باحث من OpenAI يناقش إطلاق شركة ناشئة لاكتشاف الأدوية بالذكاء الاصطناعي بقيمة 2 مليار دولار

عندما يترك باحث كبير أحد أكثر مختبرات الذكاء الاصطناعي تأثيراً في العالم لبناء شركة ناشئة في مجال التكنولوجيا الحيوية، تنتبه الصناعة. التقارير التي تفيد بأن باحث من OpenAI يناقش إطلاق شركة ناشئة لاكتشاف الأدوية بالذكاء الاصطناعي بقيمة 2 مليار دولار تشير إلى شيء أكبر من مجرد تغيير وظيفي — فهي تمثل نقطة تحول في كيفية اختيار أكثر العقول التقنية طموحاً لنشر الذكاء الاصطناعي. لم يعد الأمر يتعلق بروبوتات الدردشة. إنه يتعلق بالجزيئات.

ما الذي حدث

تتبع القصة نمطاً أصبح مألوفاً بشكل متزايد في عالم الذكاء الاصطناعي: باحث لديه بيانات اعتماد تقنية عميقة، تم تطويرها داخل أحد المختبرات الرائدة، يقرر أن الحدود التالية ليست داخل منظمة كبيرة على الإطلاق. وفقاً للتقارير، يناقش Miles Wang — باحث مرتبط بـ OpenAI — تأسيس شركة ناشئة متخصصة في اكتشاف الأدوية بقوة الذكاء الاصطناعي، مع تقارير تفيد بأن محادثات التقييم في المراحل الأولى وصلت إلى نطاق 2 مليار دولار قبل أن تطلق الشركة رسمياً.

هذا الرقم يستحق السياق. تقييم بقيمة 2 مليار دولار قبل الإطلاق سيضع هذه الشركة الناشئة فوراً بين أكثر مشاريع الذكاء الاصطناعي الحيوي رسملة عند الإنشاء. يعكس أطروحة استثمارية أوسع كانت تكتسب زخماً لعدة سنوات: أن نماذج اللغة الكبيرة وبنى الذكاء الاصطناعي التوليدية، عند تطبيقها على طي البروتين والمحاكاة الجزيئية وتصميم التجارب السريرية، يمكن أن تضغط جداول تطوير الأدوية من دورة العقد التقليدية إلى شيء أقصر بكثير.

السابقة موجودة. أعادت AlphaFold من DeepMind تشكيل علم الأحياء الهيكلي. أظهرت موجة من الشركات الناشئة — Isomorphic Labs و Recursion Pharmaceuticals و Insilico Medicine — أن الذكاء الاصطناعي يمكن أن يكشف عن مرشحي الأدوية التي كانت ستستغرق سنوات من الفحص التقليدي للتعرف عليها. ما تغير الآن هو مستوى المواهب التي تدخل هذا المجال. عندما ينتقل الباحثون الذين عملوا على نماذج الذكاء الاصطناعي العامة الرائدة إلى علم الأحياء، يحملون حدساً معمارياً وخبرة التدريب على نطاق واسع التي تفتقر إليها فرق الذكاء الاصطناعي الحيوي المصممة خصيصاً.

التركيز التقني المحدد للمشروع المبلغ عنه من قبل Wang ليس عاماً بالكامل، لكن الأطروحة الواسعة — استخدام الذكاء الاصطناعي التوليدي لتسريع تحديد الهدف وتحسين الرصاص والتنبؤ السريري — هي حيث يتجه المجال بغض النظر عن الفريق الذي يصل إلى هناك أولاً.

لماذا يهم آسيا

حصة آسيا في اكتشاف الأدوية بالذكاء الاصطناعي أكبر مما تعترف به معظم السرديات التقنية الغربية. استثمرت الصين بكثافة في التكنولوجيا الحيوية للذكاء الاصطناعي المحلية، مع شركات مثل XtalPi و Insilico Medicine (التي تعمل بشكل كبير من هونغ كونغ والصين) التي تشغل بالفعل مركبات مصممة بالذكاء الاصطناعي من خلال التجارب السريرية. قطاع الأدوية في كوريا الجنوبية، الذي ترسيه الشركات الكبرى مثل Samsung Biologics و Celltrion، كان يستكشف بنشاط الشراكات مع الذكاء الاصطناعي. قاعدة تصنيع الأدوية الجنيسة في الهند — الأكبر في العالم من حيث الحجم — هي مرشح طبيعي لتحسين العمليات التي يقودها الذكاء الاصطناعي واكتشاف المركبات الجديدة.

بالنسبة للمؤسسين والمطورين الآسيويين الذين يراقبون هذه القصة، فإن أخبار Wang مهمة لثلاثة أسباب.

أولاً، يؤكد أن رأس المال يتابع المواهب. محادثة تقييم بقيمة 2 مليار دولار لشركة ناشئة متخصصة في الذكاء الاصطناعي الحيوي قبل الإطلاق تعني أن المستثمرين — ربما بما في ذلك صناديق رأس المال الاستثماري الكبرى التي لديها تعرض لآسيا — مستعدون لكتابة شيكات كبيرة في هذه الفئة. يخلق هذا فرصاً لاحقة: الأدوات والبنية التحتية وخطوط أنابيب البيانات ومنصات الامتثال التنظيمي التي ستحتاجها شركات اكتشاف الأدوية بالذكاء الاصطناعي.

ثانياً، يسرع من شرعية القطاع في محادثات التمويل في منطقة آسيا والمحيط الهادئ. عندما تحمل فريق التأسيس بيانات اعتماد OpenAI، فإنه يقلل من حاجز الشك للشركات الناشئة المجاورة في المنطقة التي تقدم ملاعب مماثلة لشركاء LP المحليين وأذرع المشاريع الشركات.

