Elucidata推出AI實驗室，向生物醫學通用人工智能邁進

位于美國馬薩諸塞州的Elucidata已經在生物信息學領域深耕多年。其專業核心在于解讀復雜的生物醫學數據。他們開發的MLOps（機器學習運營）平臺Polly旨在幫助生命科學團隊在藥物發現和診斷工作流程中連接和分析多模態數據集。這種對數據可靠性的專注如今正向著一個更加雄心勃勃的方向擴展。隨著本周AI實驗室的啟動，Elucidata正在將這一基礎延伸至生物醫學AGI(通用人工智能)領域。

在生物醫學領域，創建能夠適應并推理碎片化和混亂生物數據的AI系統一直是一個持續的挑戰。Elucidata旨在通過AI實驗室克服這一挑戰。

AI系統在遇到與其訓練數據完全不同的數據時往往舉步維艱。Elucidata將其稱為分布外(OOD)問題。這可能導致不可靠的預測和遺漏生物信號——而這正是它們本應支持的復雜場景類型。

"傳統AI默認生產數據與訓練數據相似；GenAI只能從其底層分布進行建模，這是一個數學真理。"聯合創始人兼首席執行官Abhishek Jha表示。"在生物醫學研發中，這一假設在最關鍵的領域會失效：罕見亞群、意外反應和異常信號。如果我們能夠可靠地檢測和解釋分布外觀測結果，我們就能構建經得起現實世界考驗的AI。AI實驗室是我們在這一前沿領域下的賭注。"

AI實驗室將增強負責數據攝取和標準化的現有Polly組件,包括Scout和Xtract等模塊。目標是超越基本數據處理，實現更復雜的多模態生物醫學數據提取和結構化。

通過AI實驗室，Elucidata還希望進一步開發專為生物醫學研究設計的基礎AI組件。這包括構建在精選生物醫學數據上訓練的領域感知基礎模型。此外，公司計劃開發虛擬細胞系統和精選知識圖譜，幫助AI模型在生物學背景下工作，而不是將數據視為不相關的輸入。

根據Elucidata的說法，借助AI實驗室，它正在"組建一支精通生物學、化學、藥物發現、軟件工程、數學和業務的世界級團隊，將這些能力轉化為現實影響。"

AI實驗室的推出恰逢大型語言模型(LLM)和基礎模型越來越多地部署在現實世界生物醫學環境的時期。在一個高度監管的行業中，不確定條件下的可靠性和可解釋性往往比原始模型性能更重要。

生物醫學AI在嚴格監管下運作(FDA、EMA、HIPAA、GxP)。這意味著AI實驗室必須專注于透明度和可追溯性。系統需要展示結果是如何產生的以及不確定性存在的位置。這比模型準確性更為重要。

Elucidata并非將生物醫學AGI定位為人類專業知識的近期替代品，而是瞄準能夠在這些限制內工作的AI系統。目標是支持研究人員，而非取代他們。這包括檢測不確定性并標記任何需要注意的罕見信號。這有助于在現實世界數據與訓練數據不同時保持結果可靠。

在AI實驗室之外，Elucidata還通過少量合作項目保持活躍。2025年，該公司與Sapien Biosciences合作，幫助準備大型生物樣本庫數據集，用于AI驅動的研究。該合作的目標是將復雜的生物數據轉化為更易用的形式。

Elucidata還與Auron Therapeutics在癌癥研究方面建立了合作伙伴關系，其平臺正在活躍的藥物發現項目中使用。這些努力表明，公司的工作與廣泛的研究環境相關聯，在這些環境中數據不完美且結果至關重要。

該領域的其他公司包括Recursion、Tempus和BenevolentAI。這些公司的核心目標是利用海量數據集進行大規模建模和模式發現以推動預測。

Elucidata的方法不同。它更重視數據結構和生物學背景。借助AI實驗室，公司正在這一基礎上構建，更加注重能夠處理現實世界生物醫學工作流程。

"AI實驗室是我們十年歷程中的自然下一步，"聯合創始人兼首席技術官Swetabh Pathak表示。"我們看到科學數據中的信號不處于邊緣，它存在于三個標準差之外，即'正常'之外。我們的使命是構建能夠檢測、清理和利用這些邊緣案例信號的AI系統，而不是丟棄它們。"