אלפי סוכנים של OpenAI לא מרפאים מחלות

ביולוגיה חישובית אוהבת הבטחות גדולות, ו־AI אוהבת אותן אפילו יותר. השבוע הודיעה OpenAI על שיתוף פעולה עם PerturbAI ומכון המחקר Scripps Research, שבו רשת מבוזרת של 1,946 סוכנים ניתחה נתוני ביטוי גנטי ממיליוני תאים בתוך 32 דקות. הכותרות ברשת מיהרו לדבר על תרופות בזק למחלות ניווניות, אבל האמת הארכיטקטונית פרוזאית בהרבה. המערכת לא המציאה מולקולה ולא ריפאה אף עכבר. היא מנעה את קריסת ההקשר שחונקת מודלים גדולים כשזורקים עליהם יותר מדי עבודה בבת אחת.

מנוע חיפוש ולא מעבדה

החוקרים לקחו נתונים מתוך whole-brain CRISPR atlas, שכלל מדידות מניסויי Perturb-seq על 7.72 מיליון תאי מוח של עכברים על פני כ־2,000 גנים. מדובר בהררי מידע ביואינפורמטי שחוקר אנושי יושב מולם חודשים ארוכים כדי להבין איזה גן משפיע על איזה מסלול תאי. במקום לתת לחוקר יחיד לטבוע במאמרים מ־PubMed, הריצו ב־OpenAI מודל ייעודי למדעי החיים בשם GPT-Rosalind וחילקו את העבודה: כל סוכן קיבל מוטציה בודדת, בחן את התגובה התאית, סרק את הספרות הרלוונטית וניסח השערה.

לפי ההודעה בפרסום של OpenAI על מחקר ביולוגי מבוזר, עבודה כזו באופן ידני הייתה לוקחת חודשים עד שנה. התוצאה שנבנתה היא אטלס שמשלב נתונים ניסיוניים והפניות למאמרים. אבל אסור לטעות: הסוכנים לא ייצרו תגליות יש מאין, אלא הצליבו בין נתוני ביטוי גנטי קיימים למחקרים שכבר פורסמו בעבר ושאיש לא חיבר ביניהם. מי שמצפה לקבל כאן ביולוג ממוחשב שמייצר תרופה, יגלה שקיבל בעיקר מנוע סיכום ואינדוקס ספרות יעיל במיוחד.

לא הייתי ממהר להתרגש מההצהרות על מהפכה רפואית.

ההבדל בין סוכן לאלפיים

ההישג האמיתי בניסוי הזה אינו ביולוגי אלא הנדסי. הצוות ערך בדיקה מבוקרת: הם לקחו סוכן AI בודד ונתנו לו לנתח את כל מסד הנתונים, מול הרשת המבוזרת של אלפי הסוכנים, תחת אותם משאבי מודל בסיסיים. ככל שעומס המידע גדל, הסוכן הבודד קרס תחת הנטל האנליטי. הוא פשוט הפסיק לקרוא לעומק, ציטט 11 מקורות בלבד בעומס הגבוה ביותר, והפיק סיכומים שטחיים שהחמיצו קשרים עדינים.

הרשת המבוזרת, לעומת זאת, שלפה מעל 700 מראי מקום מהספרות המדעית. במבחן עיוור שנערך מול מומחים אנושיים, 75% מהמומחים העדיפו את הדוחות והניתוחים של הסוכנים המבוזרים על פני אלה של הסוכן הבודד. לפי החוקרים, חלוקת משימות מקבילית מאפשרת לבחון טווח רחב בהרבה של תגובות ולקשר אותן לספרות המדעית בלי לפספס רמזים שהיו נעלמים במודל יחיד. מפתחים שבונים כיום מערכות RAG מורכבות מכירים את התופעה הזו היטב: חלון הקשר ענק לא מבטיח שהמודל ישים לב לפרטים הקטנים, בעוד פירוק לנחיל סוכנים ממוקד מחזיר תוצאות עמוקות בהרבה.

