מציגים את GPT‑Rosalind למחקר במדעי החיים

עדכון מ-11 בספטמבר 2026: GPT‑Rosalind, המודל הייעודי שלנו למחקר במדעי החיים, יוצא משלב התצוגה המקדימה למחקר וזמין כעת לארגונים זכאים ברחבי העולם דרך תוכנית הגישה המהימנה שלנו. כל הארגונים הזכאים ימשיכו לקבל גישה למודלים העדכניים של Rosalind עם השקתם. התמחור שפורסם ייכנס לתוקף ב-5 באוקטובר 2026. עיינו בתמחור של GPT‑Rosalind⁠⁠(נפתח בחלון חדש).

היום אנחנו מציגים את GPT‑Rosalind, מודל ה-reasoning שלנו בחזית הטכנולוגיה, שנבנה כדי לתמוך במחקר בביולוגיה, בגילוי תרופות וברפואה תרגומית. סדרת המודלים למדעי החיים מותאמת לתהליכי עבודה מדעיים ומשלבת שימוש משופר בכלים עם הבנה מעמיקה יותר בכימיה, בהנדסת חלבונים ובגנומיקה.

בארצות הברית, המעבר מגילוי מטרה טיפולית ועד לקבלת אישור רגולטורי לתרופה חדשה נמשך בממוצע כ-10 עד 15 שנים. השיפורים בשלבים המוקדמים ביותר של הגילוי מצטברים בהמשך הדרך ומתבטאים בבחירה טובה יותר של מטרות טיפוליות, בהשערות ביולוגיות מבוססות יותר ובניסויים איכותיים יותר. ההתקדמות במדעי החיים מוגבלת לא רק בשל הקושי המדעי הבסיסי, אלא גם בשל המורכבות של תהליכי המחקר עצמם. כדי להעלות רעיונות חדשים ולהעריך אותם, מדענים נדרשים לעבוד עם כמויות גדולות של ספרות מקצועית, מסדי נתונים ייעודיים, נתוני ניסויים והשערות שמתפתחות לאורך הדרך. תהליכי העבודה האלה גוזלים לעיתים קרובות זמן רב, מפוצלים וקשים להרחבה.

אנחנו מאמינים שמערכות בינה מלאכותית מתקדמות יכולות לעזור לחוקרים להתקדם בתהליכים האלה מהר יותר — לא רק באמצעות ייעול העבודה הקיימת, אלא גם בסיוע למדענים לבחון יותר אפשרויות, לחשוף קשרים שאחרת עלולים להתפספס ולהגיע להשערות טובות יותר בשלב מוקדם יותר. המודל נועד לעזור לחוקרים להאיץ את שלבי הגילוי המוקדמים באמצעות תמיכה בשילוב ראיות, בגיבוש השערות, בתכנון ניסויים ובמשימות מחקר רב-שלביות נוספות. עם הזמן, המערכות האלה עשויות לעזור לארגונים במדעי החיים להגיע לפריצות דרך שלא היו אפשריות בלעדיהן, ובשיעור הצלחה גבוה הרבה יותר. 

GPT‑Rosalind זמין ב-ChatGPT, ב-Codex וב-API ללקוחות שעומדים בתנאים, דרך תוכנית הגישה המהימנה שלנו. אנחנו מציגים גם תוסף מחקר במדעי החיים ל-Codex, הזמין ללא עלות ומסייע למדענים לחבר מודלים ליותר מ-50 כלים מדעיים ומקורות נתונים. אנחנו עובדים עם לקוחות כמו Amgen, Moderna, מכון אלן, Thermo Fisher Scientific ואחרים כדי לשלב את GPT‑Rosalind בתהליכי עבודה שמאיצים מחקר וגילוי.

המודל נקרא על שם רוזלינד פרנקלין, שמחקרה הקפדני סייע לחשוף את מבנה ה-DNA והניח יסודות לביולוגיה המולקולרית המודרנית.

סדרת המודלים GPT‑Rosalind למדעי החיים נבנתה לעבודה מדעית מודרנית עם ראיות שפורסמו, נתונים, כלים וניסויים. בהערכות שלנו, המודל מספק את הביצועים הטובים ביותר במשימות שדורשות reasoning לגבי מולקולות, חלבונים, גנים, מסלולים ביולוגיים ומנגנונים ביולוגיים הקשורים למחלות. הוא גם יעיל יותר בשימוש בכלים מדעיים ובמסדי נתונים בתהליכי עבודה רב-שלביים, כגון סקירת ספרות, הסקת תפקוד מתוך רצף, תכנון ניסויים וניתוח נתונים.

