ขอแนะนำ GPT‑Rosalind สำหรับการวิจัยด้านชีววิทยาศาสตร์

วันนี้เราขอแนะนำ GPT‑Rosalind โมเดลการใช้เหตุผลระดับแนวหน้าของเรา ซึ่งสร้างขึ้นเพื่อสนับสนุนงานวิจัยในด้านชีววิทยา การค้นพบยา และการวิจัยเชิงแปลผลทางการแพทย์ โมเดลซีรีส์ด้านชีววิทยาศาสตร์นี้ได้รับการปรับแต่งให้เหมาะกับขั้นตอนการทำงานทางวิทยาศาสตร์ โดยผสมผสานการใช้งานเครื่องมือที่ดียิ่งขึ้นเข้ากับความเข้าใจที่ลึกซึ้งกว่าเดิมในด้านเคมี วิศวกรรมโปรตีน และพันธุศาสตร์

โดยเฉลี่แล้วกระบวนการพัฒนายาตัวใหม่ในสหรัฐอเมริกา ตั้งแต่ขั้นตอนการค้นพบเป้าหมายไปจนถึงการได้รับอนุมัติจากหน่วยงานกำกับดูแล ใช้เวลานานประมาณ 10 ถึง 15 ปี ความก้าวหน้าที่เกิดขึ้นในขั้นตอนการค้นพบยาตั้งแต่ระยะแรก จะส่งผลลัพธ์เชิงบวกทวีคูณต่อการทำงานในระยะถัดไป ไม่ว่าจะเป็นการเลือกเป้าหมายที่ตรงจุด การวางสมมติฐานทางชีววิทยาที่มีน้ำหนัก และการดำเนินการทดลองที่มีประสิทธิภาพ อุปสรรคของความรุดหน้าในวงการชีววิทยาศาสตร์ไม่ได้มีเพียงแค่ความยากของตัวเนื้อหาทางวิทยาศาสตร์เท่านั้น แต่ยังรวมถึงความซับซ้อนของขั้นตอนการทำงานวิจัยอีกด้วย นักวิทยาศาสตร์ต้องปฏิบัติงานท่ามกลางเอกสารทางวิชาการจำนวนมหาศาล ฐานข้อมูลเฉพาะทาง ข้อมูลจากการทดลอง และสมมติฐานที่เปลี่ยนแปลงอยู่ตลอดเวลา เพื่อสร้างสรรค์และประเมินแนวคิดใหม่ๆ ขั้นตอนการทำงานเหล่านี้มักใช้เวลานาน มีความกระจัดกระจาย และขยายขอบเขตการทำงานได้ยาก

เราเชื่อว่าระบบ AI ขั้นสูงสามารถช่วยให้นักวิจัยดำเนินการตามขั้นตอนเหล่านี้ได้รวดเร็วยิ่งขึ้น ไม่ใช่แค่การเพิ่มประสิทธิภาพให้กับงานที่มีอยู่เท่านั้น แต่ยังช่วยให้นักวิทยาศาสตร์สำรวจความเป็นไปได้ที่หลากหลายมากขึ้น ค้นพบความเชื่อมโยงที่อาจมองข้ามไป และเข้าถึงสมมติฐานที่ดีกว่าเดิมได้เร็วขึ้น โมเดลนี้ได้รับการออกแบบมาเพื่อช่วยให้นักวิจัยเร่งกระบวนการค้นพบในระยะแรกเริ่มได้อย่างมีประสิทธิภาพ ด้วยการสนับสนุนทั้งด้านการสังเคราะห์หลักฐาน การสร้างสมมติฐาน การวางแผนการทดลอง และงานวิจัยหลายขั้นตอนอื่นๆ ในระยะยาวระบบเหล่านี้จะช่วยให้องค์กรด้านชีววิทยาศาสตร์สามารถค้นพบนวัตกรรมที่ไม่อาจเกิดขึ้นได้ด้วยวิธีการแบบเดิม พร้อมกับอัตราความสำเร็จที่สูงขึ้นอย่างมาก 

