قدمت OpenAI نموذج GPT-Rosalind — نموذج ذكاء اصطناعي لعلم الأحياء والجينوميات وتطوير الأدوية

في 16 أبريل، قدمت OpenAI نموذج GPT-Rosalind—أول نموذج متخصص من الشركة لعلوم الحياة، يغطي المهام عند تقاطع الأحياء والصيدلة والطب التطبيقي. سُمي النموذج تكريماً لروزاليند فرانكلين وتم تصميمه ليس كبديل للعلماء، بل كأداة لتسريع أصعب جوانب العمل العلمي: مراجعة الأدبيات والتحقق من البيانات وصياغة الفرضيات وتخطيط الخطوات التالية. للسياق، يستغرق الطريق من تحديد هدف دوائي جديد إلى الموافقة من FDA عادة من 10 إلى 15 سنة.

تراهن OpenAI على أن الذكاء الاصطناعي يمكنه تقصير المراحل الأولى على الأقل من هذه الدورة، حيث يقضي الباحثون كميات ضخمة من الوقت في التحليل والتحقق من الحقائق والعمل مع مصادر مجزأة. وفقاً لوصف الشركة، يتم تحسين GPT-Rosalind للعمليات العلمية التي تتطلب التفكير في الكيمياء والبروتينات والجينات والمسارات البيولوجية والبروتوكولات التجريبية. بخلاف روبوتات الدردشة العامة التي يمكنها فعل القليل من كل شيء، ينصب التركيز هنا على سلاسل بحث طويلة: جمع ومقارنة عشرات الأوراق واسترجاع البيانات من قواعد البيانات المتخصصة وتفسير النتائج واقتراح فرضية عملية والمساعدة في تخطيط التجربة التالية.

تؤكد OpenAI بشكل منفصل أن هذا ليس ببساطة عن توليد النصوص. يجب أن يساعد النموذج في تلخيص قاعدة الأدلة وتوليد الفرضيات وتخطيط التجارب وتحليل البيانات—بمعنى آخر، العمل ضمن سير العمل العلمي الحقيقي، وليس فقط الإجابة على الأسئلة في نافذة دردشة. جنباً إلى جنب مع هذا، أطلقوا plugin Life Sciences research لـ Codex.

يوفر الـ plugin إمكانية الوصول إلى أكثر من 50 أداة علمية ومصادر أدبية وقواعد بيانات متعددة الأنماط والخدمات البيولوجية. عملياً، هذا يعني أن الباحث يمكنه تنفيذ بحث عن التسلسلات ومشاهدة هياكل البروتينات وجمع المنشورات والعثور على مجموعات بيانات مفتوحة وربط كل هذا بتفكير النموذج—كل شيء في واجهة واحدة. بالنسبة للمختبرات وشركات الأدوية، هذا يهم أكثر من مجرد LLM آخر: تنشأ القيمة حيث لا يقتصر النموذج على صياغة إجابة بل يستطيع الوصول إلى البيانات الضرورية والاندماج في أنظمة الحوسبة الموجودة.

وفقاً لمعايير OpenAI العامة، يظهر GPT-Rosalind أفضل نتيجة على BixBench من بين النماذج التي لها مقاييس منشورة. على LABBench2، تفوق النموذج على GPT-5.4 في ستة من أصل احدى عشرة مهمة؛ رأت الشركة أكبر تحسن في CloningQA، حيث يجب تصميم الكواشف وخطة كاملة للاستنساخ الجزيئي.

اختبرت OpenAI بشكل منفصل النموذج مع Dyno Therapeutics على مهمة التنبؤ وتوليد تسلسلات RNA حسب الوظيفة، مستخدمة بيانات غير منشورة لم تكن لتدخل مجموعة التدريب. في بيئة Codex، تجاوزت أفضل نتائج النموذج من بين عشر محاولات المئين الخامس والتسعين من خبراء الإنسان في مهمة التنبؤ وكانت تقريباً عند المئين الرابع والثمانين في مهمة توليد التسلسلات. هذا لا يثبت أن الذكاء الاصطناعي جاهز لعمل اكتشافات بمفرده، لكنه يظهر أنه في السيناريوهات البيوتقنية الضيقة، بدأ يتنافس مع المتخصصين الأقويين.

كان الإطلاق حذراً. GPT-Rosalind متاح حالياً كمعاينة بحثية عبر ChatGPT و Codex والواجهة البرمجية، لكن فقط للعملاء الشركات المؤهلين في الولايات المتحدة ضمن برنامج الوصول الموثوق. تذكر OpenAI تدابير أمان محسّنة والتحكم في الوصول ومتطلبات الحوكمة والتحكم الداخلي: يجب أن تجري منظمة بحثاً شرعياً بفوائد واضحة لصحة الإنسان وتقييد الوصول إلى النموذج واتباع قواعد لمنع الإساءة.

من بين الشركاء والمستخدمين الأوائل، تسمي الشركة Amgen و Moderna و Thermo Fisher Scientific و Allen Institute ومنظمات أخرى من نظام علوم الحياة البيئي. بالتوازي، تعمل OpenAI مع Los Alamos National Laboratory على دعم الذكاء الاصطناعي لتصميم البروتينات والمحفزات. بالنسبة للسوق، هذا تحول مهم.

تظهر OpenAI أن الرهان الكبير التالي ليس فقط نماذج أكثر عمومية وأكبر حجماً، بل أنظمة متخصصة ضيقة مصممة لعمليات مهنية محددة. في علوم الحياة، تكلفة الخطأ عالية، والبيانات معقدة، والنجاح يُقاس ليس بعدد الإجابات المصقولة، بل بجودة الفرضيات وسرعة التجارب. إذا ترسخ GPT-Rosalind حقاً في العمليات المختبرية، فسيعزز اتجاه النماذج الرأسية للذكاء الاصطناعي للصناعات حيث تنشأ القيمة من الفهم العميق للنطاق والوصول إلى الأدوات والعمل في بيئة محكومة بشكل صارم.