זוהי הגרסה הראשונה בסדרת המודלים GPT‑Rosalind שלנו למדעי החיים, ונמשיך להרחיב את גבולות יכולות ה-reasoning הביוכימי של המודל בתהליכי עבודה מדעיים ממושכים ועתירי כלים. תשתית המחשוב של OpenAI מאפשרת לנו להמשיך לאמן, להעריך ולשפר מודלים ייעודיים בעלי יכולות הולכות וגדלות מול משימות מדעיות אמיתיות — וכך לעזור למערכות האלה להיות שימושיות יותר ככל שתהליכי העבודה עצמם נעשים מורכבים יותר.

אנחנו עובדים עם לקוחות מובילים בתחומי התרופות, הביוטכנולוגיה והמחקר, וכן עם ארגוני טכנולוגיה במדעי החיים, כדי לשלב את GPT‑Rosalind בתהליכי עבודה שמקדמים גילויים.

הערכנו את GPT‑Rosalind במגוון יכולות שהן אבני יסוד בגילוי מדעי ובמחקר בתעשייה. הערכות אלה מודדות יכולות reasoning בסיסיות בתתי-תחומים מדעיים, ובהם מנגנוני תגובות כימיות; מבנה חלבונים, השפעות של מוטציות ואינטראקציות; ופרשנות פילוגנטית של רצפי DNA. הן גם בוחנות אם מודלים יכולים לתמוך בתהליכי מחקר אמיתיים באמצעות פירוש תוצאות ניסויים, זיהוי דפוסים רלוונטיים למומחים ושילוב מידע חיצוני לצורך תכנון ניסויי המשך. לבסוף, הן בודקות אם מודלים יכולים לבחור בכלים חישוביים, במסדי נתונים וביכולות ייעודיות לתחום המתאימים למשימה, ולהשתמש בהם כדי להרחיב את יכולות ה-reasoning שלהם. יחד, ההערכות האלה מצביעות על התקדמות לאורך כל תהליך המחקר המדעי ועל יכולת משופרת לסייע לחוקרים להתמודד עם משימות גילוי מאתגרות.

הערכנו את GPT‑Rosalind בסדרת מבחני הערכה פומביים. ב-BixBench, מבחן הערכה המבוסס על ביואינפורמטיקה וניתוח נתונים מהעולם האמיתי, GPT‑Rosalind השיג ביצועים מובילים בקרב מודלים שציוניהם פורסמו.

ב-LABBench2, מבחן הערכה שמודד ביצועים במגוון משימות מחקר כגון אחזור ספרות, גישה למסדי נתונים, עיבוד רצפים ותכנון פרוטוקולים, GPT‑Rosalind עולה על GPT‑5.4 ב-6 מתוך 11 משימות. השיפור הבולט ביותר נרשם ב-CloningQA, שדורש תכנון מקצה לקצה של ריאגנטים מסוג DNA ואנזימים לפרוטוקולים של שיבוט מולקולרי.

שיתפנו פעולה גם עם Dyno Therapeutics, חברה חלוצה בתחום הטיפולים הגנטיים המתוכננים באמצעות בינה מלאכותית, כדי להעריך את המודל במשימת חיזוי תפקוד מתוך רצפי RNA ויצירת רצפים, תוך שימוש ברצפים שלא פורסמו ולא נכללו בנתוני האימון. הביצועים הושוו ל-57 ציונים קודמים של מומחים אנושיים בתחום הבינה המלאכותית והביולוגיה. בהערכה שבוצעה ישירות באפליקציית Codex, התוצאות הטובות ביותר מתוך עשר הגשות של המודל דורגו מעל האחוזון ה-95 של המומחים האנושיים במשימת החיזוי, ובסביבות האחוזון ה-84 של המומחים האנושיים במשימת יצירת הרצפים.

ההערכות האלה מספקות אינדיקציה משמעותית לביצועים בסוגי תהליכי העבודה שמדענים מסתמכים עליהם מדי יום כדי להפיק ראיות, לנתח נתונים מורכבים ולהתקדם לעבר מסקנות ביולוגיות מבוססות.

מדענים יכולים להשתמש בתוסף המחקר במדעי החיים⁠(נפתח בחלון חדש) החדש שלנו ל-Codex, שזמין היום ב-GitHub. החבילה כוללת מערך רחב של מיומנויות מודולריות לרוב תהליכי המחקר הנפוצים, שנועדו לסייע למשתמשים לעבוד בתחומי הגנטיקה האנושית, הגנומיקה התפקודית, מבנה החלבונים, הביוכימיה, הראיות הקליניות ואיתור מחקרים הזמינים לציבור.

