Agentic AI στο μικροσκόπιο: πώς τρεις agents χειρίζονται ένα AFM με ανθρώπινα όρια

Το ασφαλές agentic AI δεν ξεκινά από ένα μοντέλο που «κάνει τα πάντα». Ξεκινά από σαφείς ρόλους, περιορισμένα εργαλεία, έλεγχο ασάφειας πριν από κάθε κρίσιμη ενέργεια και επιστροφή στον άνθρωπο όταν λείπουν στοιχεία. Η εργασία για τρεις MCP agents σε μικροσκόπιο ατομικής δύναμης δείχνει αυτό το μοτίβο σε πραγματικό εξοπλισμό και προσφέρει ένα χρήσιμο σχέδιο για επιχειρηματικούς αυτοματισμούς με μετρήσιμο ρίσκο.

Μπορεί ένα γενικού σκοπού μοντέλο τεχνητής νοημοσύνης να χειριστεί πραγματικό επιστημονικό εξοπλισμό χωρίς να μετατρέψει ένα λάθος prompt σε λάθος κίνηση του οργάνου; Μια νέα εργασία για τη λειτουργία μικροσκοπίου ατομικής δύναμης, ή AFM, δίνει μια προσεκτική απάντηση: μπορεί να αναλάβει σημαντικό μέρος της εκτέλεσης, αρκεί η ευφυΐα του μοντέλου να περιβάλλεται από σαφή εργαλεία, περιορισμούς, ελέγχους ασάφειας και ανθρώπινη εποπτεία.

Οι ερευνητές δεν παρουσιάζουν ένα πλήρως αυτόνομο εργαστήριο. Ο άνθρωπος εξακολουθεί να αποφασίζει τι θα μετρηθεί και γιατί. Το agentic σύστημα αναλαμβάνει τη μετάφραση των οδηγιών σε εντολές, την αξιολόγηση της εικόνας, τη ρύθμιση συγκεκριμένων παραμέτρων και την ελεγχόμενη μετεπεξεργασία. Αυτή η διάκριση είναι κρίσιμη και για κάθε επιχείρηση που εξετάζει AI agents σε διαδικασίες με πραγματικό κόστος ή κίνδυνο: άλλο η ανάθεση της εκτέλεσης και άλλο η εκχώρηση του σκοπού.

Γιατί ένα AFM είναι δύσκολο περιβάλλον για αυτοματοποίηση

Το AFM δεν καταγράφει απλώς μια εικόνα πατώντας ένα κουμπί. Ο χειριστής ορίζει την πρόθεση του πειράματος, τη μετατρέπει σε εντολές, παρακολουθεί τα δεδομένα που έρχονται από το όργανο, αλλάζει παραμέτρους και επεξεργάζεται το τελικό αποτέλεσμα. Η ποιότητα εξαρτάται από την αλληλεπίδραση ακίδας, δείγματος και συστήματος ανάδρασης, η οποία αλλάζει από πείραμα σε πείραμα.

Η εργασία αναφέρει προβλήματα όπως parachuting, feedback ringing, hysteresis, creep, double-tip και απώλεια παρακολούθησης της επιφάνειας. Κάθε πρόβλημα απαιτεί διαφορετική αντίδραση. Η αύξηση του integral gain μπορεί να βελτιώσει την παρακολούθηση αλλά να προκαλέσει αστάθεια. Η μείωση της ταχύτητας σάρωσης μπορεί να βοηθήσει, αλλά αυξάνει τον χρόνο απόκτησης. Το setpoint δεν μπορεί να αλλάζει χωρίς όρια, επειδή πρέπει να προστατεύονται η ακίδα και το δείγμα.

Άρα, η αυτοματοποίηση δεν είναι μια απλή αντιστοίχιση «σύμπτωμα προς εντολή». Είναι πρόβλημα λήψης αποφάσεων με αλληλεξαρτώμενες παραμέτρους, οπτική αξιολόγηση και όρια ασφαλείας. Γι’ αυτό οι συγγραφείς επέλεξαν το AFM ως αυστηρό τεστ για agentic λειτουργία φυσικού εξοπλισμού.

