DeepMind تسعى لإعادة تصور اكتشاف الأدوية والقضاء على الأمراض

في Google I/O 2026، أعلن الرئيس التنفيذي لـ DeepMind، Demis Hassabis، برصانة تامة: تأمل الشركة في «إعادة تصور عملية اكتشاف الأدوية بهدف حل جميع الأمراض في يوم واحد». هذا هدف طموح وبصراحة يبدو غير واقعي. لكن قبل أن نستبعده، دعنا نفهم ما وراءه ولماذا يأخذ صحفيو The Verge Google على محمل الجد.

ما الذي عرضته Google I/O

قدمت Google DeepMind مجموعة شاملة من الأدوات لتسريع الأبحاث البيولوجية. الثلاثة الرئيسية هي: Gemini for Science (نسخة متخصصة من نموذج اللغة الكبير الرائد للمهام العلمية)، وAlphaFold 3 (نظام التنبؤ بهيكل البروتينات)، وAlphaGenome الجديد تماماً. يمكن لـ AlphaFold 3 التنبؤ بدقة عالية بالهيكل ثلاثي الأبعاد للبروتينات وتفاعلاتها مع الجزيئات الأخرى. هذا حاسم لأن شكل البروتين غالباً ما يحدد ما إذا كان العقار فعالاً. يوسع AlphaGenome هذا المنحى: يمكن للنظام الآن العمل مع البيانات الجينومية والتنبؤ بالعوامل الوراثية للأمراض. يدمج Gemini for Science كلا النظامين في منصة واحدة موحدة. إنه نموذج لغة كبير يفهم سياق الأبحاث البيولوجية ويمكنه قراءة المقالات العلمية وتقديم توصيات مباشرة ضمن الواجهة المألوفة للعلماء.

كيف يعمل هذا عملياً

السيناريو المثالي: يحمل الباحث إلى Gemini for Science سؤالاً مثل «تطوير مركب مضاد للفيروسات للفيروس X». يحلل النظام الحقائق المعروفة عن الفيروس، ويقترح هياكل جزيئية مرشحة، ويستخدم AlphaFold 3 للتنبؤ بتفاعل هذه الجزيئات مع بروتينات الفيروس ويتنبأ بالآثار الجانبية المحتملة. على الورق، يبدو هذا كقفزة في الإنتاجية. في السابق، كان البحث من هذا النوع يستغرق أشهراً. الآن قد يستغرق ساعات أو أياماً. لكن هناك التفاصيل الدقيقة: تتحدث Google عن «التسريع»، لكنها لا تذكر جداول زمنية محددة. بأي نسبة مئوية أسرع؟ على حساب ماذا؟ هذا يبقى خارج الشاشة.

لماذا المتشككون أكثر من المؤمنين

إليك قائمة الأسباب التي تجعل «حل جميع الأمراض» — بعبارة ملطفة — ادعاءً جريئاً جداً:

• من الجزيء إلى العقار ليست مهمة واحدة. حتى لو تنبأ الذكاء الاصطناعي بشكل مثالي بالجزيء، يجب تصنيعه في المختبر، واختباره على الثقافات الخلوية، ثم على الحيوانات، ثم على البشر (التجارب السريرية — 3 مراحل، 5-10 سنوات)، وفقط بعد ذلك الحصول على موافقة المنظم.

• «جميع الأمراض» ليست 100 مرض، بل أكثر من 10,000. البعض منها ذو طبيعة وراثية (في نطاق الذكاء الاصطناعي)، لكن الآخر معدٍ أو مناعة ذاتية أو نفسي أو بيئي. لن يساعد الذكاء الاصطناعي في البيولوجيا الجزيئية كثيراً معها.

• التاريخ مليء بوعود الذكاء الاصطناعي التي لم تتحقق. وعد Deep Blue بثورة في التحليلات. وعد IBM Watson بثورة في الطب. الواقع عادة ما يكون أكثر تعقيداً من شرائح التسويق.

• المنظمون يبطئون العملية عن قصد. تطلب FDA إثبات السلامة — هذا ليس هوى لهم، بل حماية للمرضى. اقتراح الذكاء الاصطناعي هو مجرد خطوة أولى في مسار طويل جداً.

«من الوعود الكبيرة إلى النتائج في العيادة الحقيقية — هناك مسافة ضخمة جداً»، كما يكتب محررو

The Verge، وهم ليسوا وحدهم في هذا الرأي.

ماذا يعني هذا فعلاً

أدوات Google DeepMind مفيدة بالفعل ويمكنها تسريع مراحل معينة من تطوير الأدوية — خاصة في مرحلة البحث عن المرشحين. لكن «حل جميع الأمراض» ليست مشكلة تكنولوجية. إنها مسألة عن مدى تعقيد البيولوجيا، وكم هي صارمة متطلبات المنظمين، وكم من الأموال يجب استثمارها في كل اتجاه. سيكون الذكاء الاصطناعي مساعداً جيداً للعلماء. لكنه لن يكون ساحراً. وعود Hassabis — على الأرجح، مجرد خطاب لـ Google I/O. خطاب مفيد، لكن يجب أن نبقى واقعيين.