OpenAI تدرج نموذج اكتشاف أدوية جديد لدعم شركات الأدوية

لاحظت وسائل تقنية في العاشر من أكتوبر ظهوراً سرياً لنموذج ذكاء اصطناعي جديد على صفحة أسعار واجهة برمجة التطبيقات لدى شركة OpenAI، وهو gpt-rosalind-discovery، المخصص لمجال علوم الحياة. يأتي النموذج ضمن سلسلة Rosalind التي أطلقتها الشركة تيمناً بالكيميائية روزاليند فرانكلين، ويحمل تسعيراً موحداً مع النموذج البحثي المرافق، حيث تبلغ تكلفة المدخلات خمسة دولارات لكل مليون توكن، والمدخلات المخزنة نصف دولار، والمخرجات 25 دولاراً، مما يعادل أسعار النماذج الرائدة العامة. لم تصدر الشركة وثائق رسمية أو تفاصيل تشغيلية حول النموذج الجديد، مما يعزز التكهنات بتركيزه على اكتشاف الأدوية والترشيح الجزيئي. يمثل هذا الإجراء جزءاً من استراتيجية موسعة لـ OpenAI لتحويل نماذج الذكاء الاصطناعي إلى بنية تحتية متخصصة للقطاع الدوائي. وقد سبق للنموذج الأصلي من سلسلة Rosalind أن دخل في شراكات مع كبرى الشركات مثل أمجن، وموديرنا، وإيلي ليلي، وسانيوف، ونوفو نورديسك، كما تم دمجه مع بيئة عمل مخصصة وأدوات ربط بيانات علمية لتوحيد سير العمل البحثي. وتتميز رؤية OpenAI بتركيزها على دور مزود الأدوات فقط، دون التدخل المباشر في تطوير الأدوية، على عكس منافسين مثل Anthropic التي تسير على مسار البحث والتجربة المباشرة. وتعززت هذه الاستراتيجية بالتعاون مع مختبرات Ginkgo Bioworks الآلية، حيث ساهم الذكاء الاصطناعي في خفض تكاليف تصنيع البروتينات بشكل ملحوظ، مما شكل حلقة إنتاج متكاملة. يعكس دخول OpenAI المكثف إلى قطاع اكتشاف الأدوية رغبة واضحة في استهداف قطاعات عالية القيمة وقادرة على دفع تكاليف تراخيص متقدمة، خاصة مع تشدد المنافسة في أسعار النماذج العامة. وفي الوقت نفسه، تتباين مسارات المنافسين؛ حيث يركز Google DeepMind على أدوات أكاديمية مفتوحة المصدر، بينما تطرح Microsoft منصة غير مخصصة بنماذجها الخاصة. ومع ذلك، تواجه تقنية الذكاء الاصطناعي في العلوم الحيوية تحديات جوهرية تتعلق بالاعتماد على المختبرات الرطبة وعمليات التحقق السريرية الطويلة، مما يحد من سرعة التغذية الراجعة وتحسين النماذج. ويشير خبراء إلى أن تحديد الأولويات العلمية يبقى من اختصاص البشر، بينما يقتصر دور الخوارزميات حالياً على أتمتة المهام الروتينية وتسريع التصميم الأولي. يقترح ظهور gpt-rosalind-discovery توجهاً استراتيجياً نحو تفكيك العمليات البحثية إلى نماذج فرعية متخصصة، مما يسمح بتحسين دقيق لكل مرحلة وتحقيق عوائد أسرع عبر تسعير مرن. غير أن نجاح هذا النهج مرهون بقدرة الشركة على توحيد سير البيانات بين المراحل المختلفة وإثبات الفعالية من خلال نتائج تجريبية قابلة للقياس. وإلى حين ظهور بيانات أداء واضحة، يظل هذا النموذج مؤشراً على تحول كبير في نموذج عمل شركات الذكاء الاصطناعي نحو التخصص العمودي وخلق عوائد مستدامة من خلال قطاعات ذات عائد استثماري مرتفع.