Η αρχιτεκτονική των τριών MCP agents

Το πλαίσιο χωρίζει τη λειτουργία σε τρεις εξειδικευμένους agents. Ο AFM Messenger είναι το στρώμα επικοινωνίας με το όργανο. Μετατρέπει οδηγίες φυσικής γλώσσας σε κλήσεις εργαλείων, ελέγχει αν υπάρχουν οι απαραίτητες τιμές και μονάδες και εκτελεί μόνο αφού περάσει ο έλεγχος ασάφειας.

Ο AFM Pilot είναι ο agent κλειστού βρόχου. Λαμβάνει πρόσφατα δεδομένα ύψους και σφάλματος, εικόνες εμπρός και πίσω σάρωσης και τις τελευταίες γραμμές σάρωσης. Με AI vision εκτιμά την ποιότητα, εντοπίζει συγκεκριμένα artifacts και προτείνει περιορισμένες αλλαγές στις επιτρεπόμενες παραμέτρους. Οι αλλαγές εκτελούνται μέσω του Messenger και ο κύκλος επαναλαμβάνεται.

Ο AFM Doctor αναλαμβάνει την τελική διάγνωση και μετεπεξεργασία. Δεν έχει ελεύθερη δυνατότητα να «διορθώνει» εικόνες. Επιλέγει από προεγκεκριμένο, διαφανές σύνολο λειτουργιών, όπως leveling, ευθυγράμμιση γραμμών, αφαίρεση scars, cropping και αφαίρεση background. Ο διαχωρισμός των ρόλων κάνει κάθε στρώμα ελέγξιμο και μειώνει την επιφάνεια δράσης κάθε agent.

Το MCP δεν είναι το μέτρο ασφαλείας από μόνο του

Το Model Context Protocol χρησιμοποιείται ως δομημένη γέφυρα ανάμεσα στο μοντέλο και στις λειτουργίες του οργάνου. Οι συγγραφείς εξήγαγαν τις δημόσιες μεθόδους της βιβλιοθήκης RePySPM σε registry εργαλείων με ονόματα modules, συναρτήσεις, παραμέτρους και μονάδες. Στη μέθοδο αναφέρουν 128 εργαλεία που επικυρώθηκαν με scripted tests, ενώ στη συγκριτική παρουσίαση των μοντέλων γίνεται λόγος για πρόσβαση σε 129 tools. Η μικρή διαφορά καταμέτρησης δεν αλλάζει το βασικό εύρημα: το μοντέλο δεν συνθέτει αυθαίρετες εντολές αλλά επιλέγει από συγκεκριμένες λειτουργίες.

Η ίδια η εργασία όμως δείχνει ότι το tool access δεν αρκεί. Ένα εργαλείο μπορεί να κληθεί με λανθασμένη τιμή, λάθος μονάδα ή ασαφή στόχο. Το κρίσιμο στρώμα είναι ο έλεγχος πριν από την εκτέλεση. Αυτός ξεχωρίζει SET από GET, δρομολογεί κοινές παραμέτρους στο σωστό module, επιβάλλει μετατροπές μονάδων και ζητά πρόσθετη επιβεβαίωση για ενέργειες όπως approach και έναρξη σάρωσης.

Για ομάδες που χτίζουν agents σε CRM, e-commerce, οικονομικές ροές ή παραγωγή, το πρακτικό μάθημα είναι σαφές: το protocol οργανώνει τη σύνδεση, αλλά η ασφάλεια προκύπτει από το συμβόλαιο κάθε εργαλείου, τους περιορισμούς του και τη δυνατότητα του συστήματος να μην κάνει τίποτα όταν λείπει πληροφορία.

Τι έδειξε το benchmark εντολών

Οι ερευνητές συνέκριναν διαφορετικούς τρόπους σύνδεσης μοντέλων με το ίδιο instrument interface. Χωρίς εργαλεία, το μη τροποποιημένο Claude Sonnet 4.6 απέτυχε στο 89,2% των εντολών. Το fine-tuned GPT-4.1 είχε ποσοστό σφάλματος 28,4 ± 1,5%, το οποίο μειώθηκε σε 23,3 ± 0,7% όταν προστέθηκε function calling. Με δομημένα εργαλεία και χωρίς fine-tuning, το Sonnet 4.6 έφτασε σε 25,1 ± 1,1%, ενώ το Opus 4.8 σε 6,4%.

