OpenAI presentó GPT-Rosalind — un modelo de IA para biología, genómica y desarrollo de fármacos

16 апреля OpenAI представила GPT-Rosalind — первую специализированную модель компании для life sciences, то есть задач на стыке биологии, фармы и прикладной медицины. Модель названа в честь Розалинд Франклин и задумана не как замена ученым, а как инструмент для ускорения самой тяжелой части научной работы: чтения литературы, сверки данных, постановки гипотез и проектирования следующих шагов. Для контекста, путь от поиска новой мишени до одобрения лекарства в США обычно занимает от 10 до 15 лет.

OpenAI делает ставку на то, что ИИ сможет сократить хотя бы ранние этапы этого цикла, где исследователи тратят огромное количество времени на анализ, сопоставление фактов и работу с разрозненными источниками. По описанию компании, GPT-Rosalind оптимизирована под научные процессы, в которых нужно рассуждать о химии, белках, генах, биологических путях и экспериментальных протоколах. В отличие от универсальных чат-ботов, которые умеют понемногу все, здесь акцент сделан на длинных исследовательских цепочках: собрать и сравнить десятки статей, поднять данные из профильных баз, интерпретировать результаты, предложить рабочую гипотезу и помочь спланировать следующий эксперимент.

OpenAI отдельно подчеркивает, что речь идет не просто о генерации текста. Модель должна помогать со сводкой доказательной базы, генерацией гипотез, планированием экспериментов и анализом данных, то есть работать внутри реальной исследовательской рутины, а не только отвечать на вопросы в окне чата. Под это же выпустили Life Sciences research plugin для Codex.

Плагин дает доступ более чем к 50 научным инструментам, литературным источникам, многоомиксным базам данных и биологическим сервисам. На практике это означает, что исследователь может в одном интерфейсе запускать поиск по последовательностям, смотреть структуру белков, собирать публикации, искать открытые датасеты и связывать все это с рассуждением модели. Для лабораторий и фармкомпаний это важнее, чем просто еще один LLM: ценность появляется там, где модель не только формулирует ответ, но и умеет добраться до нужных данных и встроиться в существующий вычислительный контур.

По публичным оценкам OpenAI, GPT-Rosalind показывает лучший результат на BixBench среди моделей с опубликованными метриками. На LABBench2 модель обошла GPT-5.4 в шести из одиннадцати задач; самый заметный прирост компания увидела в CloningQA, где нужно спроектировать реагенты и полный план для молекулярного клонирования.

Отдельно OpenAI проверяла модель вместе с Dyno Therapeutics на задаче предсказания и генерации РНК-последовательностей по функции, причем использовались неопубликованные данные, которые не могли попасть в обучающий набор. В среде Codex лучшие из десяти попыток модели оказались выше 95-го перцентиля человеческих экспертов на задаче предсказания и примерно на уровне 84-го перцентиля на задаче генерации последовательностей. Это не доказывает, что ИИ готов сам делать открытия, но показывает, что в узких биоинформатических сценариях он уже начинает конкурировать с сильными специалистами.

Запуск сделан осторожно. Сейчас GPT-Rosalind доступна в формате research preview через ChatGPT, Codex и API, но только для квалифицированных корпоративных клиентов в США в рамках trusted access program. OpenAI говорит о повышенных мерах безопасности, контроле доступа и требованиях к управлению и внутреннему контролю: организация должна вести легитимные исследования с явной пользой для здоровья людей, ограничивать доступ к модели и соблюдать правила по предотвращению злоупотреблений.

Среди партнеров и ранних пользователей компания называет Amgen, Moderna, Thermo Fisher Scientific, Allen Institute и другие организации из экосистемы life sciences. Параллельно OpenAI работает с Los Alamos National Laboratory над ИИ-поддержкой для проектирования белков и катализаторов. Для рынка это важный сдвиг.

OpenAI показывает, что следующая большая ставка — не только более общие и более крупные модели, а узкоспециализированные системы, заточенные под конкретные профессиональные процессы. В life sciences цена ошибки высокая, данные сложные, а выигрыш измеряется не числом красивых ответов, а качеством гипотез и скоростью экспериментов. Если GPT-Rosalind действительно приживется в лабораторных процессах, это усилит тренд на вертикальные ИИ-модели для отраслей, где ценность рождается из глубокого доменного понимания, доступа к инструментам и работы в строго контролируемой среде.