OpenAI تطلق GPT-Rosalind: نموذج ذكاء اصطناعي لعلم الأحياء وعلم الجينوم وتطوير الأدوية

في 16 أبريل، قدمت OpenAI نموذج GPT-Rosalind، وهو أول نموذج متخصص للشركة في علوم الحياة (life sciences)، أي المهام الواقعة عند تقاطع علم الأحياء والصناعات الدوائية والطب التطبيقي. سُمّي النموذج تيمّنًا بروزاليند فرانكلين، ولم يُصمَّم ليحل محل العلماء، بل ليكون أداة تسرّع الجزء الأشد صعوبة في العمل العلمي: قراءة الأدبيات، والتحقق من البيانات، وصياغة الفرضيات، وتصميم الخطوات التالية.

للسياق، يستغرق الطريق من البحث عن هدف دوائي جديد إلى الموافقة على الدواء في الولايات المتحدة عادةً من 10 إلى 15 عامًا. وتراهن OpenAI على أن الذكاء الاصطناعي قادر على اختصار المراحل المبكرة على الأقل من هذه الدورة، حيث يقضي الباحثون وقتًا هائلًا في التحليل ومقارنة الوقائع والعمل مع مصادر متفرقة.

وبحسب وصف الشركة، جرى تحسين GPT-Rosalind للعمليات العلمية التي تتطلب الاستدلال حول الكيمياء والبروتينات والجينات والمسارات الحيوية والبروتوكولات التجريبية. وعلى خلاف روبوتات الدردشة العامة التي تعرف شيئًا عن كل شيء، يتركز الاهتمام هنا على سلاسل البحث الطويلة: جمع عشرات الأوراق العلمية ومقارنتها، واستخراج البيانات من القواعد المتخصصة، وتفسير النتائج، واقتراح فرضية عمل، والمساعدة في تخطيط التجربة التالية.

وتشدد OpenAI بشكل خاص على أن الأمر لا يقتصر على توليد النصوص. فالنموذج مُصمَّم للمساعدة في تلخيص قاعدة الأدلة، وتوليد الفرضيات، وتخطيط التجارب، وتحليل البيانات، أي العمل داخل الروتين البحثي الفعلي، لا الاكتفاء بالإجابة عن الأسئلة في نافذة الدردشة.

ولهذا الغرض أُطلقت أيضًا إضافة Life Sciences research plugin لـ Codex. توفر الإضافة الوصول إلى أكثر من 50 أداة علمية، ومصادر أدبيات، وقواعد بيانات متعددة الأوميكس (multi-omics)، وخدمات بيولوجية. عمليًا، يستطيع الباحث في واجهة واحدة تشغيل البحث في التسلسلات، وعرض بنية البروتينات، وجمع المنشورات، والبحث عن مجموعات البيانات المفتوحة، وربط كل ذلك باستدلال النموذج. وبالنسبة للمختبرات وشركات الأدوية، فهذا أهم من مجرد نموذج LLM آخر: فالقيمة تظهر حين لا يكتفي النموذج بصياغة الإجابة، بل يستطيع الوصول إلى البيانات المطلوبة والاندماج في بيئة الحوسبة القائمة.

وبحسب التقييمات العلنية لـ OpenAI، يحقق GPT-Rosalind أفضل نتيجة على BixBench بين النماذج التي نُشرت مقاييسها. وعلى LABBench2 تفوق النموذج على GPT-5.4 في ست مهام من أصل إحدى عشرة؛ وسجلت الشركة أبرز تحسن في CloningQA، حيث يتعين تصميم الكواشف ووضع خطة كاملة للاستنساخ الجزيئي.

كما اختبرت OpenAI النموذج بالتعاون مع Dyno Therapeutics في مهمة التنبؤ بتسلسلات الـRNA وتوليدها وفق الوظيفة، مع استخدام بيانات غير منشورة لم يكن بالإمكان أن تكون ضمن مجموعة التدريب. وفي بيئة Codex، جاءت أفضل نتائج النموذج من عشر محاولات أعلى من المئين 95 للخبراء البشر في مهمة التنبؤ، وعلى مستوى المئين 84 تقريبًا في مهمة توليد التسلسلات. وهذا لا يثبت أن الذكاء الاصطناعي جاهز لإجراء الاكتشافات بنفسه، لكنه يُظهر أنه بدأ في السيناريوهات الضيقة للمعلوماتية الحيوية ينافس مختصين أكفاء.

وجاء الإطلاق بحذر. فحاليًا يتوفر GPT-Rosalind بصيغة معاينة بحثية (research preview) عبر ChatGPT وCodex وAPI، لكن فقط للعملاء المؤسسيين المؤهلين في الولايات المتحدة ضمن برنامج الوصول الموثوق (trusted access program). وتتحدث OpenAI عن تدابير أمان مشددة، ورقابة على الوصول، ومتطلبات تتعلق بالحوكمة والرقابة الداخلية: يجب أن تجري المؤسسة أبحاثًا مشروعة ذات فائدة واضحة لصحة الإنسان، وأن تقيّد الوصول إلى النموذج، وأن تلتزم بقواعد منع إساءة الاستخدام.

ومن بين الشركاء والمستخدمين الأوائل تذكر الشركة Amgen وModerna وThermo Fisher Scientific وAllen Institute ومؤسسات أخرى من منظومة علوم الحياة. وبالتوازي، تعمل OpenAI مع Los Alamos National Laboratory على دعم بالذكاء الاصطناعي لتصميم البروتينات والمحفزات.

وهذا تحول مهم للسوق. فـOpenAI تُظهر أن الرهان الكبير التالي لا يقتصر على نماذج أكثر عمومية وأضخم حجمًا، بل يشمل أنظمة شديدة التخصص مصممة لعمليات مهنية محددة. ففي علوم الحياة ثمن الخطأ مرتفع، والبيانات معقدة، ولا يُقاس المكسب بعدد الإجابات الجيدة الشكل، بل بجودة الفرضيات وسرعة التجارب. وإذا ترسّخ GPT-Rosalind فعلًا في العمليات المخبرية، فسيعزز ذلك اتجاه نماذج الذكاء الاصطناعي العمودية للقطاعات التي تنبع فيها القيمة من الفهم العميق للمجال، والوصول إلى الأدوات، والعمل في بيئة خاضعة لرقابة صارمة.