Οι αριθμοί δεν δείχνουν μόνο ότι τα ισχυρότερα μοντέλα κάνουν λιγότερα λάθη. Δείχνουν ότι αλλάζει και το είδος του λάθους. Στα fine-tuned μοντέλα, περίπου τέσσερα στα πέντε λάθη σχετίζονταν με λανθασμένες μονάδες ή τιμές: 79,3% για FT-GPT και 78,2% για FT-GPT-FC. Στο Sonnet με εργαλεία, οι μονάδες και οι τιμές αντιστοιχούσαν μόλις στο 1,8% των υπολειπόμενων λαθών, ενώ η ασάφεια ή η έλλειψη πληροφορίας στο 64,9%. Στο Opus, κυριάρχησε η λανθασμένη επιλογή tool ή module με 64,3% και ακολούθησε η ασάφεια με 21,4%.

Επομένως, το καλύτερο μοντέλο δεν εξαφανίζει την ανάγκη για αρχιτεκτονική ελέγχου. Απλώς μετακινεί το σημείο αποτυχίας. Μια ώριμη υλοποίηση πρέπει να μετρά όχι μόνο το συνολικό error rate αλλά και την ταξινομία των λαθών, επειδή κάθε κατηγορία χρειάζεται διαφορετικό guardrail.

Ο έλεγχος ασάφειας ως «φρένο» πριν από το hardware

Με την προσθήκη ambiguity check, το error rate μειώθηκε από 23,3 ± 0,7% σε 8,9% για το FT-GPT-FC, από 25,1 ± 1,1% σε 4,8% για το Sonnet 4.6 και από 6,4% σε 2,3% για το Opus 4.8. Η μείωση ήταν μεγαλύτερη από το ποσοστό των λαθών που είχαν αρχικά ταξινομηθεί ως «ασάφεια». Αυτό υποδηλώνει ότι ένα ελλιπές αίτημα μπορεί να εκδηλωθεί αργότερα ως λάθος μονάδα, τιμή ή επιλογή εργαλείου.

Στην interactive MCP διαμόρφωση, από 150 αιτήματα το 73,3% εκτελέστηκε άμεσα, το 22,7% επέστρεψε για διευκρίνιση και το 4,0% αφορούσε λειτουργίες για τις οποίες δεν υπήρχε εργαλείο. Στο συγκεκριμένο benchmark δεν παρατηρήθηκε λανθασμένη εκτέλεση εντολής. Αυτό δεν αποτελεί απόδειξη μηδενικού κινδύνου σε κάθε μελλοντική χρήση. Αποτελεί όμως ισχυρή ένδειξη ότι η δυνατότητα «σταμάτα και ρώτησε» είναι λειτουργικό μέρος της απόδοσης, όχι αποτυχία του agent.

Σε επιχειρηματικές εφαρμογές, το αντίστοιχο design pattern είναι να ορίζονται υποχρεωτικά πεδία, αποδεκτά εύρη, επιτρεπόμενοι στόχοι και ενέργειες που χρειάζονται δεύτερη επιβεβαίωση. Ένας agent που επιλέγει συνειδητά την αναμονή μπορεί να είναι πιο χρήσιμος από έναν agent που ολοκληρώνει πάντα το task.

Πώς ο AFM Pilot «βλέπει» και ρυθμίζει την εικόνα

Ο Pilot δεν βελτιστοποιεί έναν μοναδικό αριθμητικό στόχο. Αξιολογεί συνδυαστικά εικόνες ύψους, error channels, forward και backward δεδομένα και ίχνη γραμμών. Βαθμολογεί έξι προβλήματα: parachuting, feedback ringing, hysteresis, creep, double-tip και απώλεια surface tracking. Η βαθμολογία είναι κρίση του μοντέλου με λεκτικά anchors, όχι απευθείας υπολογισμένη μέτρηση.

