OpenAI משיקה את GPT-Rosalind: מודל בינה מלאכותית למחקר במדעי החיים, גילוי תרופות וביולוגיה חישובית
OpenAI חשפה את GPT-Rosalind, מודל Reasoning ייעודי למדעי החיים שנועד להאיץ שלבי מחקר מוקדמים בגילוי תרופות. המודל זמין בתצוגת מחקר ללקוחות מורשים ב-ChatGPT, Codex וה-API, ומתחבר לעשרות כלים ומאגרי מידע מדעיים באמצעות תוסף חדש לקודקס.
מודל חדש לגילוי תרופות ומחקר ביולוגי נחשף בפרסום של OpenAI מאפריל 2026. החברה הכריזה על GPT-Rosalind, סדרת מודלים ייעודית למדעי החיים שמכוונת לתמוך בעבודה מחקרית בביולוגיה, גילוי תרופות ורפואה תרגומית, עם דגש על Reasoning עמוק ושימוש משופר בכלים מדעיים.
למה OpenAI מכוונת למדעי החיים דווקא עכשיו
OpenAI מזכירה שמסלול פיתוח תרופה בארה"ב נמשך לרוב 10 עד 15 שנים מרגע זיהוי היעד הביולוגי ועד אישור רגולטורי. לטענתה, שיפור בשלבים המוקדמים, כמו בחירת יעד נכונה יותר, ניסוח השערות ביולוגיות חזקות ותכנון ניסויים איכותי, מצטבר בהמשך ליעילות גבוהה יותר ולקבלת החלטות מדעיות מבוססות יותר.
רוצה להישאר מעודכן ב-AI?
הירשם לדיוור השבועי שלנו וקבל עדכונים, המלצות על כלים, חדשות ודוחות מיוחדים
החסם איננו רק מורכבות המדע עצמו, אלא גם “מכונת העבודה” של החוקרים: קריאה של כמויות עצומות של ספרות מדעית, ניווט במאגרי נתונים ייעודיים, פרשנות של תוצאות ניסוייות, חיבור בין היפותזות מתעדכנות, ותיאום בין כלים שונים. אלו תהליכים מפוצלים וקשים להתאמות קנה מידה (סקיילינג), במיוחד כשנדרש תיעוד ושחזור לתהליך.
מה מבדל את GPT-Rosalind מבחינה טכנית
לפי OpenAI, GPT-Rosalind נבנה סביב זרימות עבודה מדעיות מרובות שלבים ולא רק סביב שיחה כללית. המשמעות היא יכולת טובה יותר לשלב בין ניתוח טקסטואלי לבין עבודה עם כלים חיצוניים ומקורות נתונים, כדי להגיע מהשאלה אל מסקנה שניתנת להצדקה.
בהערכות פנימיות, OpenAI מדווחת על ביצועים חזקים במיוחד במשימות שדורשות Reasoning על מולקולות, חלבונים, גנים, מסלולים ביולוגיים וביולוגיה הקשורה למחלה, וכן במשימות כמו סקירת ספרות, פירוש “רצף לתפקוד” בביולוגיה מולקולרית, תכנון ניסויים וניתוח נתונים. בהקשר הרחב יותר של קהילת ה-AI, מדובר בשילוב בין יכולות שפה לבין "אורקסטרציה": המודל לא רק “יודע” אלא גם יודע לבחור מתי להיעזר בכלי חיפוש, מאגר גנטי או כלי ביו-אינפורמטי.
מדדים והישגים: השוואות לבנצ׳מרקים ולבני אדם
OpenAI מציינת כי במבחני תעשייה פומביים, המודל השיג תוצאות מובילות ב-BixBench (בנצ׳מרק לעבודות ביואינפורמטיקה וניתוח נתונים). בנוסף, ב-LABBench2, שמודד משימות מחקר כמו אחזור ספרות, גישה למסדי נתונים, מניפולציות על רצפים ותכנון פרוטוקולים, GPT-Rosalind עקף את GPT-5.4 ב-6 מתוך 11 משימות, עם קפיצה בולטת ב-CloningQA שדורש תכנון מקצה לקצה של רכיבי DNA ואנזימים לפרוטוקולי שיבוט.
החברה מתארת גם שיתוף פעולה עם Dyno Therapeutics בהערכת יכולות על משימות RNA “נקיות” שלא פורסמו: בהגשה של 'הטוב מתוך עשרה' דרך אפליקציית Codex, התוצאות דורגו מעל האחוזון ה-95 של מומחים אנושיים במשימת חיזוי, וסביב האחוזון ה-84 במשימת יצירה של רצפים.
חיבור לכלי מחקר: תוסף חדש לקודקס עם מעל 50 מקורות
במקביל למודל, OpenAI משיקה Life Sciences Research Plugin ל-Codex, הזמין ב-GitHub. התוסף מתואר כשכבת איחוי שמחברת את המודלים ליותר מ-50 כלים ומקורות נתונים ציבוריים בתחומים כמו גנטיקה אנושית, פונקציונל גנומיקס, מבנה חלבונים, ביוכימיה, ראיות קליניות וגילוי מחקרים. לפי OpenAI, משתמשי Enterprise זכאים יכולים לשלב אותו עם GPT-Rosalind לקבלת Reasoning ביולוגי עמוק, בעוד שמשתמשים אחרים יכולים להפעיל את התוסף גם עם מודלים “ראשיים” של החברה.
גישה מבוקרת ואבטחה: Trusted Access
ההשקה נעשית במסגרת Trusted Access ללקוחות Enterprise “כשירים” בארה"ב בשלב ראשון, עם דגש על בקרות זכאות, ניהול גישה וממשל ארגוני. OpenAI טוענת שהמטרה היא לאפשר שימוש מחקרי בעל תועלת לבריאות הציבור תוך צמצום סיכוני שימוש לרעה בביולוגיה. במהלך תצוגת המחקר, השימוש במודל לא אמור לצרוך קרדיטים או טוקנים קיימים, בכפוף למנגנוני מניעה של ניצול לרעה.
שיתופי פעולה ומה הלאה
OpenAI מציינת שיתופי פעולה עם ארגונים כגון Amgen, Moderna, Allen Institute, Thermo Fisher Scientific ואחרים ליישום המודל בזרימות עבודה שמאיצות מחקר וגילוי. המודל נקרא על שם Rosalind Franklin, שתרומתה המחקרית סייעה לחשיפת מבנה ה-DNA והניחה יסודות לביולוגיה מולקולרית מודרנית.
לפי החברה, זהו הפרק הראשון בסדרה ייעודית, עם כוונה להרחיב יכולות Reasoning ביו-כימי במשימות ארוכות טווח ומרובות כלים, כולל עבודה עם מעבדות לאומיות כגון Los Alamos National Laboratory סביב עיצוב חלבונים וקטליזטורים בהכוונת AI. אם ההבטחות יתממשו בשטח, GPT-Rosalind עשוי להפוך מעוזר חיפוש חכם לשותף מחקר שמקצר את המרחק משאלה לראיות, מראיות לתובנה, ומתובנה לטיפולים חדשים.