OpenAI ஆராய்ச்சியாளர் Miles Wang $2 பில்லியன் மதிப்பிலான AI மருந்து கண்டுபிடிப்பு ஸ்டார்டআப் தொடங்க பேச்சுவார்த்தையில் உள்ளார்

உலகின் மிக செல்வாக்கு மிக்க AI ஆய்வகங்களில் ஒன்றிலிருந்து ஒரு மூத்த ஆராய்ச்சியாளர் வெளியேறி பயோடெக் ஸ்டார்டআப் கட்ட முடிவு செய்யும்போது, தொழிற்துறை கவனம் செலுத்துகிறது. OpenAI ஆராய்ச்சியாளர் Miles Wang $2 பில்லியன் மதிப்பிலான AI மருந்து கண்டுபிடிப்பு ஸ்டார்டআப் தொடங்க பேச்சுவார்த்தையில் உள்ளார் என்ற செய்திகள் ஒரு தொழிற வாழ்க்கை நகர்வை விட பெரிய ஒன்றைக் குறிக்கிறது — அவை AI ஐ பயன்படுத்த மிக உচ்চাভிலாষী தொழில்நுட்ப மனங்கள் தேர்வு செய்யும் விதத்தில் ஒரு திருப்பு முனையைக் குறிக்கிறது. இது இனி சாட்பாட்களைப் பற்றியல்ல. இது மூலக்கூறுகளைப் பற்றியது.

என்ன நடந்தது

இந்த கதை AI உலகில் ஈடுபட்டுவரும் ஒரு பழக்கமான முறையைப் பின்பற்றுகிறது: எல்லை ஆய்வகங்களுக்குள் உருவாக்கப்பட்ட ஆழ்ந்த தொழில்நுட்ப சான்றுபத்திரங்களைக் கொண்ட ஒரு ஆராய்ச்சியாளர் அடுத்த எல்லை ஒரு பெரிய நிறுவனத்திற்குள் இல்லை என்று முடிவு செய்கிறார். செய்திகளின்படி, OpenAI உடன் தொடர்புடைய ஆராய்ச்சியாளர் Miles Wang ஒரு AI-இயக்கிய மருந்து கண்டுபிடிப்பு ஸ்டார்டআப்பை நிறுவ பேச்சுவார்த்தையில் உள்ளார், ஆரம்ப-கட்ட மதிப்பீட்டு பேச்சுவார்த்தைகள் நிறுவனம் முறையாக தொடங்குவதற்கு முன்பே $2 பில்லியன் வரம்பை எட்டியுள்ளன.

அந்த எண்ணுக்கு சூழல் தேவை. $2 பில்லியன் முன்-தொடக்க மதிப்பீடு இந்த ஸ்டார்டআப்பை தொடக்கத்தில் மிக அதிக மூலதனம் கொண்ட AI பயோடெக் முயற்சிகளுக்குள் உடனடியாக வைக்கும். இது பல ஆண்டுகளாக வேகம் பெற்றுவரும் ஒரு பரந்த முதலீட்டாளர் கோட்பாட்டை பிரதிபலிக்கிறது: பெரிய மொழி மாதிரிகள் மற்றும் உৎপாதक AI கட்டமைப்புகள், புரதம் மடிப்பு, மூலக்கூற உருவகப்படுத்தல், மற்றும் ক்লினிக்கல் ট்রையல் ডিজைনுக்கு பயன்படுத்தப்படும்போது, மருந்து வளர்ச்சி காலக்கட்டத்தை ঐতिहাসिक தசாப்தத்திற்கு மேல் சுழற்சியிலிருந்து훨씬 குறுகிய ஒன்றுக்கு சுருக்க முடியும்.

முன்னுதாரணம் உள்ளது. DeepMind இன் AlphaFold கட்டமைப்பு உயிரியலை மறுவடிவமைத்தது. ஸ்டார்டআப்புகளின் ஒரு அலை — Isomorphic Labs, Recursion Pharmaceuticals, Insilico Medicine — AI மருந்து வேட்பாளர்களை மேற்பரப்பு செய்ய முடியும் என்பதை நிரூபித்துள்ளது, இது வழக்கமான ஸ்கிரீனிங் ஆண்டுகளை எடுத்திருக்கும். இப்போது என்ன மாறிவிட்டது என்பது இந்த இடத்தில் நுழையும் திறமையின் தரம். எல்லை பொது-நோக்கம் AI மாதிரிகளில் பணிபுரிந்த ஆராய்ச்சியாளர்கள் உயிரியலுக்கு திரும்பும்போது, அவர்கள் கட்டமைப்பு உள்ளுணர்வு மற்றும் பயிற்சி-அளவு அভিজ্ஞதை கொண்டு வருகிறார்கள், இது நோக்கம்-கட்டப்பட்ட பயோடெக் AI குழுக்கள் பெரும்பாலும் இல்லை.