Στο prompt, το 0,0 σημαίνει απουσία artifact, το 0,1–0,3 διακριτή παρουσία, το 0,4–0,6 καθαρά ορατό πρόβλημα και το 0,7–1,0 σοβαρό πρόβλημα. Οι ερευνητές θεώρησαν αποδεκτό parachuting έως 0,35 και ringing έως 0,25, με βάση την κρίση έμπειρων χειριστών. Ο βρόχος συνεχίζεται ώσπου η εικόνα να φτάσει σε αποδεκτή κατάσταση ή το μοντέλο να κρίνει ότι δεν υπάρχει άλλη ωφέλιμη αλλαγή μέσα στα επιτρεπτά όρια.

Παράλληλα λειτουργεί ανεξάρτητος deterministic detector σε Python για τρεις κατηγορίες artifacts. Δεν αποφασίζει τις αλλαγές. Χρησιμεύει ως αναπαραγώγιμος έλεγχος της AI vision αξιολόγησης. Αν η διαφορά ανάμεσα στις δύο εκτιμήσεις ξεπεράσει το 50%, το LLM καλείται να ελέγξει ξανά τα δεδομένα. Αυτό είναι ένα χρήσιμο υβριδικό μοτίβο: η γενική οπτική κρίση προτείνει ενέργεια, ενώ ο αριθμητικός μηχανισμός λειτουργεί ως αντίλογος.

Από calibration grating σε βιολογικά δείγματα και KPFM

Στο calibration grating, ο AFM Pilot ξεκίνησε από κατάσταση κακής παρακολούθησης και μέσα σε οκτώ iterations βελτίωσε την τοπογραφία και μείωσε το error signal, διατηρώντας τη σταθερότητα. Οι προσαρμογές δεν περιορίστηκαν στο PID: ανάλογα με την κατάσταση μπορούσαν να αλλάξουν integral gain, setpoint και scan rate, πάντα εντός προκαθορισμένων ορίων.

Η ίδια στρατηγική δοκιμάστηκε σε φτερό πεταλούδας, όπου ο agent αξιολογούσε forward και backward height/error δεδομένα και τις τελευταίες δέκα γραμμές σάρωσης. Για προβλήματα εκτός του χώρου ελέγχου του, όπως hysteresis, creep ή double-tip, δεν επιχειρούσε αυθαίρετη διόρθωση: ανέφερε την πιθανή αιτία και πρότεινε παρέμβαση χειριστή.

Οι ερευνητές εφάρμοσαν επίσης τον Pilot σε Kelvin-probe force microscopy με δείγμα χρυσού-αλουμινίου. Το KPFM-specific PID gain παρέμεινε σταθερό, ενώ ο agent έλαβε μαζί με την τοπογραφία και το KPFM channel για να ελέγξει αν η ποιότητα παρέμενε αποδεκτή σε όλα τα σήματα. Η αξία εδώ δεν είναι ότι το ίδιο prompt λύνει τα πάντα, αλλά ότι η ίδια λογική αξιολόγησης μπορεί να επαναχρησιμοποιηθεί σε διαφορετικά δείγματα και modes χωρίς ειδικό retraining.

Η σύγκριση με πέντε ανθρώπους χειριστές

Η πιο ουσιαστική δοκιμή συνέκρινε τον AFM Pilot με πέντε ανθρώπους χειριστές σε ίδιες detuned αρχικές συνθήκες, ίδιες μετρικές ποιότητας, ίδια όρια ασφαλείας και μόνο δύο ρυθμιζόμενες παραμέτρους: setpoint και integral gain. Ο agent έκανε πιο συντηρητικές αλλαγές στο setpoint, ενώ οι αλλαγές του integral gain ήταν συγκρίσιμες με των ανθρώπων.

Με Wilcoxon signed-rank test σε πέντε matched pairs, δεν βρέθηκαν στατιστικά σημαντικές διαφορές στον αριθμό iterations (p=0,063), στον χρόνο tuning (p=0,625), στην τελική σοβαρότητα parachuting (p=1,00) ή στην τελική σοβαρότητα ringing (p=0,188). Ο Pilot χρειάστηκε λιγότερα iterations και κατέληξε σε χαμηλότερο ringing, ενώ οι άνθρωποι ολοκλήρωσαν ελαφρώς γρηγορότερα και πέτυχαν ελαφρώς χαμηλότερο parachuting.

