چرا OpenAI و Anthropic هر دو به سرعت وارد زیست‌فناوری می‌شوند؟
Tapbit Wire
آیا تاکنون از این پرسیده‌اید که چرا اخیراً تقریباً هر هفته شرکت جدیدی در حوزه هوش مصنوعی اعلام می‌کند که وارد زیست‌فناوری می‌شود؟
انویدیا و الی لیلی در سانفرانسیسکو آزمایشگاهی را مشترکاً می‌سازند؛ آزمایشگاه ایزومورفیک، فرزند DeepMind، در حال کشف دارو است؛ سام آلتمن شخصاً در شرکت طول عمر Retro سرمایه‌گذاری کرده است؛ و Anthropic به‌تدریج در علوم زیستی گسترش می‌یابد. الکس کالویل در این حوزه بسیار آشناست. او هم‌بنیان‌گذار age1 است، اولین صندوق سرمایه‌گذاری ونچر جهان در حوزه طول عمر، که با لورا دِمینگ تأسیس کرد. او مدرک دکترای ژنتیک از استنفورد دارد و در زیست‌شناسی پیری تحقیق کرده است و بیش از ۱۰۰ میلیون دلار در سرمایه‌گذاری‌های طول عمر مدیریت کرده است. این مقاله تنها یک سؤال را دنبال می‌کند: چرا شرکت‌های هوش مصنوعی می‌خواهند در زیست‌فناوری فعالیت کنند، چه کمکی واقعاً می‌توانند بکنند و در کجا با موانع روبه‌رو خواهند شد؟ ابتدا نظرات او را بیان می‌کنم، سپس اندیشه‌های شخصی‌ام را اضافه می‌کنم.
چرا شرکت‌های هوش مصنوعی همگی به زیست‌فناوری روی می‌آورند
الکس با یک عدد شروع می‌کند: دو داروی کاهنده وزن سماگلوتید و تیرزپاتید در مجموع درآمدی بیشتر از مجموع درآمد OpenAI و Anthropic دارند و هنوز سریعاً در حال رشد هستند. بسیاری فرض می‌کنند چنین کسب‌وکاری توسط شرکت‌های فناوری تصاحب خواهد شد، اما این اتفاق نیفتاده است. حدس او این است که شرکت‌هایی مانند OpenAI، Anthropic و گوگل ارزش‌گذاری‌های شگفت‌انگیزی دارند و نیازمند درآمدهایی به همان اندازه شگفت‌انگیز هستند؛ بنابراین وقتی به اطراف نگاه می‌کنند، متوجه می‌شوند که تنها یک دارو در جهان درآمدی بیشتر از کل شرکت‌هایشان دارد که البته این موضوع ارزش بررسی دارد.
دلیل دوم «سایه‌بان» (moat) است. داروها تحت حفاظت امتیاز اختراع هستند و این صنعت به‌شدت تنظیم‌شده است، برخلاف اکثر محصولات فناوری که به‌مرور به سمت کالاهای استاندارد رفته و قیمت‌شان پیوسته کاهش می‌یابد. او مشاهده‌ای را که مارک آندرسن اغلب مطرح می‌کند نقل می‌کند: قیمت‌ها در صنایع تنظیم‌شده به‌طور مداوم افزایش می‌یابند، درحالی‌که قیمت‌ها در صنایع غیرتنظیم‌شده بدون وقفه کاهش می‌یابند. بنابراین از دیدگاه او، زیست‌فناوری در برابر هوش مصنوعی مقاوم است — نمی‌تواند در یک سال توسط Anthropic مختل شود. دلیل ساده است: مشکلات سخت بسیار زیادند و حتی اگر تمام هوش جهان را روی آنها متمرکز کنیم، باز هم زمان زیادی طول می‌کشد.
