OpenAI поступово виходить за межі тексту, коду й зображень, заходячи в одну з найскладніших і найрегульованіших сфер — біологію та медицину. У новому епізоді подкасту OpenAI дослідниця Джой Цзяо (Joy Jiao) та продакт-лідерка Юн’юн Ван (Yunyun Wang) розповідають, як компанія будує спеціалізовану лінійку моделей для life sciences, навіщо цим моделям «інтуїція» біохіміка і чому ціль — не просто викликати інструменти, а створити справжніх цифрових експертів, здатних працювати вздовж усього біомедичного конвеєра — від клітинних шляхів до етапів, пов’язаних із FDA.
Новий клас моделей: ШІ, який «мислить» біохімією
OpenAI формує окрему серію Life Sciences — це не просто ще одна версія загального LLM, а цілеспрямовано біохімічно орієнтована лінійка, спроєктована під складні робочі процеси в біології та медицині. Йдеться не про абстрактні «наукові» можливості, а про конкретні сценарії, де дослідники працюють із геномами, білками, клітинними шляхами та ранніми етапами відкриття ліків.
Фокус першої хвилі цих моделей — раннє відкриття (early discovery). Саме тут, на стику геноміки та розуміння білків, сьогодні виникають найбільші інтелектуальні та обчислювальні вузькі місця. Аналіз варіантів у геномі, інтерпретація їхнього впливу на білкові структури, зв’язок із клітинними шляхами та хворобами — усе це потребує величезних обсягів знань і часу. Команда OpenAI вважає, що «більше мислення» за рахунок масштабування тестового часу обчислень (test-time compute) і спеціалізованих моделей може відчутно зняти ці бар’єри.
Ці моделі не просто вбудовують біологічні дані в загальний LLM. Вони «якоряться» на складних наукових workflow: від синтезу літератури до аналізу шляхів і проєктування експериментів. Важливий акцент — механістичне розуміння, тобто здатність моделі міркувати про причинно-наслідкові зв’язки в біологічних системах, а не лише відтворювати текстові патерни.
Від геноміки до FDA: амбіція охопити весь біомедичний ланцюжок
Стратегія OpenAI в life sciences не обмежується окремими задачами на кшталт «згенеруй послідовність білка» чи «підсумуй статтю». Команда явно мислить повним конвеєром — від фундаментальної біології до регуляторних етапів.
На одному кінці цього ланцюга — базове розуміння того, як влаштований живий світ: як реагують хімічні сполуки, як взаємодіють клітини, як працюють внутрішньоклітинні шляхи. Це рівень, де моделі мають допомагати будувати й перевіряти гіпотези про механізми хвороб, зв’язки між мутаціями, білками та фенотипами.
Далі — прискорення відкриття ліків. Тут постає кілька ключових запитань, на які ШІ має допомагати відповідати:
- Чи може модель допомогти виявити механізм захворювання, зв’язавши розрізнені дані — від оміксових профілів до клінічних спостережень?
- Чи здатна вона, отримавши ціль (наприклад, конкретний білок або шлях), запропонувати молекули чи біологічні агенти, які можуть на неї впливати?
- Чи можна використати ШІ, щоб оптимізувати дизайн кандидатів, зменшуючи кількість ітерацій між in silico й wet lab?
Нарешті, на горизонті — етапи, пов’язані з регуляторними органами, включно з FDA. Тут не йдеться про те, що модель «затвердить» препарат, але про потенційну роль у підготовці досьє, аналізі даних клінічних досліджень, виявленні сигналів безпеки, структуризації доказової бази. Команда прямо говорить про можливість прискорення процесів, пов’язаних із FDA, — тобто про ШІ як інструмент, що допомагає краще й швидше організувати та інтерпретувати дані, необхідні для регуляторних рішень.
У підсумку формується бачення, де моделі life sciences присутні на кожному кроці: від формулювання біологічної гіпотези до дизайну молекули, планування експериментів, аналізу результатів і підготовки матеріалів для регуляторів.
Від інструментів до експертів: чому моделям потрібна «інтуїція» біохіміка
Сьогоднішні системи вже можуть діяти як «комп’ютерний біолог», оркеструючи зовнішні інструменти. Джой Цзяо описує сценарій, який для багатьох дослідників виглядає знайомо: використання відкритих алгоритмів прогнозування структури білків як частини дослідницького стеку. Модель може запустити такий інструмент, отримати вихідні дані, проаналізувати їх, змінити вхідні параметри, повторити цикл. Це нагадує роботу людини, яка сидить за комп’ютером і послідовно запускає пайплайни.
Але в OpenAI вважають, що справжній прорив настане тоді, коли моделі перестануть бути лише «оркестраторами інструментів» і почнуть поводитися як повноцінні біохімічні експерти. Різниця тут принципова.
Інструментальний підхід означає: модель знає, який софт запустити й як прочитати його вихід. Експертний підхід вимагає іншого рівня компетентності: інтуїції щодо того, які гіпотези взагалі мають сенс; розуміння, які експерименти найінформативніші; здатності помічати невідповідності між даними та очікуваннями; уміння ставити уточнювальні питання до самого дизайну дослідження.
Саме цю «інтуїцію й експертизу» команда намагається вбудувати в моделі. Ідея полягає в тому, що експертна модель зможе використовувати ті самі інструменти — від структурного прогнозування до аналізу шляхів — але робитиме це значно розумніше, обираючи кращі шляхи пошуку, швидше відсікаючи тупикові гіпотези й концентруючись на найперспективніших напрямках.
Це також змінює роль людини. Якщо сьогодні дослідник часто витрачає час на ручне налаштування інструментів і рутинні обчислення, то в майбутній конфігурації він більше працюватиме на рівні постановки задач, інтерпретації результатів і стратегічного вибору напрямків, тоді як «цифровий біохімік» у вигляді моделі вестиме основну частину обчислювального пошуку.
Моделі як професії: спеціалізовані «персони» для різних наукових workflow
Один із найцікавіших концептів, який проглядається в підході OpenAI, — це ідея моделей як професій. Замість одного універсального ШІ, що вміє «трохи всього», компанія рухається до спеціалізованих персон, налаштованих під конкретні наукові ролі та workflow.
У life sciences це особливо помітно. Уже зараз OpenAI розгортає life sciences research plugins, орієнтовані на конкретних користувачів у трансляційній біології та корпоративних сценаріях. Ці плагіни — не просто набір API-викликів, а структуровані «навички», які відображають реальні професійні задачі.
Один із ключових елементів — плагін із понад 50 навичками, кожна з яких є темплатизованим, відтворюваним workflow. Йдеться про типові завдання, які дослідники виконують знову й знову: крос-доказовий пошук по літературі, де потрібно зіставити результати різних статей; аналіз біологічних шляхів; інші повторювані процедури, що вимагають послідовних кроків і суворої відтворюваності.
Замість того, щоб щоразу вручну будувати такий ланцюжок дій, користувач отримує майже «одноклікове» розгортання — модель, яка поводиться як спеціалізований науковий асистент, уже знає, як виконати цей workflow від початку до кінця. Для підприємств це критично: reproducibility і repeatability стають не просто бажаними, а обов’язковими вимогами.
Паралельно OpenAI розвиває довгі агентні траєкторії на Codex — моделі, які можуть виконувати складні багатокрокові завдання, розбиваючи їх на підзадачі, координуючи «субагентів» і працюючи в режимі паралельної оркестрації. У контексті life sciences це означає, що різні «персони» моделі можуть брати на себе різні частини наукового процесу: одна спеціалізується на літературному огляді, інша — на аналізі оміксових даних, третя — на дизайні експериментів.
Ця логіка «моделей як професій» відкриває шлях до ще більш вузьких спеціалізацій: умовний «модель‑фармаколог», «модель‑імунолог», «модель‑клінічний статистик». Усі вони можуть працювати в одному стеку, але кожна оптимізована під власний тип задач і даних.
Від лабораторної лави до автономних експериментів: як моделі входять у wet lab
Хоча ця стаття зосереджена на самих моделях, а не на інфраструктурі лабораторій, один приклад показує, наскільки далеко вже зайшов підхід «модель як біохімік». Співпраця з Ginkgo Bioworks стала для OpenAI своєрідним експериментом на тему: чи здатна модель, яка майже не бачила біологічних даних під час навчання, взагалі робити щось корисне в біології.