Το μικρό δείγμα δεν δικαιολογεί γενίκευση ότι ο agent ισοδυναμεί με κάθε ειδικό σε κάθε όργανο. Υποστηρίζει όμως ότι, κάτω από ελεγχόμενες συνθήκες και στενά όρια δράσης, μπορεί να φτάσει σε αποδεκτή τελική εικόνα με συμπεριφορά συγκρίσιμη με έμπειρους χειριστές.

Ο AFM Doctor και το όριο ανάμεσα σε διόρθωση και επινόηση

Στη μετεπεξεργασία, ο μεγαλύτερος κίνδυνος είναι μια «βελτίωση» που αλλοιώνει τα δεδομένα. Ο AFM Doctor αντιμετωπίζει το πρόβλημα με whitelist λειτουργιών. Αναγνωρίζει scars, offsets και background tilt, εξηγεί την πιθανή φυσική αιτία και επιλέγει καθιερωμένες διορθώσεις. Στο παράδειγμα της εργασίας, εφάρμοσε scar removal, background leveling και line flattening, με αποτέλεσμα οπτικά συγκρίσιμο με την επεξεργασία ανθρώπου στο Gwyddion.

Οι λειτουργίες περιλαμβάνουν επίσης masked substrate-only leveling, multi-point leveling αγκυρωμένο στο υπόστρωμα, directional FFT destriping, baseline zeroing και ρύθμιση χρωματικού εύρους. Τα backgrounds και offsets προκύπτουν από masked επίπεδες περιοχές και όχι από την τοπογραφία του δείγματος, ώστε οι διορθώσεις να μη στρεβλώνουν τα χαρακτηριστικά που πρέπει να μετρηθούν.

Αυτό μεταφέρεται άμεσα σε content, analytics και customer experience workflows. Όταν η γενετική AI επεξεργάζεται ένα asset ή dataset, οι επιτρεπόμενες μετατροπές πρέπει να είναι δηλωμένες, αναστρέψιμες και ελέγξιμες. Η δημιουργική ελευθερία είναι χρήσιμη στη σύνθεση, αλλά επικίνδυνη όταν το αποτέλεσμα πρέπει να παραμένει πιστό σε πρωτογενή δεδομένα.

Τι δεν κάνει ακόμη το σύστημα

Οι συγγραφείς τονίζουν ότι η πειραματική πρόθεση παραμένει ανθρώπινη. Ο agent δεν αποφασίζει ποιο πείραμα αξίζει να γίνει. Επίσης, στη σύγκριση με τους ανθρώπους περιορίστηκε σε δύο παραμέτρους. Η επέκταση σε περισσότερες μεταβλητές απαιτεί χαρτογράφηση αλληλεπιδράσεων και νέα safe ranges.

Υπάρχουν και πρακτικοί περιορισμοί. Κάθε iteration περιλαμβάνει νέα απόκτηση δεδομένων, μεταφορά προς το LLM και inference. Ο χρόνος εξαρτάται από τη σύνδεση και τη διαθεσιμότητα εξωτερικού μοντέλου. Η επαναλαμβανόμενη αποστολή εικόνων αυξάνει tokens και κόστος. Σε συνεδρία δέκα iterations, περίπου το 95% των processed input tokens εξυπηρετήθηκε από cache, με την εργασία να αναφέρει ότι το cached input κοστίζει το ένα δέκατο της βασικής τιμής.

Ένα τοπικό μοντέλο θα μπορούσε να μειώσει latency και εξάρτηση από cloud, αλλά θα χρειαζόταν ξεχωριστή επικύρωση για image assessment, command reliability και ambiguity handling. Περισσότερα imaging channels μπορεί να προσφέρουν πλουσιότερο context, αλλά μπορεί επίσης να είναι πλεονάζοντα ή αντικρουόμενα. Η εργασία αφήνει ανοιχτό αν ένα LLM μπορεί να τα αξιοποιήσει καλύτερα από έναν έμπειρο χειριστή.

