تصور کنید داروی درمان یک بیماری نادر همین حالا در قفسههای داروخانه باشد، اما کسی نداند که این ماده برای بیماری دیگری هم معجزه میکند. مایل وانگ (Miles Wang) قصد دارد با استفاده از هوش مصنوعی، این «گنجینههای پنهان» شیمیایی را پیدا کند.
به گزارش TechCrunch در ۱۴ جولای ۲۰۲۶، این پژوهشگر سابق OpenAI برای راهاندازی استارتاپی تخصصی در حوزه کشف دارو از شرکت سازنده ChatGPT جدا شده است. این جابجایی نشاندهنده یک شرطبندی پرخطر روی نقطه تلاقی یادگیری ماشین و زیستشناسی مولکولی است. همانطور که در پوشش پیشین ما از جاهطلبیهای سختافزاری OpenAI و برنامه آنها برای دستیاران بدون نمایشگر اشاره کردیم، خروج وانگ نشان میدهد که استعدادهای برتر اکنون به دنبال کاربردهای فیزیکی و ملموس مدلهای پیشرو در حوزههایی مثل سلامت هستند. این روند انتقال تخصص از دنیای دیجیتال به دنیای فیزیکی، مشابه رویکرد شرکت General Intuition است که مدلهای گیمینگ را برای کاربردهای رباتیکی بهینه میکند.
طبق گزارش همین منبع، وانگ در حال مذاکره برای جذب ۲۰۰ میلیون دلار سرمایه است و احتمالاً شرکت Lightspeed این دور را با ارزشگذاری ۲ میلیارد دلار رهبری میکند. هرچول وانگ ارقام دقیق بودجه و توصیفات شرکت را به چالش کشیده، اما عدد جایگزینی ارائه نداده است.
استراتژی فنی
رویکرد وانگ بر یک سازوکار با بازدهی بالا متمرکز است:
- تغییر کاربرد دارو (Drug Repurposing): توسعه مدلهایی برای یافتن کاربردهای جدید برای داروهای تأییدشده توسط FDA.
- بازیابی آزمایشها: شناسایی مسیرهایی برای نجات داروهایی که پیشتر در آزمایشهای بالینی شکست خورده بودند.
- کاهش زمان رسیدن به درآمد: استفاده از داروهایی که ایمنی آنها پیشتر تأیید شده، مسیر ورود به بازار را در مقایسه با ساخت دارو از صفر، بهشدت کوتاه میکند.
این استراتژی وانگ را در کانون رقابتی از آزمایشگاههای زیستی AI قرار میدهد. به نقل از گزارشهای رسمی، شرکت Chai Discovery در ۱۵ جولای ۲۰۲۶ جذب سرمایه ۴۰۰ میلیون دلاری با ارزش ۳.۸ میلیارد دلار را اعلام کرد. همچنین Isomorphic Labs، فرزند شرکت گوگل DeepMind، در می ۲۰۲۶ موفق به جذب ۲.۱ میلیارد دلار در سری B شد.
برای مدیران کسبوکار، این یعنی عصر «هوش مصنوعی برای علم» از پژوهشهای عمومی به سمت نهادهای شرکتی هدفمند حرکت میکند. سرمایهگذاران دوباره روی بنیانگذاران جوان و حتی بدون مدرک شرطبندی میکنند؛ وانگ در سال ۲۰۲۴ پیش از پیوستن به OpenAI، تحصیل در رشته علوم کامپیوتر هاروارد را رها کرد. در این فضای رقابتی، دسترسی به زیرساختهای پردازشی کلیدی است، درست مانند آنچه در سرمایهگذاری ۱ میلیارد دلاری Reflection AI برای شکستن سلطه مدلهای بسته شاهد بودیم.
اثر درجه دوم این اتفاق، تخلیه استعدادها از آزمایشگاههای مدل زبانی بزرگ (LLM) — شبیه کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب میدهد — به سمت شرکتهای AI عمودی است. با افزایش سرسامآور هزینه آموزش مدلهای عمومی، سود واقعی اکنون در دست داشتن مجموعهدادههای زیستشناختی اختصاصی و لایههای کاربردی تخصصی است. این تمرکز بر بهینهسازی در حوزههای تخصصی، یادآور تلاشهایی است که استارتاپهایی نظیر Gradium برای حذف تأخیرها در AI صوتی دنبال میکنند.
گام بعدی شما
- رصد کنید که آیا موج خروج متخصصان از OpenAI به سمت بیوتکنولوژی ادامه مییابد یا خیر.
- بررسی کنید که آیا مدلهای تخصصی دارو، دموکراتیزه کردن دسترسی به درمانهای ارزان را ممکن میکنند.
- تحلیل کنید که چگونه دادههای اختصاصی زیستشناختی، جایگزین قدرت محاسباتی خام میشوند.
این تنها آغاز ماجراست؛ اثر موجگونهی این تصمیم بر اکوسیستم متنباز و رقابت مدلهای تخصصی را در گزارش بعدی بررسی خواهیم کرد.
گفتگو