基於生物輸入而非視覺的物理人工智能：工業生物領域的自主化基準測試
本文探討了如何為工業生物過程的自主系統建立基準測試。作者指出，與機器人或自動駕駛不同，生物過程的核心挑戰在於感知（觀察），而非決策。由於生物指標（如活菌數量）不可見、測量緩慢且不可回溯，因此必須先對感知能力進行基準測試，然後才能評估決策。文章提出了三項感知測試：覆蓋整個系統、及時獲取數據、以及確保跨地點數據的一致性。作者認為，只有通過感知測試，才能進一步借用機器人領域的決策基準測試方法。
在工業生物領域，將人工智能應用於物理過程的自主控制正引起廣泛關注。然而，我們如何評估這些系統的可靠性？本文作者Digvijay Singh，Drizzle Health的聯合創始人，提出一個基本問題：如果我們讓機器自主運行一個生物過程，我們如何知道它是否可靠？他認為，答案在於基準測試，但必須從最薄弱的環節開始。
任何在物理世界中行動的機器系統都可以被視為一個OODA循環：觀察、判斷、決策、行動。循環的整體性能取決於其最弱的環節。在機器人領域，攝像頭等傳感器已經足夠先進，但判斷物體的方位和做出正確決策仍是難點。因此，機器人基準測試側重於任務完成度，如摺疊毛巾。但在生物過程中，情況截然相反。
生物過程的弱點是觀察。要測量一個系統中活性病原體的數量，我們面臨三個挑戰：首先，這些生物指標是不可見的，無法像攝像頭讀取停止標誌那樣直接讀取；其次，測量它們需要時間，通常需要培養樣本數天才能獲得結果，這導致控制延遲如同一個延遲20秒的淋浴開關，讓你在冷熱之間搖擺不定；最後，你無法回溯過去時刻的生物狀態，因為一小時的蘋果批次已經發貨或被吃掉，無法重放或模擬。
因此，在生物過程中，決策相對容易（至少目前如此），而觀察是瓶頸。無論多少計算能力都無法從外部解決這個問題。所以，我們必須首先對“眼睛”進行基準測試。
作者提出了三項針對感知的測試：第一，看到整個系統而非單個點。例如，只用一隻手電筒檢查黑暗倉庫的一個過道，然後聲稱倉庫安全是無效的。第二，及時看到變化。衡量從事件發生到可操作數據的時間，包括生物學檢測所需的天數。第三，測量結果在不同地點間保持一致。兩個温度計都顯示70度，但一個在陽光下，一個在陰涼處，它們是否代表相同的物理現象？如果不能確保一致性，就無法合併來自不同設施的數據。
這三項測試構成了評估感知能力的基礎。只有感知通過後，評估決策能力才有意義，那時我們可以直接借鑑機器人領域的基準協議。
文章還指出，自主能力受限於感知能力，如同在霧天汽車必須減速。在工業生物領域，目前大多數應用處於L0到L2級（基於計時器或代理指標如餘氯或冷鏈温度）。要跨越L2到L3級的壁壘，必須從根本上重建生物傳感方式。
作者強調，工業生物需要建立一個可比性標準，以確保跨設施的數據具有一致含義。這是構建基礎模型的前提。最後，他介紹了其公司Drizzle的解決方案MagnaFlow，該方案旨在通過一次性採集整個批次水樣、在幾分鐘內獲得信號、並將結果與特定批次綁定，來同時滿足三項感知測試。