ثالثاً، تتمتع آسيا بمزايا هيكلية في هذا المجال لا يتم تقديرها بشكل كافٍ. تنوع بيانات المرضى عبر جنوب شرق آسيا والهند وشرق آسيا يمثل اتساعاً جينومياً وظاهرياً غالباً ما تفتقر إليه مجموعات البيانات الغربية. ستتمتع الشركات الناشئة والمؤسسات البحثية في المنطقة التي يمكنها بناء بنية تحتية بيانات متوافقة وتحافظ على الخصوصية حول هذه السكان برسم دفاعي لا يمكن لأي قدر من الحوسبة في سان فرانسيسكو أن يكرره.

نظام بيئة التكنولوجيا الآسيوي ليس مراقباً لهذا الاتجاه فحسب — بل هو في وضع يسمح له بالمشاركة فيه، إذا تحرك المطورون والمؤسسون بالإلحاح الصحيح.

ماذا يعني هذا للمطورين

إذا كنت مطوراً في آسيا تفكر في المكان الذي ستبني فيه بعد ذلك، فإن قصة Wang إشارة مفيدة حول حيث يتركز الرافعة التقنية. اكتشاف الأدوية بالذكاء الاصطناعي ليس أحادياً — إنه مكدس، ومعظم هذا المكدس يحتاج إلى بناء.

في طبقة البيانات، يتطلب ذكاء الاصطناعي لاكتشاف الأدوية بيانات بيولوجية نظيفة ومنظمة: تسلسلات جينومية وهياكل بروتينية ونتائج الفحص والسجلات الصحية الإلكترونية. بناء خطوط أنابيب تستقبل وتطبيع وتحكم الإصدار من هذه البيانات عمل غير جذاب، لكنه الأساس الذي يعمل عليه كل شيء آخر. سيكون المطورون الذين لديهم خبرة في هندسة البيانات و MLOps الذين يمكنهم تطبيق تلك المهارات على تنسيقات البيانات البيولوجية — FASTA و SDF و DICOM — في طلب عالي.

في طبقة النموذج، العمل المثير للاهتمام هو في الضبط الدقيق وتكييف البنى ذات الأغراض العامة مع المهام الجزيئية. نماذج Transformer المدربة على تسلسلات البروتين، والشبكات العصبية الرسومية المطبقة على الهياكل الجزيئية، ونماذج الانتشار التي تولد مركبات جديدة — هذه ليست موضوعات بحثية غريبة بعد الآن. إنها مشاكل هندسية. سيجد المطورون الذين يفهمون كيفية تكييف نماذج الأساس مفتوحة المصدر مثل ESM-2 أو RFdiffusion مع أهداف علاجية محددة أنفسهم في مركز مساحة مشكلة ممولة بشكل جيد.

في طبقة التطبيق، الاختناق غالباً ما يكون تجربة المستخدم وتكامل سير العمل. علماء الأحياء الحسابيين والكيميائيين الطبيين ليسوا مهندسي برمجيات. بناء واجهات تسمح لخبراء المجال بالتفاعل مع نماذج الذكاء الاصطناعي دون كتابة أكواد — فكر في الاستعلامات باللغة الطبيعية على قواعد بيانات جزيئية، محررات مركبات بصرية مع اقتراحات الذكاء الاصطناعي، إنشاء التقارير الآلية لتقديمات الامتثال التنظيمي — هو حيث يمكن للمطورين الموجهين نحو المنتج إنشاء قيمة غير متناسبة.

بالنسبة للفرق التي تبني على منصات مثل MonstarX، فإن نهج التطوير الأصلي للذكاء الاصطناعي يرسم بشكل نظيف على هذه المشكلة. تتضمن سير عمل اكتشاف الأدوية ربط مصادر البيانات المختلفة وتشغيل خطوط أنابيب الاستدلال وتسطيح النتائج في واجهات خاصة بالمجال — بالضبط نوع تنسيق الأنظمة المتعددة حيث تسرع منصة أصلية للذكاء الاصطناعي دورة البناء بدلاً من إضافة احتكاك إليها.

البعد التنظيمي هو أيضاً تحدٍ هندسي حقيقي. أطر عمل FDA الناشئة لتطوير الأدوية بمساعدة الذكاء الاصطناعي، والهيئات المعادلة عبر منطقة آسيا والمحيط الهادئ، تتطلب مسارات تدقيق وإصدار نموذج وقطع قابلية التفسير التي لا تنتجها معظم خطوط أنابيب نشر ML القياسية بشكل افتراضي. سيبني المطورون الذين يخبزون الامتثال في بنيتهم من البداية — بدلاً من إعادة تجهيزها — منتجات يمكنها فعلاً الوصول إلى الاستخدام السريري والتجاري.

الوجبات الرئيسية

تراجع عن تقييم العنوان الرئيسي والأسماء المحددة، وتظهر عدة أنماط دائمة من هذه القصة.

يقوم موهبة الذكاء الاصطناعي الرائدة بتنظيم نفسها حول العلم الصعب. الانتقال من أبحاث الذكاء الاصطناعي ذات الأغراض العامة إلى اكتشاف الأدوية وعلم المواد والنمذجة المناخية ليس انسحاباً من الطموح — إنه ترقية. هذه مجالات حيث حلقات التغذية الراجعة بطيئة، والبيانات مكلفة، والخنادق التنافسية عميقة. يسأل الباحثون الذين قضوا سنوات في التفكير في كيفية تدريب نماذج كبيرة الآن: ما هي أصعب مشكلة حقيقية يمكن توجيه هذا نحوها؟

بيئة التقييم لشركات الذكاء الاصطناعي الحيوي