ในขณะนี้ GPT‑Rosalind พร้อมให้ใช้งานในรูปแบบตัวอย่างเพื่องานวิจัย ทั้งใน ChatGPT, Codex และ API สำหรับลูกค้าที่มีคุณสมบัติเหมาะสมผ่านโครงการการเข้าถึงที่ได้รับความเชื่อถือของเรา นอกจากนี้เรายังเปิดตัวปลั๊กอินเพื่องานวิจัยด้านชีววิทยาศาสตร์ที่เข้าใช้งานได้ฟรีสำหรับ Codex เพื่อช่วยให้นักวิทยาศาสตร์เชื่อมต่อโมเดลเข้ากับเครื่องมือทางวิทยาศาสตร์และแหล่งข้อมูลต่างๆ กว่า 50 รายการ เรากำลังร่วมมือกับลูกค้าอย่าง Amgen, Moderna, สถาบัน Allen, Thermo Fisher Scientific และรายอื่นๆ เพื่อนำ GPT‑Rosalind ไปใช้ในกระบวนการทำงานต่างๆ ที่จะช่วยเร่งการวิจัยและการค้นพบให้รวดเร็วยิ่งขึ้น

โมเดลนี้ได้รับการตั้งชื่อตาม Rosalind Franklin นักวิทยาศาสตร์ที่ทุ่มเทให้กับการวิจัยจนค้นพบโครงสร้างของดีเอ็นเอ ซึ่งถือเป็นการวางรากฐานที่สำคัญยิ่งให้แก่ชีววิทยาระดับโมเลกุลยุคใหม่

โมเดลซีรีส์ด้านชีววิทยาศาสตร์ GPT‑Rosalind ถูกสร้างขึ้นเพื่อรองรับงานวิทยาศาสตร์สมัยใหม่ที่ครอบคลุมทั้งหลักฐานทางวิชาการที่ตีพิมพ์ ข้อมูล เครื่องมือ และการทดลองต่างๆ ผลการประเมินของเราแสดงให้เห็นว่าโมเดลนี้ทำผลงานได้ดีที่สุดในงานที่ต้องอาศัยการใช้เหตุผลเกี่ยวกับโมเลกุล โปรตีน ยีน วิถีทางชีวภาพ และชีววิทยาที่เกี่ยวข้องกับโรค อีกทั้งยังใช้งานเครื่องมือและฐานข้อมูลทางวิทยาศาสตร์ได้มีประสิทธิภาพมากขึ้นในกระบวนการทำงานที่มีหลายขั้นตอน เช่น การทบทวนวรรณกรรม การวิเคราะห์หน้าที่จากลำดับพันธุกรรม การวางแผนการทดลอง และการวิเคราะห์ข้อมูล

การเปิดตัวในวันนี้ถือเป็นจุดเริ่มต้นของชุดโมเดล GPT‑Rosalind สำหรับชีววิทยาศาสตร์ โดยเราตั้งเป้าที่จะพัฒนาทักษะการคิดวิเคราะห์ด้านชีวเคมีให้ก้าวไกลยิ่งขึ้น เพื่อรองรับระบบงานวิจัยที่ซับซ้อนและต้องอาศัยเครื่องมือเฉพาะทางจำนวนมากในระยะยาว โครงสร้างพื้นฐานด้านการคำนวณของ OpenAI ช่วยให้เราสามารถเทรน ประเมิน และพัฒนาโมเดลเฉพาะทางให้มีความสามารถเพิ่มขึ้นอย่างต่อเนื่องเพื่อรองรับภารกิจทางวิทยาศาสตร์จริง ซึ่งจะช่วยให้ระบบเหล่านี้มีประโยชน์มากขึ้นตามความซับซ้อนของขั้นตอนการทำงานที่เพิ่มสูงขึ้น

ในขณะนี้เราทำงานร่วมกับลูกค้าชั้นนำในกลุ่มผู้ผลิตยา ชีวเทคโนโลยี และสถาบันวิจัยชั้นนำ ตลอดจนองค์กรเทคโนโลยีด้านชีววิทยาศาสตร์ ในการประยุกต์ใช้ GPT‑Rosalind กับระบบงานที่เน้นการขับเคลื่อนการค้นคว้าวิจัย

เราประเมิน GPT‑Rosalind ครอบคลุมขีดความสามารถหลากหลายด้านที่เป็นพื้นฐานสำคัญของการค้นพบทางวิทยาศาสตร์และการวิจัยในภาคอุตสาหกรรม การประเมินเหล่านี้วัดทักษะการใช้เหตุผลหลักในสาขาย่อยทางวิทยาศาสตร์ ซึ่งรวมถึงกลไกการเกิดปฏิกิริยาเคมี โครงสร้างโปรตีน ผลกระทบของการกลายพันธุ์ และการปฏิสัมพันธ์ของโปรตีน ตลอดจนการตีความลำดับดีเอ็นเอตามสายวิวัฒนาการ การประเมินเหล่านี้ยังทดสอบว่าโมเดลสามารถสนับสนุนขั้นตอนการวิจัยจริงได้หรือไม่ โดยการตีความผลลัพธ์จากการทดลอง การระบุรูปแบบที่เกี่ยวข้องสำหรับผู้เชี่ยวชาญ และการสังเคราะห์ข้อมูลภายนอกเพื่อออกแบบการทดลองลำดับถัดไป นอกจากนี้ การทดสอบยังครอบคลุมถึงความสามารถของโมเดลในการเลือกใช้เครื่องมือประมวลผล ฐานข้อมูล รวมถึงทักษะเฉพาะด้านที่เหมาะสม เพื่อนำมาสนับสนุนกระบวนการใช้เหตุผลของระบบ เมื่อพิจารณาโดยรวม การประเมินเหล่านี้แสดงให้เห็นถึงความก้าวหน้าในกระบวนการวิจัยทางวิทยาศาสตร์แบบครบวงจร และชี้ให้เห็นถึงความสามารถที่เพิ่มขึ้นในการช่วยให้นักวิจัยปฏิบัติภารกิจการค้นพบที่ท้าทายได้สำเร็จ