המיומנויות האלה משמשות כשכבת תזמור שמסייעת למדענים להתמודד ביעילות רבה יותר עם שאלות רחבות, עמומות ורב-שלביות. הן מספקות גישה ליותר מ-50 מסדי נתונים מולטי-אומיים, מקורות ספרות וכלים ביולוגיים הזמינים לציבור, ומציעות נקודת פתיחה גמישה לתהליכי עבודה נפוצים וחוזרים, כגון איתור מבני חלבונים, חיפוש רצפים, סקירת ספרות ואיתור מערכי נתונים ציבוריים.

משתמשי Enterprise זכאים יכולים להשתמש בתוסף בתהליכי מחקר עם GPT‑Rosalind לקבלת reasoning ביולוגי מעמיק יותר, וכל המשתמשים יכולים להשתמש בחבילת התוסף עם המודלים המרכזיים שלנו.

אנחנו רוצים להנגיש את היכולות האלה למדענים ולארגוני המחקר שבכוחם לתרום במיוחד לקידום בריאות האדם, תוך שמירה על אמצעי הגנה חזקים מפני שימוש לרעה בתחום הביולוגיה. המודל למדעי החיים מושק במסגרת פריסה של גישה מהימנה, בשלב הראשון ללקוחות Enterprise בארצות הברית שעומדים בתנאים, עם בקרות על זכאות, ניהול גישה וממשל ארגוני. במקביל, אנחנו מנגישים לקהל רחב יותר מערך מחברים ואת תוסף המחקר במדעי החיים, כדי שחוקרים יוכלו להשתמש במודלים המרכזיים שלנו ביעילות רבה יותר למשימות מחקר במדעי החיים. 

המודל למדעי החיים פותח עם בקרות אבטחה מוגברות ברמת הארגון וניהול גישה מחוזק, המאפשרים שימוש מדעי מקצועי בסביבות מחקר מנוהלות ומבוקרות. אנחנו בוחנים בקשות גישה על סמך שלושה עקרונות מרכזיים: שימוש מועיל, ממשל ופיקוח בטיחותי קפדניים, וגישה מבוקרת עם אבטחה ברמת הארגון. בפועל, פירוש הדבר הוא שארגונים משתתפים חייבים לעסוק במחקר מדעי לגיטימי בעל תועלת ציבורית ברורה; לקיים בקרות מתאימות לממשל, לעמידה בדרישות ולמניעת שימוש לרעה; ולהגביל את הגישה למשתמשים מאושרים בסביבות מאובטחות ומנוהלות היטב.

ארגונים יכולים לבקש גישה⁠(נפתח בחלון חדש) במסגרת תהליך בדיקת הזכאות והבטיחות שלנו.

המודל למדעי החיים נבנה כדי לעזור לארגונים מדעיים לבצע עבודה איכותית יותר, מהר יותר, בסביבות הדורשות גם יכולת טכנולוגית וגם בקרה תפעולית. הצוות הייעודי שלנו למדעי החיים — לצד שותפי ייעוץ ובהם McKinsey & Company, Boston Consulting Group ‏(BCG) ו-Bain & Company — מסייע לארגונים לזהות מקרי שימוש בעלי השפעה משמעותית, לשלב את המודל בסביבות ארגוניות ולהשיג תוצאות מדידות. כדי לבחון כיצד תחום מדעי החיים של OpenAI יכול לתמוך בעבודה שלכם, תוכלו ליצור קשר עם צוות מדעי החיים שלנו⁠.

זוהי הגרסה הראשונה בסדרת המודלים שלנו למדעי החיים, ואנחנו רואים בה התחלה של מחויבות ארוכת טווח לפיתוח בינה מלאכותית שיכולה להאיץ גילוי מדעי בתחומים בעלי חשיבות רבה לחברה, מבריאות האדם ועד למחקר ביולוגי רחב יותר. נמשיך לשפר את יכולות ה-reasoning הביולוגי של המודל, להרחיב את התמיכה בתהליכי מחקר עתירי כלים וממושכים, ולעבוד בשיתוף פעולה הדוק עם מוסדות מדעיים מובילים כדי להעריך את ההשפעה בעולם האמיתי. במסגרת זו נמשכות השותפויות עם מעבדות לאומיות כגון המעבדה הלאומית לוס אלמוס, שבה אנחנו בוחנים תכנון חלבונים וזרזים בהנחיית בינה מלאכותית, לרבות היכולת של מערכות בינה מלאכותית לשנות מבנים ביולוגיים תוך שימור או שיפור של תכונות תפקודיות מרכזיות. 

עם הזמן, אנחנו צופים שהמערכות האלה יהפכו לשותפות בעלות יכולות הולכות וגדלות בתהליכי גילוי — ויסייעו למדענים לעבור מהר יותר משאלה לראיות, מראיות לתובנה ומתובנה לטיפולים חדשים למטופלים.