خالق چت‌جی‌پی‌تی مشکل مهم هوش مصنوعی در حوزه پزشکی را برطرف می‌کند

هوش مصنوعی در پزشکی با یک مانع بنیادی روبه‌رو مانده است؛ کمبود داده‌های دقیق، گسترده و قابل‌استفاده در زیست‌شناسی و فرایندهای درمانی. حالا اوپن‌ای‌آی می‌خواهد بخشی از پول و نفوذ تازه‌اش را صرف پر کردن همین شکاف کند.

شاخه‌ی غیرانتفاعی اوپن‌ای‌آی از طرحی تازه با نام «داده‌های عمومی برای سلامتی» حمایت مالی می‌کند؛ طرحی که قرار است با پرداخت پول، «مجموعه‌داده‌های علمی باکیفیت» بسازد و برای پیشرفت‌های بزرگ‌تر در پزشکی به کار گرفته شود.

ریشه‌ی ایده به پیشنهاد رکس‌اندرا تسلو، تحلیل‌گر سیاست‌گذاری حوزه‌ی کارآزمایی‌های بالینی، برمی‌گردد. او سال گذشته پیشنهاد کرد داده‌های شرکت‌های زیست‌فناوری ورشکسته می‌تواند به‌جای خاک خوردن در پرونده‌های حقوقی، به سوختی برای آموزش مدل‌های پزشکی تبدیل شود.

تسلو این اسناد را «بایگانی گم‌شده‌ی زیست‌فناوری» نامیده بود. منظورش مجموعه‌ای از پرونده‌های نظارتی، راهبردهای تولید و داده‌های ایمنی بود؛ اطلاعاتی که معمولا در ردیف اسرار تجاری قرار می‌گیرند. ایده‌اش ساده اما پرمخاطره بود. اگر یک نهاد بتواند در مزایده‌های ورشکستگی این مدارک را به دست آورد، شاید بتواند آن‌ها را برای آموزش سامانه‌هایی به کار بگیرد که در مسیر پیچیده‌ی تأیید دارو نقش کمکی را بازی می‌کنند.

اوپن‌ای‌آی در دور نخست، ۴۰ میلیون دلار به برنامه‌ای برای جمع‌آوری داده درباره‌ی واکسن‌های نوین سرطان در دانشگاه کارولینای شمالی در چپل هیل، اختصاص می‌دهد. اوپن‌ای‌آی از OpenAdmet هم حمایت می‌کند؛ گروهی که رقابت‌هایی برگزار می‌کند تا پژوهشگران اثرات دارویی را پیش‌بینی کنند. برای طرح بایگانی زیست‌فناوری تسلو هم ۵۰۰ هزار دلار در نظر گرفته شده و اجرای آن را 1Day Sooner برعهده می‌گیرد؛ گروهی حامی داوطلبان کارآزمایی‌های بالینی که تسلو به آن مشاوره می‌دهد.

مورگان لوین، معاون پیشین بخش محاسبات در Altos Labs، می‌گوید مشکل اصلی روشن شده است: «همه دارند می‌فهمند که داده بزرگ‌ترین گلوگاه در به‌کارگیری موفق هوش مصنوعی در زیست‌شناسی است.» همین نگاه، محور تازه‌ی فعالیت اوپن‌ای‌آی را شکل داده؛ نگاهی که می‌گوید مدل‌ها بدون تغذیه‌ی اطلاعاتی بسیار گسترده‌تر، توان عبور از مرزهای درمان را نخواهند داشت.

اوپن‌ای‌آی در بیانیه‌ای نوشت که بسیاری از پیشرفت‌های باقی‌مانده در پیشگیری و درمان بیماری‌ها از پیوند دادن هوش مدل‌های جدید با مشاهده‌های بیشتر از جهان به دست خواهد آمد؛ یعنی داده‌ی بیشتر. سادگی این گزاره فریبنده است، اما در پشت آن یک منطق سنگین قرار دارد. هرچه داده‌ی زیستی دقیق‌تر و حجیم‌تر باشد، امکان آموزش مدل‌هایی که بتوانند پیچیدگی فرایند کشف و تأیید دارو را بفهمند بیشتر می‌شود.

شما فکر می‌کنید خرید داده برای آموزش هوش مصنوعی در پزشکی راه‌حل است یا ریسک تازه؟