เราประเมินผล GPT‑Rosalind ด้วยชุดเกณฑ์มาตรฐานที่เป็นสาธารณะหลายรายการ GPT‑Rosalind โดยสามารถทำผลงานได้โดดเด่นเป็นอันดับต้นๆ เมื่อเทียบกับโมเดลอื่นๆ ที่มีการเปิดเผยคะแนนออกมาในการประเมินโดยใช้ BixBench ซึ่งเป็นแบบทดสอบที่เน้นด้านชีวสารสนเทศและการวิเคราะห์ข้อมูลเชิงปฏิบัติการจริง

สำหรับเกณฑ์มาตรฐาน LABBench2 ที่ใช้ประเมินทักษะการทำวิจัยอย่างการค้นหาข้อมูลวิชาการ การใช้งานฐานข้อมูล การปรับแต่งลำดับพันธุกรรม และการร่างขั้นตอนการทดลอง พบว่า GPT‑Rosalind ทำผลงานได้ดีกว่า GPT‑5.4 ในภารกิจ 6 รายการจากทั้งหมด 11 รายการ จุดที่พัฒนาขึ้นอย่างเห็นได้ชัดคือ CloningQA ซึ่งกำหนดให้มีการออกแบบลำดับดีเอ็นเอและสารทดสอบเอนไซม์สำหรับการทำโคลนนิ่งระดับโมเลกุลในทุกขั้นตอนการดำเนินงาน

นอกจากนี้เรายังร่วมมือกับ Dyno Therapeutics ซึ่งเป็นบริษัทบุกเบิกด้านยีนบำบัดที่ออกแบบด้วย AI เพื่อประเมินความสามารถของโมเดลในงานทำนายและสร้างลำดับรหัสจากรหัสพันธุกรรม RNA ไปสู่หน้าที่การทำงาน โดยใช้ข้อมูลลำดับรหัสที่ยังไม่เคยเผยแพร่และไม่มีการปนเปื้อนข้อมูลเดิม เราเปรียบเทียบประสิทธิภาพที่ได้กับคะแนนย้อนหลัง 57 ชุด จากกลุ่มผู้เชี่ยวชาญระดับแนวหน้าในด้าน AI และชีววิทยา เมื่อประเมินโดยตรงในแอป Codex ผลงานที่ดีที่สุด 10 อันดับแรกของโมเดลถูกจัดอยู่ในอันดับที่สูงกว่าเปอร์เซ็นไทล์ที่ 95 ของผู้เชี่ยวชาญที่เป็นมนุษย์ในงานด้านการพยากรณ์ และอยู่ที่ประมาณเปอร์เซ็นไทล์ที่ 84 ของผู้เชี่ยวชาญที่เป็นมนุษย์ในงานด้านการสร้างลำดับข้อมูล

การประเมินเหล่านี้แสดงให้เห็นถึงประสิทธิภาพในกระบวนการทำงานรูปแบบต่างๆ ที่นักวิทยาศาสตร์ต้องใช้ในทุกๆ วัน เพื่อสร้างหลักฐาน วิเคราะห์ข้อมูลที่ซับซ้อน และก้าวไปสู่การสรุปผลทางชีววิทยาที่สมเหตุสมผล

นักวิทยาศาสตร์สามารถใช้ปลั๊กอินเพื่องานวิจัยด้านชีววิทยาศาสตร์⁠(เปิดในหน้าต่างใหม่)ตัวใหม่สำหรับ Codex ของเราได้แล้ววันนี้ที่ GitHub แพ็กเกจนี้ประกอบด้วยชุดทักษะแบบโมดูลาร์ที่ครอบคลุมเวิร์กโฟลว์การวิจัยทั่วไปส่วนใหญ่ โดยออกแบบมาเพื่อช่วยให้ผู้ใช้ทำงานได้ในหลากหลายสาขา ทั้งพันธุศาสตร์มนุษย์ จีโนมิกส์เชิงหน้าที่ โครงสร้างโปรตีน ชีวเคมี หลักฐานทางคลินิก และการค้นหางานวิจัยสาธารณะ