שאלת המעבדה הרטובה

הדוגמה המרכזית ש־OpenAI מציגה נוגעת לגן DCTN1, שמוטציות בו גורמות לתסמונת פרי, מחלה ניוונית בעלת מאפיינים דומים לפרקינסון. הסוכנים זיהו ששיבוש הגן הזה בעכברים הוביל לעלייה בביטוי של גנים האחראים על ייצור כולסטרול. המודל הצליב את המידע עם מאמרים שהראו כי כשל בשינוע כולסטרול גורם לתאים לייצר ממנו יותר מדי, והעלה השערה: ייתכן שהפגיעה בחלוקת הכולסטרול בתוך תאי העצב היא חלק ממנגנון ההרס של המחלה.

לפעמים הרמזים כבר שם, מפוזרים בתחומים שונים ופשוט לא חיברנו ביניהם. הקשר האפשרי בין תפקוד עצבי לחילוף חומרים של כולסטרול מראה כיצד חיבור החלקים מעניק דרך חדשה לחשוב על ביולוגיה של מחלות.תומאש נובקובסקי, פרופסור חבר לנוירוכירורגיה ב-UCSF, מתוך הודעת המחקר

הרעיון נשמע אלגנטי, אבל כאן מגיעה ההסתייגות שכל ביולוג מתחיל מכיר: קורלציה חישובית אינה מנגנון ביולוגי מוכח. השערה שנראית מצוין על הנייר עשויה להתפרק ברגע שמכניסים פיפטה למבחנה. החוקרים עצמם מסייגים ומבהירים שמדובר בכיוון למחקר עתידי ולא בממצא קליני מאומת. עד שהשערת הכולסטרול לא תעבור ניסויי מעבדה רטובה במודלים ביולוגיים חיים, היא נשארת בגדר השערה סטטיסטית של מודל שפה.

המחיר סגור וגם הברז

אם אתם מנהלים צוות דאטה בחברת ביוטק בתל אביב ורוצים להרים פייפליין דומה מחר בבוקר, צפויה לכם אכזבה. המודל GPT-Rosalind אינו פתוח לשימוש חופשי ב־API הרגיל, אלא מוגבל למסגרת ייעודית של אישורים ובדיקות בטיחות ביולוגית. OpenAI הכריזה על תוכנית בשם Rosalind Academic Plan, אך הגישה אליה מבוקרת. בנוסף, אין תמחור מקומי בשקלים.

זה שווה משהו רק אם יש לכם גישה למעבדה אמיתית.

בנוסף, הניסוי הזה לא היה זול. OpenAI נמנעה מלפרסם את עלויות המחשוב, צריכת הטוקנים ועלויות התשתית שנדרשו כדי לתזמר 1,946 סוכנים במקביל. הרצת אלפי קריאות API שמשלבות שאילתות חיפוש בספרות, קריאת מאמרים מלאים ועיבוד סטטיסטי מייצרת חשבון ענן שמעט מאוד סטארטאפים בישראל יכולים להצדיק בלי מימון עתק. החברה לא פרסמה נתוני עלות לשאילתה, וזה בדרך כלל אומר שהמספר לא יעשה לכם חשק לנסות.

מה לבדוק לפני הבנייה

הערך של הפרויקט אינו נעוץ בקסם של מודל יחיד אלא באסטרטגיית התוכנה. החוקרים שחררו את קוד התשתית של המערכת המבוזרת ב־מאגר GitHub פתוח, כך שצוותי פיתוח יכולים לבחון כיצד בוצעה חלוקת המשימות. הלקח המרכזי למפתחים ברור: אם אתם מתמודדים עם ניתוח גנומי או חיפוש בספרות מורכבת, אל תנסו לדחוף את כל הנתונים לפרומפט יחיד של מודל מתקדם, גם אם חלון ההקשר שלו מצהיר על מיליון טוקנים.

עם זאת, לא כל משימה דורשת צבא של סוכנים. אם הבעיה שלכם היא אנליזה סטטיסטית של ביטוי גנטי, כלי ביואינפורמטיקה קלאסיים יעשו את העבודה מהר יותר, בזול יותר ובלי סכנה להזיות. ביזור סוכנים שווה את ההשקעה רק כשאתם זקוקים להצלבה של נתונים אמפיריים מול כמויות עצומות של טקסט חופשי. בינתיים, המבחנות במעבדה עדיין מחכות לחוקרים בשר ודם.