9,1 nanomolar. Dalam perbandingan komputasi, alur kerja manusia bersama agen mencetak tingkat hit 9,33 persen. Alur kerja manusia saja 5,06 persen, sedangkan agen saja 6,18 persen menurut laporan Tokenpost.
Google menegaskan eksperimen itu memakai sistem tidak menular. Tidak ada risiko gain-of-function dalam rangkaian kerja tersebut. Sekuens yang dirancang tetap melalui penyaringan sebelum diuji.
