Совместный проект OpenAI и Ginkgo Bioworks продемонстрировал, как модель GPT-5 управляет реальными биологическими экспериментами, оптимизируя сложные процессы эффективнее людей.
3 мин
OpenAI совместно с биотехнологической компанией Ginkgo Bioworks представили результаты работы, где языковая модель GPT-5 использовалась для управления реальными лабораторными процессами. Главным достижением стало снижение стоимости бесклеточного синтеза белка (CFPS) на 40%.
Это важный прецедент, показывающий переход искусственного интеллекта от теоретических задач (написание кода, генерация текста) к практическому управлению физическими экспериментами. Модель не просто анализировала данные, а выступала в роли ведущего исследователя: предлагала гипотезы, планировала эксперименты и училась на их результатах в замкнутом цикле.
Биология — наука сложная и дорогая. Традиционный процесс исследований часто упирается в человеческий фактор: ученым сложно интуитивно перебирать тысячи комбинаций реагентов, чтобы найти идеальную формулу.
Бесклеточный синтез белка (CFPS) позволяет создавать белки без выращивания живых клеток, используя лишь их внутренние механизмы в пробирке. Это быстрее, но масштабирование и оптимизация таких реакций стоят огромных денег. Основная проблема заключается в том, что белковый синтез зависит от взаимодействия множества компонентов (ДНК, клеточный лизат, соли, источники энергии). Небольшое изменение одной переменной может непредсказуемо повлиять на результат.
До сих пор оптимизация таких процессов была либо ручной и медленной, либо требовала узкоспециализированных алгоритмов. Использование большой языковой модели (LLM) общего назначения меняет правила игры.
Система работала по принципу «лаборатория в контуре» (lab-in-the-loop):
Масштаб исследования впечатляет: за шесть раундов было проведено более 36 000 реакций на 580 планшетах. Уже через три раунда (около двух месяцев работы) система превзошла предыдущие лучшие показатели в индустрии. Помимо общего снижения стоимости производства на 40%, стоимость самих реактивов удалось снизить на 57%.
Ключевой момент исследования заключается не только в цифрах, но и в том, как модель достигла успеха. Выяснилось, что условия в автоматизированных лабораториях отличаются от ручной работы. В роботизированных планшетах меньше кислорода и другое смешивание жидкостей по сравнению с обычными пробирками.
GPT-5 смогла обнаружить неочевидные комбинации реагентов, которые работают лучше именно в условиях автоматизации (при низком уровне кислорода). Люди-исследователи часто упускали эти варианты, так как опирались на интуицию, выработанную при работе с пробирками. Модель же не имела предвзятости и опиралась только на сухие данные обратной связи.
Также важно отметить, что модель научилась балансировать дорогие компоненты (лизат и ДНК), сосредоточившись на увеличении выхода продукта на единицу затрат, что является наиболее эффективной экономической стратегией.
Мы наблюдаем рождение нового стандарта в науке — автономных лабораторий под управлением ИИ. Это может значительно ускорить разработку лекарств, новых материалов и ферментов для промышленности.
Однако авторы исследования честно указывают на ограничения: результаты получены на одном конкретном белке (sfGFP). Пока неясно, насколько легко этот опыт перенесется на другие типы белков и биологических систем. Кроме того, остается вопрос биобузопасности: если ИИ так эффективно оптимизирует синтез полезных белков, он теоретически может оптимизировать и создание токсинов. OpenAI заявляет о разработке защитных механизмов, но это направление потребует жесткого контроля в будущем.
ИИ перешел от теории к практике: GPT-5 в связке с роботами оптимизировала биологический процесс, сделав его на 40% дешевле, чего не удавалось сделать людям.
ИИ превзошел людей не просто перебором, а тем, что нашел рецепты, работающие в условиях дефицита кислорода (характерного для робо-лабораторий), которые ученые обычно игнорировали.