Після завершення тренування GPT‑5, приблизно в липні 2025 року, команда запустила спільний проєкт із Ginkgo. Вихідна установка була скромною: перевірити, чи може модель спроєктувати експерименти, які дадуть цільовий продукт — у цьому випадку білок. У тренувальних даних моделі домінували математика й комп’ютерні науки, де є чітко верифіковані відповіді, тоді як у біології істина часто виявляється лише в лабораторії.
Результат виявився несподіваним: перший набір експериментів, спроєктований GPT‑5, дав ненульову кількість цільового білка. Це не означає миттєвий прорив у біотехнології, але демонструє, що модель здатна не просто «говорити про біологію», а впливати на реальні експериментальні результати.
З того часу OpenAI розширює коло партнерів у сферах дизайну хімічних сполук, білків і ферментів — напрямках, які команда називає «дуже AI‑native». Усі вони вписуються в ширшу мету: автономні лабораторні workflow, де моделі проєктують експерименти, а роботи виконують їх у wet lab. Людина при цьому зміщується з ролі «оператора піпетки» до ролі архітектора досліджень.
Цей зсув добре відчувається в особистій історії Джой Цзяо. Вона починала як системна біологиня, отримала PhD у Гарварді, працювала в академічних лабораторіях, де значна частина часу йшла на ручні маніпуляції — від перенесення мікролітрів рідини до рутинних серій експериментів. Перехід у софтвер і далі в OpenAI став для неї способом «прискорити саму себе з минулого» — створити інструменти, які знімуть з майбутніх дослідників ту саму рутину, яку вона колись виконувала вручну.
Масштабування мислення: від людських до обчислювальних вузьких місць
Одне з ключових спостережень, яке формує бачення OpenAI, — це те, що в сучасній науці вузьким місцем часто є не обладнання чи дані, а саме люди. Високопродуктивні експерименти генерують масиви інформації, які складно повністю осмислити навіть великим командам. Інтерпретація, побудова гіпотез, перевірка альтернативних пояснень — усе це впирається в обмежений час і когнітивні ресурси дослідників.
Команда life sciences уявляє майбутнє, де ці вузькі місця зміщуються з людських до обчислювальних. Якщо сьогодні питання звучить як «чи вистачить нам людей, щоб проаналізувати ці дані?», то завтра воно може звучати як «чи вистачить нам обчислювальних ресурсів, щоб прогнати всі потрібні моделі?». Це не знімає потребу в людському судженні, але змінює його роль: дослідник стає тим, хто працює з найзначущішими інсайтами, які вже попередньо відібрані й структуровані ШІ.
У цьому контексті слоган команди — «scale test-time compute to cure all disease» — звучить не як гучний маркетинговий лозунг, а як формула підходу: збільшити обсяг «мислення», який модель може виконати над конкретною науковою задачею, і таким чином розширити простір досліджуваних гіпотез і сценаріїв.
Висновок: цифрові біохіміки як новий шар наукової інфраструктури
Life Sciences model series OpenAI — це спроба створити новий шар наукової інфраструктури, де спеціалізовані моделі виступають не просто як універсальні помічники, а як цифрові професіонали. Вони мають розуміти геноми й білки, міркувати про клітинні шляхи, допомагати в дизайні ліків і підтримувати етапи, пов’язані з регуляторними процесами.
Ключові риси цього підходу вже окреслилися. По‑перше, це фокус на ранньому відкритті, де геноміка й білкова біохімія створюють найбільші інтелектуальні виклики. По‑друге, прагнення зробити моделі не лише «оркестраторами інструментів», а справжніми експертами з власною «інтуїцією». По‑третє, концепція моделей як професій, де різні спеціалізовані персони обслуговують різні наукові workflow — від літературного синтезу до аналізу шляхів і дизайну експериментів.
Усе це вписується в ширшу трансформацію науки, де людські вузькі місця поступово замінюються обчислювальними, а роль дослідника зміщується від ручної роботи до стратегічного мислення. Якщо ця траєкторія збережеться, то в найближчі роки «працювати з моделлю‑біохіміком» може стати такою ж буденною частиною лабораторної рутини, як колись стали буденними ПЛР‑машини чи секвенатори.