ทักษะเหล่านี้ทำหน้าที่เป็นชั้นการประสานงานที่ช่วยให้นักวิทยาศาสตร์จัดการกับคำถามที่กว้าง มีความคลุมเครือ และมีหลายขั้นตอนได้อย่างมีประสิทธิภาพมากขึ้น ทักษะเหล่านี้ช่วยให้เข้าถึงฐานข้อมูลมัลติโอมิกส์สาธารณะ แหล่งวรรณกรรม และเครื่องมือทางชีวภาพมากกว่า 50 รายการ พร้อมทั้งเป็นจุดเริ่มต้นที่ยืดหยุ่นสำหรับเวิร์กโฟลว์ที่ต้องทำซ้ำบ่อยๆ เช่น การค้นหาโครงสร้างโปรตีน การสืบค้นลำดับ การทบทวนวรรณกรรม และการค้นหาชุดข้อมูลสาธารณะ

ผู้ใช้ Enterprise มีสิทธิ์ใช้ปลั๊กอินนี้ในกระบวนการทำงานวิจัยร่วมกับ GPT‑Rosalind เพื่อการใช้เหตุผลทางชีววิทยาที่ลึกซึ้งยิ่งขึ้น ในขณะที่ผู้ใช้งานทุกคนสามารถใช้แพ็กเกจปลั๊กอินนี้กับโมเดลรุ่นหลักของเราได้

เราต้องการให้เหล่านักวิทยาศาสตร์และองค์กรวิจัยที่มีศักยภาพสูงสุดในการพัฒนาสุขภาวะของมนุษย์สามารถเข้าถึงขีดความสามารถเหล่านี้ได้ พร้อมกับรักษามาตรการป้องกันที่เข้มงวดเพื่อไม่ให้มีการนำเทคโนโลยีไปใช้งานด้านชีวภาพในทางที่ผิด โมเดลด้านชีววิทยาศาสตร์นี้จะเริ่มเปิดตัวผ่านโครงสร้างการปรับใช้งานแบบจำกัดสิทธิ์สำหรับลูกค้าองค์กรที่มีคุณสมบัติเหมาะสมในสหรัฐอเมริกา โดยมีการควบคุมด้านเกณฑ์คุณสมบัติ การจัดการการเข้าถึง และการกำกับดูแลระดับองค์กร ในขณะเดียวกันเรากำลังเปิดให้ใช้งานชุดตัวเชื่อมต่อและปลั๊กอินเพื่องานวิจัยด้านชีววิทยาศาสตร์ในวงกว้างขึ้น เพื่อให้นักวิจัยสามารถใช้โมเดลรุ่นหลักของเราสำหรับงานวิจัยด้านชีววิทยาศาสตร์ได้อย่างมีประสิทธิภาพมากขึ้น

โมเดลด้านชีววิทยาศาสตร์นี้ได้รับการพัฒนาขึ้นพร้อมระบบควบคุมความปลอดภัยระดับองค์กรที่เข้มงวดขึ้นและการจัดการการเข้าถึงที่แข็งแกร่งขึ้น เพื่อรองรับการใช้งานทางวิทยาศาสตร์ในระดับมืออาชีพภายใต้สภาพแวดล้อมการวิจัยที่มีการกำกับดูแล เราประเมินการให้สิทธิ์การเข้าถึงโดยอิงตามหลักการสำคัญ 3 ประการ ได้แก่ การใช้งานที่ก่อให้เกิดประโยชน์ การกำกับดูแลที่เข้มงวดและการกำกับดูแลด้านความปลอดภัย และการเข้าถึงแบบมีการควบคุมพร้อมระบบความปลอดภัยมาตรฐานองค์กร ในทางปฏิบัติสิ่งนี้หมายความว่าองค์กรที่เข้าร่วมจะต้องดำเนินการวิจัยทางวิทยาศาสตร์ที่ชอบด้วยกฎหมายและมีประโยชน์ต่อสาธารณะอย่างชัดเจน รักษาการกำกับดูแล การปฏิบัติตามข้อกำหนด และมาตรการควบคุมเพื่อป้องกันการใช้งานผิดวัตถุประสงค์ที่เหมาะสม และจำกัดการเข้าถึงไว้สำหรับผู้ใช้ที่ได้รับอนุมัติภายในสภาพแวดล้อมที่ปลอดภัยและมีการจัดการอย่างเหมาะสม องค์กรจะต้องยอมรับข้อกำหนดการเปิดทดลองใช้งานเพื่อการวิจัยด้านชีววิทยาศาสตร์และปฏิบัติตามนโยบายการใช้งานของ OpenAI ด้วย และเราอาจขอข้อมูลเพิ่มเติมในขั้นตอนการเริ่มต้นใช้งานหรือเพื่อการเข้าร่วมอย่างต่อเนื่อง