در مورد Anthropic به‌طور خاص، او می‌گوید این شرکت نقشه‌ای از بازار منتشر کرده که علوم زیستی را یکی از حوزه‌های با بیشترین تأثیر نشان می‌دهد. تیم همچنین عموماً اعلام کرده که این می‌تواند دومین جهت اصلی بازاریابی شرکت باشد، یعنی حداقل در پنج حوزه برتر قرار گیرد. اخیراً Anthropic مدل جدیدی را برای علوم زیستی رونمایی کرد و از برنامه‌های پیش‌بالینی در زمینه‌هایی مانند پیری و بیماری‌های نادر یاد کرد. واکنش او در یک جمله خلاصه می‌شود: وقتی Anthropic به‌صورت عمومی اعلام می‌کند که این اولویت است، یعنی «واقعاً در حال انجام است.»
آنچه در این بخش نادر است این است که انگیزه‌های شرکت‌های هوش مصنوعی را به‌عنوان نجیب و والایی توصیف نمی‌کند. آنها می‌آیند چون بزرگ‌ترین درآمد جهان، عمیق‌ترین سایه‌بان و صنعتی را می‌بینند که هوش مصنوعی فعلاً نمی‌تواند آن را از بین ببرد. دیدن واضح این واقعیت، در واقع قضاوت درباره اقدام بعدی آنها را آسان‌تر می‌کند: نه آن‌جا که جذاب‌ترین است، بلکه آن‌جا که جایگزینی کسب‌وکار سخت‌تر است، عمیقاً ریشه می‌زنند.
دو کاری که هوش مصنوعی تاکنون انجام داده است
پس هوش مصنوعی واقعاً چه کارهایی انجام داده است؟ الکس می‌گوید دو تغییر آشکارترین موارد را می‌بیند.
اولین مورد تولید مولکول‌هاست. برای برخی دسته‌های دارو، طراحی مولکول‌ها اکنون بسیار سریع‌تر و ارزان‌تر از گذشته است و دیگر نیازی به تعامل مکرر انسان‌ها و آزمایشگاه‌ها در هر مرحله نیست — هرچند هنوز فاصله زیادی تا «بدون انسان و بدون آزمایش» وجود دارد. او شرکت‌هایی مانند Nabla Bio را یادآور می‌شود که اکنون قادر به تولید صفر-نمونه (zero-shot) آنتی‌بادی‌ها و مولکول‌های کوچک هستند، یعنی می‌توانند بدون نیاز به مجموعه‌ای از نمونه‌های اولیه، مولکول‌های نامزد را در یک مرحله تولید کنند. اما همچنین می‌گوید که در این مرحله، اکثر کارها روی اهداف شناخته‌شده (پروتئین یا ژنی که دارو روی آن اثر می‌گذارد) متمرکز است و نسخه‌های جدیدی از داروهای موجود را تولید می‌کند — فقط بسیار سریع‌تر. مرحله بعدی، از دیدگاه او، اجتناب‌ناپذیر است: حتی اهداف کاملاً جدید نیز در یک مرحله به این شکل مولکول تولید خواهند کرد.
تغییر دوم معمولی‌تر است. انجام کارهای روزمره اکنون ۳۰ تا ۹۵ درصد سریع‌تر شده است — نوشتن اسناد نظارتی، تحقیق درباره رقبا، جستجوی فرصت‌های همکاری یا آشنایی سریع با یک هدف جدید. قضاوت او این است: یک سال و نیم تا دو سال پیش، راه‌اندازی یک شرکت داروسازی کاری سنگین بود؛ اما اکنون تقریباً «دموکراتیک‌شده» است.
تحلیل من این است که یکی از این موارد درباره «ساختن چیزها» و دیگری درباره «انجام کارها با کارایی بیشتر» است و هر دو در نیمه اول توسعه دارو اتفاق می‌افتند. آنها هزینه و زمان آزمون و خطا را کاهش می‌دهند و به تیم‌های کوچک اجازه می‌دهند سریع‌تر شروع به کار کنند، اما هنوز به سخت‌ترین بخش این صنعت نرسیده‌اند. الکس توضیح می‌دهد که آن بخش چیست.