Wang இன் அறிக்கையிடப்பட்ட முயற்சির குறிப்பிட்ட தொழில்நுட்ப கவனம் முழுவதுமாக பொது இல்லை, ஆனால் பரந்த கோட்பாடு — இலக்கு அடையாளம் காணல், முன்னணி অপ்டிமைசேশன், மற்றும் ক்লினிக்கல் முன்னறிவிப்பு முடுக்க உৎபாதக AI ஐ பயன்படுத்தவும் — இது எந்த குழு முதலில் அங்கு பெறுகிறது என்பது பொருட்படாமல் இந்த ক্ষেத்ரம் தலைப்பு செல்கிறது.

ஆசியாவுக்கு இது ஏன் முக்கியமானது

AI மருந்து கண்டுபிடிப்பில் ஆசியாவின் பங்கு பெரும்பாலான மேற்கத்திய தொழில்நுட்ப கதைகள் ஒப்புக்கொள்ளும் அளவை விட பெரியது. சீனா உள்நாட்டு AI பயோடெக்கில் பெரிதும் முதலீடு செய்துள்ளது, XtalPi மற்றும் Insilico Medicine (இது ஹாங்காங் மற்றும் சீனாவிலிருந்து கணிசமாக செயல்படுகிறது) போன்ற நிறுவனங்கள் ஏற்கனவே AI-வடிவமைக்கப்பட்ட சேர்மங்களை ক்লினிக்கல் ட்রையல்களின் மூலம் இயக்கி வருகின்றன. தென் கொரியாவின் மருந்து துறை, Samsung Biologics மற்றும் Celltrion போன்ற சமூகங்களால் நங்கூரம் இடப்பட்டுள்ளது, AI பங்குதாரிത்வ ஆய்வ செய்து வருகிறது. இந்தியாவின் பொதுவான மருந்து உற்பத்தி அடிப்படை — தொகுதி மூலம் உலகின் மிகப்பெரியது — AI-இயக்கிய செயல்முறை অপ்டிமைசேশன் மற்றும் நாவல் சேர்மம் கண்டுபிடிப்புக்கான ஒரு இயற்கை வேட்பாளர்.

ஆசிய நிறுவனர்கள் மற்றும் இந்த கதை பார்க்கும் டெவலப்பர்களுக்கு, Wang செய்திகள் மூன்று காரணங்களுக்கு முக்கியமாக உள்ளது.

முதலாவதாக, இது மூலதனம் திறமையைப் பின்பற்றுகிறது என்பதை உறுதிப்படுத்துகிறது. முன்-தொடக்க AI பயோடெக் ஸ்டார்டআப்புக்கான $2 பில்லியன் மதிப்பீட்டு பேச்சுவார்த்தை என்பது முதலீட்டாளர்கள் — ஆசியா வெளிப்பாட்டுடன் முக்கிய உদ்যம நிதி உட்பட — இந்த வகையில் பெரிய சரிபார்ப்புகளை எழுத தயாரிக்கப்பட்டுள்ளனர் என்பதாகும். அது கீழ்நோக்கு வாய்ப்புகளை உருவாக்குகிறது: கருவி, உள்கட்டமைப்பு, தரவு குழாய়கள், மற்றும் AI மருந்து கண்டுபிடிப்பு நிறுவனங்கள் தேவைப்படும் ஒழுங்குமுறை இணக்க தளங்கள்.

இரண்டாவதாக, இது ஆசியா-பசிபிக் நிதி பேச்சுவார்த்தையில் இந்த துறையின் বৈধতை முடுக்கி விடுகிறது. ஒரு நிறுவனக் குழு OpenAI சான்றுபத்திரங்களைக் கொண்டு வரும்போது, இது பகுதியில் உள்ள அருகாமை ஸ்டார்டআப்புகளுக்கான சந்தேகம் தடையை குறைக்கிறது, உள்ளூர் LPs மற்றும் கর்பொரேட் உদ்যம கைகளுக்கு ஒத்த பிচ்களை உருவாக்குகிறது.

