OpenAI měří, zda AI zvládne úsudek v biologii

OpenAI posouvá hodnocení AI od školních úloh k práci, kterou dnes dělají vědecké týmy. GeneBench-Pro obsahuje 129 úloh v deseti oblastech výpočetní biologie, včetně statistické genetiky, farmakogenomiky, klinické diagnostiky, proteomiky a nádorové genomiky. Každá úloha dává modelu data, kontext a rozhodovací cíl. Podstatné je, že OpenAI nehodnotí jen správnost čísla. Test míří na úsudek. V biologii výsledek často závisí na tom, zda výzkumník pozná šum, technickou chybu, nevhodnou metodu nebo slabý důkaz. To je důležité pro farmacii a biotechnologie, kde rychlá analýza může ušetřit peníze, ale špatný závěr může zničit celé rozhodnutí. Výsledky ukazují prudký posun i limity. GPT-5.6 Sol dosáhl v nejvyšším režimu uvažování úspěšnosti 28,7 procenta, v režimu Pro 31,5 procenta. OpenAI uvádí, že při budování původního GeneBench dosahoval nejlepší model GPT-5 méně než pěti procent. Modely se tedy zlepšují rychle, ale stále selhávají u většiny úloh. Byznysový dopad je značný. Recenzenti odhadli, že jedna úloha by člověku expertovi trvala 20 až 40 hodin. Při sazbě 200 dolarů za hodinu jde o tisíce dolarů práce. OpenAI uvádí, že inference stojí jen několik dolarů za úlohu. I částečně spolehlivá automatizace tak může zlevnit předvýběr hypotéz, kontrolu analýz a přípravu výzkumných rozhodnutí. Regulace ale bude vyžadovat auditní stopu. Špatná analýza v biologii může ovlivnit vývoj léčiv, diagnostiku i investiční rozhodnutí. Firmy proto nemohou brát podobné modely jako náhradu vědce. Spíše půjde o nástroj, který zrychlí práci, ale vyžaduje ověření, odpovědnost a jasně popsaný postup. Pojmy: Benchmark je testovací sada úloh pro porovnání schopností modelů. Farmakogenomika zkoumá, jak genetika ovlivňuje odpověď na léky. Inference je provozní použití modelu při řešení konkrétní úlohy.

OpenAI měří, zda AI zvládne úsudek v biologii

Celé znění článku máte k dispozici po registraci na Abravito