طولانی‌ترین و پرهزینه‌ترین بخش: جایی که هوش مصنوعی هنوز کمکی نکرده است
بعضی افراد آینده‌ای را تصور کرده‌اند که در آن میلیون‌ها شرکت زیست‌فناوری «بدون کارمند» وجود دارد: با کافی بودن توکن‌ها، دقیقاً مثل نوشتن نرم‌افزار با هوش مصنوعی، می‌توانید در یک نفس تحقیق و طراحی انجام دهید. الکس معتقد است این هنوز بسیار دور از واقعیت است. دلیل او این است که مانع اصلی پس از تولید مولکول رخ می‌دهد. برای تبدیل یک مولکول بهینه‌شده به یک داروی تأییدشده، باید اثربخشی و ایمنی آن را اثبات کنید و این بخش سهم نامتناسبی از هزینه و زمان توسعه دارو را تشکیل می‌دهد. طراحی مولکول خودش سخت و گران است، اما در مقایسه با این بخش، جزئی است. این بخش «آخرین مرز» نامیده شده است: انتخاب چیزی که احتمال موفقیت بالاتری دارد و سپس اجرای کل فرآیند با کمترین هزینه ممکن. حتی اگر یک نفر با هوش مصنوعی یک مولکول طراحی کند، هر چنین شرکتی همچنان نیازمند میلیون‌ها دلار پس از آن است — و این دقیقاً جایی است که هوش مصنوعی امروز کمترین تأثیر را دارد.
به نظر من این بخش آگاهانه‌ترین قسمت کل گفتگو است. روایت هوش مصنوعی همیشه حول «هوشمندتر شدن» می‌چرخد، اما در نهایت داروها بر اساس هوش رقابت نمی‌کنند، بلکه بر اساس اثبات‌شده بودن رقابت می‌کنند. اثبات نیازمند بیماران، زمان، نهادهای نظارتی و پول است و هیچ‌کدام از این موارد به‌خاطر بهبود مدل‌ها به‌طور خودکار کاهش نمی‌یابند. این همچنین توضیح می‌دهد که چرا شرکت‌های هوش مصنوعی تمایل به ورود دارند، اما هیچ‌کس جرأت نمی‌کند بگوید فردا داروها ارزان‌تر می‌شوند.
در حوزه طول عمر، هنوز سرمایه کم و محصولی وجود ندارد
بازگشت به حوزه‌ای که در آن سرمایه‌گذاری می‌کند. طول عمر حوزه‌ای است که مردم بیش از هر چیز دیگری با هوش مصنوعی مرتبط می‌دانند، اما واقعیت آن ساده‌تر از آنچه بسیاری تصور می‌کنند است. الکس برآورد می‌کند که ارزش کل شرکت‌هایی که روی پیری تمرکز دارند، تنها حدود ۱۵ میلیارد دلار است و تعداد شرکت‌ها و سرمایه‌گذاری‌های آنها حدود یک پنجاه‌ام تعداد و حجم سرمایه‌گذاری‌های حوزه انکولوژی است. سرمایه‌گذاری‌های بزرگی که در اخبار ظاهر می‌شوند، در نمودار ستونی مقایسه با سرمایه‌گذاری‌های هوش مصنوعی تقریباً نامرئی هستند. بنابراین نتیجه‌گیری او این است: هر دلار اکنون اهرم عظیمی دارد و ما هنوز در ابتدای روند قرار داریم.