องค์กรสามารถขอสิทธิ์เข้าใช้งาน⁠ ผ่านกระบวนการตรวจสอบคุณสมบัติและความปลอดภัยของเรา

ในช่วงทดลองใช้เพื่อการวิจัย การใช้งานโมเดลนี้จะไม่หักเครดิตหรือโทเค็นที่มีอยู่ ทั้งนี้ขึ้นอยู่กับมาตรการป้องกันการใช้งานในทางที่ผิด เราจะแจ้งรายละเอียดเพิ่มเติมเกี่ยวกับราคาและความพร้อมในการให้บริการเมื่อโครงการขยายตัว

โมเดลด้านชีววิทยาศาสตร์นี้ถูกสร้างขึ้นเพื่อช่วยให้องค์กรทางวิทยาศาสตร์ทำงานที่มีคุณภาพสูงขึ้นได้รวดเร็วยิ่งขึ้น ในสภาพแวดล้อมที่ความสามารถเชิงเทคนิคและการควบคุมขั้นตอนการทำงานมีความสำคัญเท่าๆ กัน ทีมชีววิทยาศาสตร์ที่ทุ่มเทของเรา รวมถึงพันธมิตรที่ปรึกษาอย่าง McKinsey & Company, Boston Consulting Group (BCG) และ Bain & Company พร้อมช่วยองค์กรต่างๆ ระบุกรณีการใช้งานที่มีผลกระทบสูง ผสมผสานโมเดลเข้ากับสภาพแวดล้อมขององค์กร และผลักดันผลลัพธ์ที่วัดผลได้ หากคุณต้องการสำรวจแนวทางที่ OpenAI ชีววิทยาศาสตร์สามารถสนับสนุนงานของคุณได้ กรุณาติดต่อทีมชีววิทยาศาสตร์ของเรา⁠

นี่คือการเปิดตัวครั้งแรกของซีรีส์โมเดลด้านชีววิทยาศาสตร์ของเรา และเรามองว่านี่คือจุดเริ่มต้นของความมุ่งมั่นในระยะยาวในการสร้าง AI ที่สามารถเร่งการค้นพบทางวิทยาศาสตร์ในสาขาที่มีความสำคัญอย่างยิ่งต่อสังคม ตั้งแต่สุขภาวะของมนุษย์ไปจนถึงการวิจัยทางชีววิทยาในวงกว้าง เราจะเดินหน้าปรับปรุงการให้เหตุผลทางชีววิทยาของโมเดล ขยายการรองรับเวิร์กโฟลว์การวิจัยที่ใช้เครื่องมือจำนวนมากและมีระยะเวลาดำเนินงานยาวนาน และทำงานอย่างใกล้ชิดกับสถาบันวิทยาศาสตร์ชั้นนำเพื่อประเมินผลกระทบในโลกแห่งความเป็นจริง ซึ่งรวมถึงความร่วมมือที่ดำเนินอยู่อย่างต่อเนื่องกับห้องปฏิบัติการแห่งชาติ เช่น Los Alamos National Laboratory ซึ่งเรากำลังสำรวจการออกแบบโปรตีนและตัวเร่งปฏิกิริยาที่ขับเคลื่อนด้วย AI รวมถึงความสามารถของระบบ AI ในการปรับเปลี่ยนโครงสร้างทางชีวภาพโดยยังคงรักษาหรือปรับปรุงคุณสมบัติการทำงานที่สำคัญไว้ 

เมื่อเวลาผ่านไปเราคาดว่าระบบดังกล่าวจะพัฒนาเป็นคู่คิดในการค้นคว้าที่เก่งกาจยิ่งขึ้น โดยช่วยให้นักวิทยาศาสตร์ก้าวไปข้างหน้าได้รวดเร็วขึ้น ตั้งแต่การตั้งคำถามไปสู่หลักฐาน จากหลักฐานไปสู่ข้อมูลเชิงลึก และจากข้อมูลเชิงลึกไปสู่วิธีการรักษาใหม่ๆ สำหรับผู้ป่วย