மூன்றாவதாக, ஆசியாவுக்கு இந்த இடத்தில் கட்டமைப்பு நன்மைகள் உள்ளன, அவை குறைவாக பாராட்டப்படுகின்றன. தென்கிழக்கு ஆசியா, இந்தியா, மற்றும் கிழக்கு ஆசியா முழுவதும் நோயாளி தரவு பৈচিত্র்য ஒரு மரபணு மற்றும் பினோடைপிக் அகலம் பிரதிநிதিக்கிறে, இது மேற்கத்திய தரவுத்தொகுப்புகள் பெரும்பாலும் இல்லை. இந்த மக்கள் சுற்றி இணக்கமான, தனியுரிமை-பாதுகாக்கும் தரவு உள்கட்டமைப்பு கட்ட முடியும் பகுதியில் ஸ்டার্টআப்கள் மற்றும் ஆராய்ச்சி நிறுவனங்கள் சான் ফ্রান்சிஸ்கோவில் கணக்கீட்டின் எந்த அளவும் பிரতिनिधित்ব செய்ய முடியாத ஒரு பாதுகாப்பான அகழி இருக்கும்.

ஆசியா தொழில்நுட்ப ஈக்கோசிஸ்டம் இந்த போக்கு பார்க்கவில்லை — இது அதில் பங்கேற்க நிலைநிறுத்தப்பட்டுள்ளது, டெவலப்பர்கள் மற்றும் நிறுவனர்கள் சரியான জরூரியத்துடன் நகர்ந்தால்.

டெவலப்பர்களுக்கு இது என்ன அர்த்தம்

நீங்கள் ஆசியாவில் ஒரு டெவலப்பர் என்றால் அடுத்ததாக எங்கு கட்ட வேண்டும் என்பதைப் பற்றி சிந்திக்கிறீர்கள், Wang கதை தொழில்நுட்ப நன்மை கவனம் செலுத்தும் இடத்தைப் பற்றி ஒரு பயனுள்ள சமிக்ஞை. AI மருந்து கண்டுபிடிப்பு ஒரு ஒற்றைக் கல் இல்லை — இது ஒரு স্ট்যাக், மற்றும் அந்த স্ট்যாக்கின் பெரும்பாலும் கட்ட வேண்டும்.

தரவு স্তரে, மருந்து கண்டுபிடிப்பு AI சுத்தமான, கட்டமைக்கப்பட்ட உயிரியல் தரவு தேவை: மரபணு வரிசைகள், புரத கட்டமைப்புகள், परीक्षण ফলাফল, மின்னணு சுகாதார பதிவுகள். இந்த தரவு உட்கொள்ளும், இயல்பாக்க, மற்றும் பதிப்பு-கட்டுப்பாடு குழாய়கள் கட்டுதல் unglamorous வேலை, ஆனால் இது அனைத்து மற்ற ஓட்டம் அடிப்படை. தரவு பொறியியல் மற்றும் MLOps இல் அভিজ்ஞதை கொண்ட டெவலப்பர்கள் যারা அந்த திறன்களை உயிரியல் தரவு வடிவங்களுக்கு பயன்படுத்த முடியும் — FASTA, SDF, DICOM — அதிக চাহிதையில் இருக்கப் போகிறார்கள்.

மாதிரி স্তரে, சுவாரஸ்யமான வேலை பொது-நோக்கம் கட்டமைப்புகளை மூலக்கூற பணிகளுக்கு நன்றாக-சரிசெய்தல் மற்றும் மানிய செய்வதில் உள்ளது. புரத வரிசைகளில் பயிற்சி பெற்ற Transformer மாதிரிகள், மூலக்கூற கட்டமைப்புகளுக்கு பயன்படுத்தப்பட்ட வரைபட நரம்பு நெட்வொர்க்குகள், நாவல் சேர்மங்களை உৎপাদிக்கும் பரவல் மாதிரிகள் — இவை இனி அதிசய গবেষণை বিষயங்கள் இல்லை. அவை பொறியியல் சிக்கல்கள். ESM-2 அல்லது RFdiffusion போன்ற திறந்த-மூல அடிப்படை மாதிரிகளை குறிப்பிட்ட சிகிச்சামূலக இலக்குகளுக்கு மানிய செய்ய புரிந்துகொள்ளும் டெவலப்பர்கள் நன்றாக-நிதியுடன் சிக்கல் இடத்தின் மையத்தில் தங்களை கண்டுபிடிக்கப் போகிறார்கள்.