مهم‌تر اینکه، این حوزه هنوز هیچ محصول تجاری اثبات‌شده‌ای برای کاربرد در انسان‌ها ندارد. او انتظار دارد اولین دسته از این محصولات ظرف ده سال آینده ظاهر شوند و هدف آنها تأخیر یا پیشگیری از برخی جنبه‌های پیری خواهد بود — نه فناوری شگفت‌انگیزی، بلکه اولین نقطه اثبات عملی. او این لحظه را «لحظه ChatGPT» حوزه طول عمر می‌نامد، با این تفاوت که بازخورد آن به‌اندازه اولین بار استفاده از یک مدل بزرگ فوری نخواهد بود. پدربزرگش یکی از اولین سربازان آمریکایی بود که با پنی‌سیلین درمان شد و پس از یک دوره ذات‌الریه که تقریباً جانش را گرفت، تا دهه نود عمر کرد. او می‌گوید منتظر «لحظه پنی‌سیلین» طول عمر بوده است و این لحظه را ده تا پانزده سال دیگر پیش‌بینی می‌کند. همان‌طور که امروزه افراد در سن معینی برای پیشگیری از بیماری‌های قلبی-عروقی استاتین مصرف می‌کنند، او منتظر یک «استاتین» برای سیستمی غیر از قلبی-عروقی است.
نزدیک‌ترین چیز به انسان‌ها، یک دارو برای سگ‌هاست. شرکت Loyal یک داروی خوراکی روزانه برای افزایش طول عمر سگ‌ها تولید می‌کند که ممکن است اولین درمان افزایش‌دهنده عمر باشد که توسط اداره غذا و داروی ایالات متحده (FDA) تأیید شود. او می‌گوید هم تأیید اثربخشی و هم تأیید ایمنی انجام شده‌اند و فقط فرآیند تولید باقی مانده است که احتمالاً تا پایان سال آینده تکمیل خواهد شد، هرچند عدم قطعیت همچنان وجود دارد. نسخه انسانی این دارو، به گفته او، هنوز چند سال دیگر فاصله دارد.
نسل دوم جسورانه‌تر، دورتر از این است و اینجاست که هوش مصنوعی نقش بزرگی ایفا خواهد کرد. یکی از دسته‌ها جایگزینی سلول‌ها و بافت‌های قدیمی با سلول‌ها و بافت‌های جدید در پنجاه سال آینده است؛ دسته دیگر بازبرنامه‌ریزی اپی‌ژنتیک است که نوع سلول را تغییر نمی‌دهد، بلکه تنها «سن» سلول را به عقب می‌برد. این همان چیزی است که خودش در نیمه اول دوره دکترایش مطالعه کرده است. او شرکت NewLimit را پیشرفته‌ترین شرکت در این زمینه می‌داند که بیش از ۶۰۰ میلیون دلار نقدینگی دارد. آنها با کبد شروع کردند و با استفاده از فناوری mRNA، در موش‌های پیر درمانی ایجاد کردند که این موش‌ها قادر به تحمل آسیب الکلی مانند موش‌های جوان بودند و حالا به سلول‌های ایمنی و کلیه‌ها گسترش می‌یابد. اما او تأکید می‌کند که هیچ رویکردی به‌تنهایی همه چیز را حل نخواهد کرد: ماتریکس خارج سلولی (ساختار پشتیبان خارج از سلول‌ها) نیز آسیب می‌بیند و تنها بازگرداندن سن داخل سلول‌ها ممکن است کافی نباشد — چندین مسیر باید همزمان پیش برود.
فکر می‌کنم این بخش به‌صورت خوشایندی واقع‌گرا است. بیرون، سر و صدای زیادی وجود دارد؛ اما درون، چند شرکت، چند موش و یک دارو برای سگ است. وظیفه هوش مصنوعی در اینجا جایگزینی آن اعتبارسنجی طولانی نیست، بلکه امکان آزمایش سریع‌تر تعداد بیشتری از مسیرهای احتمالی را فراهم می‌کند.
