OpenAI推出GPT-Rosalind意图攻克生命科学研究中数据挑战

生命科学研究已经不再是单纯的生物学挑战了。随着AI的最新进展，真正的瓶颈其实是数据。海量生物数据散布在文献、实验和专有数据集中，但将其转化为可操作的数据仍然缓慢、手工且易出错。缺的不是更多数据——我们都知道数据不缺。缺的是跨数据推理的更好方式。一个专门的生物AI模型或许能帮上忙。

研究人员仍然被迫拼凑碎片化的证据，在论文、数据库和实验输出之间跳转，缺乏整合。这正是AI开始改变格局的地方。随着GPT-Rosalind的推出，OpenAI定位的不仅仅是一个分析生物数据的系统，而是一个能跨数据操作的系统——在真实的科学工作流中形成和优化假设。这个模型以英国化学家和X射线晶体学家Rosalind Franklin命名，她对发现DNA双螺旋结构做出了关键贡献。。

据OpenAI称，"在美国，从靶点发现到新药获得监管批准大约需要10到15年……科学家必须处理大量文献、专业数据库、实验数据和不断演化的假设，才能生成和评估新想法。这些工作流往往耗时、碎片化，且难以规模化。"

这个时间窗口权重严重前置：这意味着靶点选择和早期验证至关重要——它们决定了哪些项目能进入管线。然而，即便如此重要，这一阶段仍然依赖碎片化证据和有限的跨数据集推理。这里错过一个信号或提出一个薄弱假设，不仅会延误进展，还会向下传导为失败的实验和被放弃的项目。瓶颈不是大规模发现，而是数据最不完整时的决策质量。这正是GPT-Rosalind这类系统可以发挥作用的地方——它们能显著改善信号在被固化为昂贵赌注之前被挖掘和评估的方式。

GPT-Rosalind的另一个关键特征是，它不仅仅是叠加在模型之上的又一个工具。它专门为生物学而建。它能跨文献、生物数据库和实验数据操作，这是通用系统可能难以做到的。Rosalind的重点是早期阶段的推理——生成和优化假设、跨数据集连接信号、支持实验设计。它还与专业科学工具集成，能直接处理领域数据而非通用输入。突出之处不在于它使用了工具，而在于它针对的是一个数据碎片化且决策成本极高的领域。目标是改善信号在被识别和连接的方式，在它们变成下游赌注之前。

安进（Amgen）人工智能与数据高级副总裁Sean Bruich表示："生命科学领域要求每一步都精确。问题高度复杂，数据高度独特，利害关系极高。我们与OpenAI的独特合作使我们能以创新方式应用他们最先进的能力和工具，有望加速我们为患者交付药物的过程。"

OpenAI也指出了一些令人鼓舞但尚属早期的性能信号。在内部评估中，GPT-Rosalind在需要跨生物系统（包括蛋白质、基因和通路）推理的任务上表现更强。在BixBench等专注于真实世界生物信息学和数据分析的基准测试上，该模型在已发表系统中取得了领先表现。它还在多项多步骤研究任务上超越了早期的OpenAI模型，尤其是那些需要结合文献检索、数据库访问和实验规划的任务。这不是孤立的原始准确率。结果关联到实际工作流——研究人员需要在来源之间切换、解释结果、跨步骤做决策，而非单次完成。这与早期发现中大部分时间花在哪里是一致的。

OpenAI透露，GPT-Rosalind是为科学工作构建的一系列领域模型中的第一个。他们计划持续改进，深入生化推理和更复杂的工作流。预期是这些系统将从协助单个任务扩展到处理更长的推理链。我们可能会看到Rosalind提供更强的跨实验协调和假设优化能力。OpenAI还在与洛斯阿拉莫斯国家实验室等机构合作，探索AI引导的蛋白质和催化剂设计，包括这些系统在修改生物结构的同时保留或改善关键功能特性的能力。

从协助单个任务到处理更长推理链的演进值得关注。这很重要，因为影响是复合的——最早阶段获得的任何改进都能改善靶点选择、强化假设，并带来更高质量的下游实验。这才是这些系统的真正价值。

值得记住的是，GPT-Rosalind这类系统并非孤立使用。它们与现有研究技术栈并存——用户在其中查询文献、从生物数据库提取数据、处理内部实验数据。因此，这类系统的目标不是取代研究人员，而是减少在不同工具和数据源之间切换所需的手工工作量。不过，这仍然留下一个开放问题：这能走多远？目前，模型在工作流内部运作——但下一步是它能否开始协调工作流。