Το επιχειρηματικό μάθημα: σχεδίασε το σύστημα γύρω από την αβεβαιότητα

Το paper αφορά μικροσκοπία, αλλά η αρχιτεκτονική του είναι γενικότερη. Πρώτον, διαχώρισε τον άνθρωπο που ορίζει τον στόχο από τον agent που εκτελεί. Δεύτερον, χώρισε τις ευθύνες σε agents με μικρά, εξειδικευμένα toolsets. Τρίτον, κράτησε τους κρίσιμους κανόνες έξω από τα weights του μοντέλου, ώστε να μπορούν να αλλάζουν χωρίς retraining.

Τέταρτον, μη μετράς μόνο πόσα tasks ολοκληρώθηκαν. Μέτρα ποια λάθη έγιναν, ποια σταμάτησαν πριν από την εκτέλεση και πόσα requests χρειάστηκαν διευκρίνιση. Πέμπτον, συνδύασε την ευέλικτη κρίση του LLM με deterministic ελέγχους όπου υπάρχουν αξιόπιστες μετρικές. Και έκτον, περιόρισε τη μετεπεξεργασία σε διαφανείς, εγκεκριμένες ενέργειες.

Για e-commerce, αυτό μπορεί να σημαίνει ότι ένας agent προτείνει αλλαγές σε καμπάνιες αλλά δεν υπερβαίνει budget limits. Για CRM, ότι συντάσσει και ταξινομεί, αλλά δεν αλλάζει κρίσιμα πεδία χωρίς πλήρη στοιχεία. Για content operations, ότι μετασχηματίζει υλικό μόνο με καταγεγραμμένη πηγή και χωρίς να δημιουργεί ανύπαρκτα δεδομένα. Η αξία δεν βρίσκεται στην «αυτονομία με κάθε κόστος», αλλά στην αξιόπιστη ανάθεση συγκεκριμένων αποφάσεων.

Η ίδια πειθαρχία φαίνεται και σε άλλες επιχειρηματικές ροές. Η αξιοπιστία στο tool calling εξαρτάται από το τι συμβαίνει μετά το πρώτο λάθος, ενώ το human in the loop χρειάζεται συγκεκριμένα σημεία απόφασης και όχι απλή παρουσία ενός ανθρώπου στο τέλος. Σε web περιβάλλον, οι ίδιες αρχές εφαρμόζονται όταν σχεδιάζουμε ασφαλή πρόσβαση AI agents σε λειτουργίες website και όταν οργανώνουμε ελεγχόμενη γνώση για agents.

Επτά βήματα για ασφαλή agentic αυτοματοποίηση

Η μεταφορά του μοτίβου από το AFM σε CRM, e-commerce, analytics ή back-office δεν απαιτεί μίμηση του εργαστηρίου. Απαιτεί να μετατραπεί κάθε επιχειρηματική ενέργεια σε ελεγχόμενο συμβόλαιο με σαφή όρια, στοιχεία εισόδου και απόφαση επιστροφής στον άνθρωπο.

Από το agentic instrument προς το self-driving lab

Η εργασία τοποθετεί σωστά το σύστημα ως agentic λειτουργία οργάνου και όχι ως self-driving laboratory. Μελλοντικά, active-learning ή hypothesis-driven μέθοδοι θα μπορούσαν να αποφασίζουν τι ή πού πρέπει να μετρηθεί, ενώ το agentic control layer θα αναλάμβανε πώς θα εκτελεστεί η μέτρηση με ασφάλεια.

Η κατεύθυνση δεν καταργεί τον κλασικό έλεγχο. Όταν η δυναμική ενός συστήματος είναι γνωστή και απαιτείται γρήγορη, deterministic απόκριση, οι συμβατικοί controllers παραμένουν καταλληλότεροι. Οι agents έχουν πλεονέκτημα σε ανώτερο επίπεδο, όταν η απόφαση εξαρτάται από πολλές οπτικές ενδείξεις και ανταγωνιστικές παραμέτρους που δύσκολα συμπυκνώνονται σε μία objective function.

Το πιο σημαντικό αποτέλεσμα είναι επομένως αρχιτεκτονικό. Η ασφαλής χρήση AI σε φυσικά συστήματα δεν βασίζεται σε ένα πανίσχυρο μοντέλο. Βασίζεται σε ένα σύνολο από οριοθετημένα εργαλεία, επαληθεύσιμους κανόνες, εναλλακτικούς ελέγχους και σαφή σημεία επιστροφής στον άνθρωπο.