பயன்பாட்டு স্তரে, பாட்டல்நெக் பெரும்பாலும் ব்যবহারকারী অভিজ্ঞতা மற்றும் பணிப்பாய்வு ஒருங்கிணைப்பு. கணக்கீட்டு உயிரியலாளிகள் மற்றும் மருந்து রসায়ন வিஞ்ஞানிகள் மென்பொருள் பொறியாளர்கள் இல்லை. டொமைன் வல்லுநர்கள் AI மாதிரிகளுடன் தொடர்பு கொள்ள அனுமதிக்கும் ইন்টারফேসுகள் கட்டுதல் — மூலக்கூற தரவுத்தொகுப்புகளில் இயற்கை மொழி வினவல்கள், AI பரামரிப்புகளுடன் ভিজ்ஷுவல் சேர்மம் எடிட்டர்கள், ஒழுங்குமுறை சமர்ப்பணங்களுக்கான தானியங்கி அறிக்கை உৎপாதனம் — இந்த தயாரிப்பு-மனஸ்கள் டெவலப்பர்கள் விகিதமற்ற மதிப்பு உருவாக்க முடியும் இடம்.

MonstarX போன்ற தளங்களில் கட்டும் குழுக்களுக்கு, AI-பூர்வ வளர்ச்சி அணுகுமுறை இந்த சிக்கலுக்கு சுத்தமாக வரைபடம். மருந்து கண்டுபிடிப்பு பணிப்பாய்வுகள் வெவ்வேறு தரவு மூலங்களை இணைப்பது, அனுமান குழாய়கள் இயக்குதல், மற்றும் ডொமைன்-குறிப்பிட்ட ইন்টারফேসগুলিতে ফলাফলগুলি மேற்பரப்பு — சரியாக பல-সিস্টেம் ஆর்केஸ்ட்रேশনின் வகை, AI-பூர্வ தளம் கட்ட சுழற்சியை முடுக்கி விடுகிறது, அதற்கு ঘর্ষணை சேர்க்கிறது.

ஒழுங்குமுறை பரிமாணம் ஒரு খাঁটி பொறியியல் சவாலும் உள்ளது. FDA இன் AI-உதவி மருந்து வளர்ச்சির জন்য উদ்ভவ ফ்রேமওয়ার்க்குகள், மற்றும் ஆசியா-பசிபிக் முழুவதும் சமতুल்য সংস্থাগள், অডிট பாதைகள், மாதிரி பதிப்பு, மற்றும் விளக்கம் নিদর্শনங்கள் தேவை, இது பெரும்பாலான মান ML স্থাপনা குழாய়கள் இயல்பாக উৎপাদிக்க இல்லை. டেভেলপার்கள் যারা தொடக்கத்தில் তাদের স্থাপত்যে இணக்கத்தை பেক — বরং retrofitting — ক্লিনিক্যাল এবং বাণিজ্যিক ব্যবহারে পৌঁছাতে পারে পণ্য তৈরি করবে।

முக்கிய கொள்ளுதல்

শিরোনাম மதிப்பீடு மற்றும் குறிப்பிட்ட பெயர்களிலிருந்து ফিরে ধাপ, மற்றும் ஒரு சில நிலையான முறைகள் இந்த கதை থেকে வெளிப்பட.

எல்லை AI திறமை கடினமான বিজ্ஞான சுற்றி தன்ব-সংগঠিত. பொது-நோக்கம் AI গবেষণা থেকে மருந்து கண்டுபிடிப்பு, பொருள் বিজ்ஞান, மற்றும் জলবায়ு மডেலிங் நகர் উচ্চাকাঙ্ক்ষা থেকে ஒரு retreat இல்லை — இটি ஒரு আপগ্রেড. இவை டোমেইন்ஸ் যেখানে প্রতিক্রিয়া লুপ்ஸ் மন்থর, তথ্য महंगा, மற்றும் প্রতিযোগী moats গভীর. গবেষকরা যারা বছর ধরে বড় மাডেল প্রশিक্ষণ সম্পর্কে চিন্তা করেছেন এখন জিজ্ঞাসা করছেন: এটি লক্ষ্য করা যেতে পারে সবচেয়ে কঠিন বাস্তব-বিশ্ব সমস্যা কি?

AI biotech এর জন্য মূল্যায়ন পরিবেশ