دیدگاه او درباره شرکت‌های هوش مصنوعی و امنیت زیستی
زیست‌شناسی ویژگی‌ای دارد که صنایع دیگر ندارند: همان مجموعه قابلیت‌ها می‌تواند هم درمان‌دهنده باشد و هم برای آسیب رساندن به انسان‌ها استفاده شود. الکس می‌گوید بسیار خوشحال است که بنیان‌گذاران تقریباً تمام آزمایشگاه‌های پیشرو واقعاً به امنیت زیستی و تهدیدهای همه‌گیری و تروریسم زیستی اهمیت می‌دهند. او فکر می‌کند اگر مدیرعامل معمولی یک شرکت بزرگ در جایگاه این آزمایشگاه‌ها قرار می‌گرفت، احتمالاً به همان میزان اهمیت نمی‌داد. او فکر نمی‌کند این آزمایشگاه‌ها همیشه درست عمل می‌کنند یا کافی انجام می‌دهند — چرا که در چنین موقعیتی همیشه درست بودن سخت است — اما این اهمیت‌گذاری واقعی است و از آن سپاسگزار است.
او درباره لایه شهرت نیز صریح است. این آزمایشگاه‌ها خوب می‌دانند که همین‌که به‌عنوان درمان‌دهنده سرطان دیده شوند، محدود کردن یا تعطیل کردن آنها سخت می‌شود. او اعتراف می‌کند که پنهان شدن پشت این هاله ممکن است کمی نگران‌کننده باشد، اما معتقد است این اهمیت واقعی آنها برای بشریت سود بزرگی است. همچنین می‌گوید علاوه بر تروریسم زیستی، کاربردهای هوش مصنوعی در زیست‌شناسی تقریباً بدون جنجال است — چیزی واقعاً خوب برای بشریت، برخلاف سایر کاربردها که تفکیک خوب و بد در آنها سخت است.
چند نکته شخصی من
با نگاهی به عقب، چیزهایی که الکس توصیف کرد واقعاً چند لایه از یک داستان واحد هستند. چرا شرکت‌های هوش مصنوعی وارد می‌شوند: بزرگ‌ترین درآمد و عمیق‌ترین دیوار محافظ. چه چیزهایی می‌توانند کمک کنند: طراحی مولکولی و بهبود کارایی روزمره. چه چیزهایی نمی‌توانند کمک کنند: اعتبارسنجی انسانی که گران‌ترین و کندترین بخش است. و در یک مرز پیشرو مانند طول عمر، هنوز پول کم است و اولین محصول حتی ظاهر نشده است. وقتی این لایه‌ها را با هم ترکیب کنیم، نتیجه‌ای ساده و واضح حاصل می‌شود: هوش مصنوعی «اندیشیدن» را ارزان کرده است، اما «اثبات آن» را ارزان نکرده است.
دیدگاه من این است که این امر برای تماشاگران و سازندگان معانی متفاوتی دارد. تماشاگران توسط اخباری مانند «شرکت X وارد بیوتکنولوژی می‌شود» جذب می‌شوند و احساس می‌کنند داروها به‌زودی ارزان می‌شوند و انسان‌ها طولانی‌تر زندگی می‌کنند. سازندگان باید یک سؤال دیگر بپرسند: آیا این شرکت مشکل ایده‌پردازی را حل می‌کند یا مشکل اثبات؟ هوش مصنوعی اولی را تسریع می‌کند؛ اما دومی هنوز به زمان، بیماران و پول وابسته است.
البته آنچه الکس ارائه می‌دهد قضاوت است، نه پیش‌بینی. اینکه آیا اولین محصول طول عمر ظرف ده سال آینده ظاهر خواهد شد و آیا هوش مصنوعی می‌تواند هزینه اعتبارسنجی را کاهش دهد، هر دو هنوز قابل مشاهده است. اما رتبه‌بندی‌ای که او ارائه می‌دهد مفید است: اگر بتواند فقط روی یک دسته شرکت شرط بندی کند، روی دسته‌ای که اولین بار قابل اثبات است — یعنی تأخیر و پیشگیری از پیری — شرط می‌بندد و جایگزینی و بازبرنامه‌ریزی تنها پنج سال بعد نوبت خود را خواهند داشت.
ایده‌ها همچنان ارزان‌تر می‌شوند. اما اثبات نخواهد شد.
