اگر مدیریت یک خط لوله کشف دارو را بر عهده دارید، باید بدانید دقت هوش مصنوعی شما در عیبیابی پروتکلهای آزمایشگاهی واقعی از ۵۵.۸٪ به ۶۳.۲٪ رسیده است. این جهش، نتیجهی بهروزرسانی ۳ ژوئن ۲۰۲۶ مدل GPT-Rosalind است؛ مدلی که بهطور اختصاصی برای پژوهشهای علوم زیستی در مقیاس سازمانی طراحی شده است.
این تحول در حالی رخ میدهد که هوش مصنوعی از چتهای ساده به سمت گردشهای کاری عاملمحور (agentic) — شبیه مدیر پروژهای که فقط برنامه نمیدهد، بلکه خودش دست به اجرا میزند — حرکت میکند. همانطور که در تحلیل قبلی ما دربارهی «مالیات توکن» در GPT-5.4 اشاره کردیم، OpenAI اکنون کارایی توکن را در اولویت قرار داده است تا پژوهشهای پیچیده از نظر اقتصادی بهصرفه شوند.
به نقل از گزارش رسمی openai.com، این بهروزرسانی از قابلیتهای کدنویسی GPT-5.5 بهره میبرد اما آنها را برای شیمی دارویی و ژنومیک بهینه کرده است. نتایج در سه معیار داخلی ثبت شدهاند:
• MedChemBench: نمره ۲۷.۵٪ (در برابر ۲۵.۱٪ در GPT-5.5) با مصرف ۷.۲٪ توکن کمتر.
• GeneBench: دقت ۲۱.۶٪ (در برابر ۲۰.۴٪) با کاهش چشمگیر ۳۱ درصدی مصرف توکن (Token) — مثل برشهای کوچک یک کیک که مدل تکهتکه میخورد.
• LabWorkBench: دقت ۶۳.۲٪ در پیوند تغییرات به نتایج تجربی، که مدل GPT-5.5 را با ۵۵.۸٪ شکست داد.
برای انتقال این توانمندیها از محیط چت به میز آزمایشگاه، OpenAI افزونههای تحلیل NGS و پژوهشهای علوم زیستی را از طریق Codex عرضه کرد. این ابزارها به پژوهشگران اجازه میدهند سوابق خام ctDNA را به دفترچههای تعاملی تبدیل کرده و جهشهای مولکولی را بهصورت بصری تحلیل کنند.
این موضوع صرفاً یک رقابت عددی نیست. کاهش هزینه توکن در کارهای طولانیمدت ژنومیکی، اجرای عاملهای هوش مصنوعی روی مجموعهدادههای عظیم را ممکن میکند. همکاری با Novo Nordisk نیز نشاندهنده حرکت به سمت «هوش مصنوعی حلقه-بسته» است؛ جایی که مدل فقط فرضیه نمیدهد، بلکه کل مسیر از داده تا تصمیم را مدیریت میکند.
گام بعدی شما
- بررسی ساختار «دسترسی مورد اعتماد» (trusted-access) برای مدیریت دادههای حساس شرکتی.
- تست افزونههای جدید تحلیل NGS در محیط Codex برای بصریسازی جهشهای مولکولی.
- دنبال کردن نتایج عملیاتی همکاری OpenAI با Novo Nordisk در تولید دارو.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو