Když se mluví o umělé inteligenci, většina lidí si představí chatbota, generování textu nebo kódu. Jenže v zákulisí se děje něco mnohem zajímavějšího. AI se začíná posouvat do laboratoří, do výzkumných workflow a do oblastí, kde může mít velmi konkrétní dopad na biologii, vývoj léčiv a jednou možná i léčbu nemocí, které dnes působí téměř neřešitelně.
Právě tímto směrem se ubírá práce OpenAI v life sciences. Výzkumná vedoucí Joy Jiao a produktová vedoucí Yunyun Wang popsaly, jak vzniká nová generace modelů zaměřených na biochemii, genomiku a proteiny, jak tyto systémy pomáhají vědcům už dnes a proč je v této oblasti stejně důležitá bezpečnost jako samotná schopnost modelů.
Na celé věci mě fascinuje hlavně to, že nejde jen o další software pro výzkum. Jde o snahu proměnit samotnou rychlost vědy. Místo toho, aby se výzkumník topil v literatuře, ručně přepisoval tabulky, optimalizoval pipetovací kroky nebo týdny čekal na vyhodnocení hypotéz, může část této práce převzít AI. A pokud se to podaří dobře, vědci nebudou nahrazeni. Budou zesíleni.
Obsah
- 🧬 Nová modelová řada pro life sciences
- 🔬 Co už dnes modely v laboratoři zvládnou
- 🤖 Od osobního asistenta k celé agentní výzkumné pracovní síle
- ⚗️ Ginkgo Bioworks a první „nenulové“ výsledky v autonomní laboratoři
- 🧪 Proč je laboratoř pořád pomalá a proč AI může změnit tempo vědy
- 🛡️ Biorizika, biosecurity a proč nestačí mít jen schopný model
- 📊 Jak se vůbec hodnotí AI modely v biologii
- 💻 Proč je výpočetní výkon pro vědu tak důležitý
- 💊 Kde může AI pomoci nejdřív: objevování léčiv, repurposing a personalizovaná medicína
- 🧠 AI jako skeptický vědec, ne jen poslušný asistent
- 🌍 Přijetí mezi vědci: nadšení na Západním pobřeží, větší skepse na Východě
- 📚 Rady pro studenty a výzkumníky, kteří nevědí, kde začít
- 🚀 Co se může změnit během 6 až 12 měsíců
- 🔭 Jak může vypadat věda za deset let
- ❤️ Proč je tahle oblast důležitější, než se na první pohled zdá
🧬 Nová modelová řada pro life sciences
OpenAI mluví o nové sérii modelů zaměřených na life sciences jako o biochemicky orientované modelové řadě, která je navržená kolem skutečně složitých výzkumných workflow. To je důležitý posun.
Dřívější generace modelů byly skvělé hlavně na text, později na kód, konverzaci a obecné reasoning úlohy. Jenže výzkum v biologii a medicíně má své vlastní potřeby. Nestačí umět plynule vysvětlovat článek nebo napsat skript. Model musí chápat mechanistické souvislosti. Musí rozumět tomu, jak spolu souvisejí geny, proteiny, buněčné dráhy, chemické reakce a experimentální data.
První důraz je proto na:
- genomické porozumění
- porozumění proteinům
- časné fáze objevování, kde se často zasekne celý výzkumný proces
Podle Yunyun Wang je právě early discovery jedním z největších úzkých hrdel moderní biologie. Tady může delší „čas na přemýšlení“, větší výpočetní výkon a schopnější AI modely reálně odstranit část bariér, které dnes zpomalují vědecký postup.
Nejde ale jen o samotný model. Stejně důležitá je i orchestrace modelů do pracovních postupů. Jinými slovy, AI musí být zabudovaná tam, kde vědci opravdu pracují. Někde dává smysl ChatGPT pro syntézu literatury a vysvětlování článků. Jinde se hodí Codex pro delší agentní workflow, nástroje a automatizaci opakovaných úloh.
Praktickým příkladem je life sciences research plugin s více než 50 „skills“, tedy šablonovitých a opakovatelných workflow. Může jít třeba o:
- křížové porovnávání důkazů z více publikací
- vyhledávání napříč odbornými texty
- analýzu biologických drah
- další často opakované úkoly translational biology týmů
Tohle je podle mě podstatná zpráva: AI pro life sciences nemá být jen chytrý chat. Má se stát použitelnou součástí vědecké infrastruktury.
🔬 Co už dnes modely v laboratoři zvládnou
Když se mluví o AI v biologii, člověk snadno sklouzne k futuristickým vizím. Jenže už teď existuje řada velmi konkrétních use casů, které nejsou sci-fi vůbec.
Joy Jiao popisuje, že modely dokážou fungovat podobně jako běžný výpočetní biolog. Umějí používat nástroje, spouštět open source algoritmy pro predikci proteinových struktur, analyzovat výstupy, upravovat vstupy a znovu iterovat. To je v podstatě to, co by dělal člověk před počítačem, jen rychleji a ve větším měřítku.
Zároveň ale zaznívá, že skutečná síla přijde tehdy, když model nebude jen „uživatelem nástrojů“, ale začne se chovat spíš jako odborník na biochemii. Tedy systém s intuicí, který ví, kdy jaký nástroj použít, jak interpretovat výsledky a jak se rychleji dostat ke správné odpovědi.
V praxi to dnes může znamenat velmi rozdílně náročné úkoly. Od těch jednoduchých až po velmi pokročilé:
- vytvoření tabulky pro minimalizaci pipetovacích kroků
- analýza experimentálních dat
- návrh vlastního softwaru pro vizualizaci výsledků
- spouštění kódu na vzdálených strojích a monitorování logů
- návrh enzymů nebo práce s biologickými design tools
Ten rozptyl je obrovský. A právě to ukazuje, že AI v laboratoři není jedna konkrétní funkce. Je to spíš vrstva inteligence nad mnoha činnostmi, které se dřív dělaly ručně, pomalu nebo roztříštěně.
Od surových dat k interaktivním výstupům
Jeden hezký detail z praxe: místo posílání surových dat si tým začal posílat HTML soubory, které Codex vytvořil jako přehledná rozhraní s vizualizacemi, včetně rotujících proteinových struktur. To zní jako drobnost, ale ve skutečnosti to ukazuje hlubší změnu.
Nejde jen o to analyzovat data. Jde o to, měnit způsob spolupráce. Když se výsledky sdílejí ve srozumitelnější a interaktivní podobě, zrychluje se i samotné rozhodování v týmu.
🤖 Od osobního asistenta k celé agentní výzkumné pracovní síle
Yunyun Wang popisuje adopci AI ve vědě ve dvou krocích. Nejprve má každý vědec svého osobního asistenta nebo spolupracovníka. To je už dnes poměrně dobře představitelné. Model pomůže s rešerší, analýzou, skripty, statistikou, přípravou experimentu nebo vyhodnocením dat.
Druhý krok je mnohem ambicióznější. Celý výzkumný tým nebo instituce bude moci nasadit workforce složenou z agentů, kteří si budou paralelně dělit úkoly a společně pracovat na rozsáhlejších problémech.
Tohle je zásadní změna optiky. Nejde už jen o „AI mi pomůže“. Jde o to, že výzkumné organizace mohou získat nový operační model, kde:
- jeden agent syntetizuje literaturu,
- druhý navrhuje experimenty,
- třetí připravuje analýzu dat,
- čtvrtý sleduje výstupy z nástrojů,
- a člověk se soustředí hlavně na interpretaci, směr a rozhodování.
Mně na tom přijde nejdůležitější jedna věc: vědecký bottleneck se může přesunout. Dnes je často limitujícím faktorem lidský čas, lidská pozornost a schopnost manuálně zvládat obrovské množství informací i experimentálních kroků. Cílem je, aby v budoucnu byla hlavním limitem spíš výpočetní kapacita než lidská kapacita.
⚗️ Ginkgo Bioworks a první „nenulové“ výsledky v autonomní laboratoři
Jedním z nejzajímavějších momentů celé debaty je spolupráce s Ginkgo Bioworks. Ta ukazuje, jak se AI může propojit s robotickou laboratoří a co se stane, když model není jen analytický pomocník, ale je přímo v experimentální smyčce.
Když tahle spolupráce začínala v roce 2025, GPT-5 právě dokončil trénink a tým si podle Joy Jiao nebyl jistý ani tím, zda model „umí nějakou biologii“. Tréninková data byla z velké části orientovaná na matematiku a počítačovou vědu, tedy disciplíny, kde existují ověřitelné správné odpovědi. Biologie je v tomto směru mnohem tvrdší. Často nevíte, zda je hypotéza správná, dokud ji neověříte v laboratoři.
První otázka tedy byla velmi prostá: dokáže model navrhnout experimenty, které povedou alespoň k nějakému biologickému výsledku?
A odpověď byla překvapivě povzbudivá. Když GPT-5 navrhl první sérii experimentů a výsledky se vrátily z laboratoře, vzniklo nenulové množství požadovaného proteinu. Nebyl to okamžitě převratný medicínský zázrak. Ale byl to velmi důležitý signál. Model dokázal navrhnout biologicky funkční experiment.
Od té chvíle se podle Joy posunul pocit z „nevíme, jestli to vůbec umí“ k „je vlastně zřejmé, že modely mohou vědu urychlovat“. A to během zhruba šesti měsíců.
Tento příklad je důležitý i z jiného důvodu. Ukazuje, že v biologii nestačí benchmark na papíře. Nakonec rozhoduje wet lab. Realita. To, co skutečně funguje v experimentu.
🧪 Proč je laboratoř pořád pomalá a proč AI může změnit tempo vědy
Kdo někdy navštívil moderní biologickou laboratoř, zná ten zvláštní kontrast. Na jedné straně špičkové přístroje, drahé sekvenátory, automatizace, pokročilý software. Na druhé straně člověk, který pořád dokola pipetuje malé objemy tekutin z jedné jamky do druhé.
Právě tohle Joy i Yunyun opakovaně zmiňují s lehkou nadsázkou. Nikdo nemá rád pipetování. A za humorem je skutečný problém: obrovská část vědy stále stojí na manuální práci a na omezené kapacitě lidských rukou.
AI může tento problém zmírnit několika způsoby:
- zkrátí čas potřebný k návrhu experimentu
- zrychlí převod protokolu do podoby použitelné pro laboratorní automatizaci
- pomůže analyzovat data i lidem, kteří nejsou experti na statistiku
- umožní paralelní zpracování většího množství hypotéz
Joy zmiňuje i zkušenost partnerů, kteří říkají, že Codex pomáhá převádět laboratorní protokoly do podoby, kterou lze spustit na automatizačních platformách. To je důležité, protože samotná robotika nestačí. Někdo musí protokol přeložit do „řeči stroje“. A právě tam může AI fungovat jako překladová vrstva mezi biologem a laboratoří.
🛡️ Biorizika, biosecurity a proč nestačí mít jen schopný model
Žádná seriózní debata o AI pro biologii se dnes neobejde bez otázky biosecurity. Pokud model umí pomoci s návrhem experimentů, syntézou postupů nebo porozuměním patogenům, stejná schopnost by teoreticky mohla být zneužita i škodlivě.
Yunyun Wang to popisuje velmi přímo: bio je jeden z nejzávažnějších rizikových směrů u rostoucích AI schopností. A problém je o to těžší, že hranice mezi legitimním a nelegitimním použitím nemusí být z textového zadání vůbec patrná.
Typický příklad: někdo požádá o pomoc s klonováním genu. Model nemusí vědět, zda jde o neškodný fluorescentní protein, nebo toxin. Samotný požadavek může vypadat zcela běžně. Stejně tak řada kroků vedoucích k užitečnému výzkumu se může nápadně podobat krokům, které by použil škodlivý aktér.
To znamená, že jednoduché filtrování podle promptu má své limity.
Diferencovaný přístup místo univerzální otevřenosti
Proto OpenAI mluví o differentiated access, tedy diferencovaném přístupu. Myšlenka je poměrně intuitivní. Ne každý uživatel by měl mít přístup ke stejně silným biologickým schopnostem modelu.
V legitimních institucích, jako jsou výzkumné organizace nebo farmaceutické firmy, existují:
- sledované reagencie,
- evidence buněčných linií,
- bezpečnostní pravidla,
- odborný dohled,
- interní procesy a regulace.
To dává větší jistotu, že model slouží skutečnému výzkumu a ne někomu „v suterénu“, jak to Joy formulovala velmi obrazně.
V běžném otevřeném provozu se naopak OpenAI rozhodla být výrazně opatrnější. Pokud existuje potenciál zneužití, model může žádost odmítnout nebo nabídnout jen obecný přehled místo detailního návodu. To samozřejmě může frustrovat profesionální vědce, kteří chtějí přesnou a praktickou pomoc. Ale bez nějaké formy řízeného přístupu by bylo velmi těžké udržet rozumnou úroveň bezpečnosti.
Safeguards jako součást produktu, ne dodatečný filtr
Na tomto poli je zajímavé, že bio není jen „další bezpečnostní kategorie“. Je to oblast, kde se schopnost a riziko zvyšují současně. Čím je model lepší v biologii, tím užitečnější může být pro výzkum, ale také tím citlivější je otázka nasazení.
Proto OpenAI mluví o inkrementálním nasazování. Nejprve schopnosti opatrně testovat, sledovat, vyhodnocovat a až poté rozšiřovat použití. V life sciences zkrátka není prostor pro přístup „nejdřív to vypusťme, pak uvidíme“.
„Nejbezpečnější model by byl model bez schopností. Jen by nebyl moc užitečný.“
Tohle přesně vystihuje celé napětí mezi přínosem a rizikem. Cílem není vytvořit sterilní systém, který nic neumí. Cílem je dostat schopnosti tam, kde mohou být skutečně užitečné, a zároveň udržet kontrolu nad tím, kdo a jak je používá.
📊 Jak se vůbec hodnotí AI modely v biologii
U matematiky nebo programování je evaluace relativně přímočará. Odpověď je správně, nebo špatně. V biologii je to složitější.
Joy Jiao popisuje několik cest, jak výkon modelů hodnotit:
- existující experimentální data, kde se zkouší, zda model dovede předpovědět výsledek neviděného experimentu,
- syntetická data, do kterých výzkumníci záměrně vloží pasti, biasy, QC problémy nebo potřebu statistických korekcí,
- rekonstrukce již známých experimentů, aby bylo možné srovnat výkon s existujícím stavem poznání,
- wet lab validace, tedy finální ověření v reálném biologickém experimentu.
Zvlášť zajímavá je práce se syntetickými daty. Pokud tým data sám vygeneruje, může přesně vědět, jaké chyby nebo zkreslení v nich jsou, a otestovat, jestli je model odhalí stejně jako zkušený výpočetní biolog.
Yunyun Wang zároveň zdůrazňuje, že evaly musí přestat být „toy problems“. Nestačí umělá hračka. Je potřeba zachytit nepořádek skutečné vědy, včetně předzpracovaných dat, nejasností a workflow, jaká se objevují v praxi.
Jedním z evalů, který ji zvlášť zajímá, je předpovídání vazby protilátek na existující virové varianty. Když model zvládne nejprve reprodukovat známý výsledek, otevírá se cesta k tomu zkoušet i dosud neřešené varianty. A to už vede směrem k návrhu nových protilátek, léčeb a potenciálně i vakcín.
💻 Proč je výpočetní výkon pro vědu tak důležitý
Jedna z nejzajímavějších částí celé debaty se týká výpočetního výkonu. O datových centrech se často mluví, jako by šlo jen o infrastrukturu pro více chatů, obrázků nebo textu. Jenže v life sciences je compute něco mnohem zásadnějšího.
Joy rozlišuje dva směry škálování:
Větší modely
První osa je klasická. Větší modely s více parametry přinášejí nové emergentní schopnosti. To jsme už viděli při přechodu od GPT-2 k GPT-3 a dále. To, co dřív působilo překvapivě, je dnes téměř samozřejmé.
Test-time compute scaling
Druhá osa je ale možná ještě důležitější. Jde o škálování výpočtu při samotném řešení úlohy. Model může „přemýšlet“ déle, podle obtížnosti úkolu, a věnovat komplexnímu problému mnohem více inferenčního času.
Právě tady zaznívá velmi ambiciózní slogan týmu:
„Scale test-time compute to cure all disease.“
Jakkoli to zní odvážně, dává to smysl. V biologii a medicíně nejde jen o rychlou odpověď na jednoduchý dotaz. Jde o dlouhé řetězce reasoning kroků, kombinaci literatury, dat, hypotéz, simulací, nástrojů a experimentálních výsledků. Pokud může model nad problémem pracovat hodiny nebo dny, dostává se na úplně jinou úroveň obtížnosti.
To je také důvod, proč se compute stává strategickou otázkou. Ne kvůli více konverzacím, ale kvůli tomu, že budoucí AI systémy mají fungovat jako platformy pro rozsáhlé vědecké myšlení a výzkumné workflow.
💊 Kde může AI pomoci nejdřív: objevování léčiv, repurposing a personalizovaná medicína
Vývoj nového léku je dlouhý a drahý proces. I když AI pomůže objevit zajímavou biologii už dnes, dostat se až k léku na trhu může trvat deset let nebo déle. To ale neznamená, že přínos AI je vzdálený.
Joy upozorňuje na několik oblastí, kde se dopad může projevit dříve:
- drug repurposing, tedy hledání nových použití pro už schválené léky,
- návrh RNA terapií a ASO,
- zrychlení návrhu léčiv proti známému cíli,
- podpora bezpečnostních revizí a pozdějších fází pipeline.
Právě repurposing je obzvlášť zajímavý. Pokud už existuje lék schválený FDA pro jednu indikaci a model rozumí jeho mechanismu účinku, může navrhnout, zda by dočasně nepomohl i u jiné choroby nebo symptomů. To je mnohem kratší cesta než objevovat vše od nuly.
Velkou naději vzbuzuje i personalizovaná medicína. U velmi vzácných nebo tzv. orphan diseases bývá problém nejen medicínský, ale i ekonomický. Na řešení často není dost lidí, času ani peněz. Pokud AI pomůže navrhnout individualizované přístupy a zlevní část výzkumného procesu, může se otevřít prostor i pro pacienty, kteří dnes stojí mimo hlavní proud farmaceutického zájmu.
🧠 AI jako skeptický vědec, ne jen poslušný asistent
Jedna myšlenka od Yunyun Wang mi přišla mimořádně trefná. U vědeckých úloh nemusí být nejlepší ten model, který je co nejvíc vstřícný. Někdy potřebujete spíš model, který je kritický, skeptický a dobrý v rozlišování nápadů.
Ve vědě totiž nejde jen o generování možností. Těch je nekonečně mnoho. Mnohem těžší je vybrat, co má smysl testovat.
To platí například pro:
- výběr slibných hypotéz z množství nových publikací,
- hodnocení originality a proveditelnosti nápadů,
- screening a selekci disease targetů,
- zúžení „apertury“ z obrovského prostoru možností.
Právě tady může být AI mimořádně užitečná. Ne jako generátor bez hranic, ale jako systém, který pomáhá s prioritizací a kritickým myšlením ve velkém měřítku.
🌍 Přijetí mezi vědci: nadšení na Západním pobřeží, větší skepse na Východě
Adopce AI ve vědecké komunitě není všude stejná. Joy Jiao poznamenává, že na západním pobřeží USA jsou lidé obecně mnohem víc „AI-pilled“, tedy naklonění představě AI vědce a agentních workflow. Na východním pobřeží je podle ní skepticismu víc.
To vlastně nepřekvapí. Část rozdílu může být kulturní, část souvisí s tím, že velké AI laboratoře jsou soustředěné právě na západě, takže tamní komunita vidí schopnosti modelů z větší blízkosti.
Jak se tenhle rozdíl překlene? Odpověď je pozoruhodně prostá:
- ukazovat užitek v malých krocích,
- publikovat výsledky,
- spolupracovat s vědeckou komunitou,
- vítat skeptické otázky místo toho, aby byly vnímány jako překážka.
Pokud model někomu ušetří práci už jen tím, že připraví tabulku pro sériové ředění nebo pomůže pochopit složitý článek, je to první praktický krok. Pokud pak přijdou hlubší výzkumné spolupráce, publikace a wet lab validace, roste i důvěryhodnost celé technologie.
Yunyun k tomu dodává důležitou věc: skepticismus je zdravý. Vzhledem k tomu, jak velký potenciál tato technologie má, je opatrnost a snaha věci zpochybňovat vlastně správná reakce.
📚 Rady pro studenty a výzkumníky, kteří nevědí, kde začít
Hodně lidí cítí, že by AI měli nějak zapojit do své práce, ale nevědí jak. A právě to vytváří zvláštní stres. Technologie je zjevně důležitá, jenže začít může být těžké.
Joy i Yunyun nabízejí poměrně praktické rady.
Pro studenty
Joy připomíná, že biologie byla tradičně vnímaná jako obor založený hlavně na memorování. Její naděje je, že AI tento poměr změní. Méně memorování, více objevování souvislostí.
Doporučení pro studenty zní jednoduše:
- číst odborné články a ptát se AI na vysvětlení,
- dělat hlubší i širší průzkum témat,
- využívat AI ke spojování různých oborů,
- nebát se klást „hloupé otázky“, protože model nesoudí.
Yunyun k tomu přidává ještě jeden motiv: budoucnost biologie může být mnohem spolupracující. Podobně jako v programování, kde je běžné sdílet skripty, workflow a nápady, by i biologové mohli pracovat v těsnější spolupráci se svými vlastními „co-scientisty“, tedy agentními pomocníky.
Pro výzkumníky a lidi z laboratoří
Pokud někdo říká „na AI teď nemám čas“, rada zní nezačínat něčím těžkým. Nejlepší je zkusit nízkoprahové scénáře:
- nahrát PDF článku a nechat si ho vysvětlit
- probrat s modelem vlastní interpretaci studie
- nechat si pomoci s analýzou experimentálních dat
- zkusit menší hobby nebo passion project, kde člověk není pod tlakem výsledku
Yunyun doporučuje, aby přijetí AI „hned nepůsobilo jako práce“. To mi připadá jako výborná rada. Jakmile člověk objeví jednu nebo dvě užitečné věci v menším a bezpečnějším kontextu, mnohem snáz pak AI přenese i do své hlavní práce.
Důležitá je i týmová rovina. Hodně nových workflow vzniká tak, že někdo v týmu objeví užitečný postup a ukáže ho ostatním. AI schopnosti jsou často tak široké, že jejich skutečný potenciál vychází najevo teprve při společném experimentování.
🚀 Co se může změnit během 6 až 12 měsíců
V krátkodobém horizontu nejsou ambice malé. Joy říká, že by se ráda dostala do bodu, kdy půjde říct, že AI navrhla nový lék nebo pomohla vyléčit nemoc. Uznává, že během šesti měsíců to nemusí být realistické, ale v horizontu několika let už to za možné považuje.
V nejbližším období se dá čekat především:
- lepší práce s literaturou a biologickým objevováním,
- silnější mechanistické porozumění modelů,
- rozšiřování nástrojů pro research workflow,
- větší zapojení do target selection a design fáze,
- první konkrétní objevy nebo patenty podpořené modely.
Právě možnost, že by výzkumník mohl pomocí těchto platforem dojít k patentovatelnému objevu, považuje Yunyun za velké vítězství. Proto se tým soustředí na rané fáze discovery a na to, aby modely skutečně rozuměly biologickým mechanismům, ne jen textově napodobovaly odborný jazyk.
🔭 Jak může vypadat věda za deset let
Nejodvážnější část celé debaty míří o dekádu dopředu. A právě tam je vidět, jak velká tato vize vlastně je.
Joy popisuje svět autonomních laboratoří. Jsou z velké části robotické, propojené s AI a fungují jako autonomní výzkumné instituce. Neustále provádějí experimenty, navrhují nové hypotézy, vyvíjejí materiály, léčiva nebo personalizované terapie. Člověk zůstává ve smyčce, ale jeho role se posouvá k určování směru, interpretaci a rozhodování na vyšší úrovni.
Tahle představa zahrnuje i oblast bioobrany. Systémy by mohly průběžně vzorkovat prostředí, odpadní vody nebo vzduch a včas zachytávat potenciální biologické hrozby. To by pomohlo nejen u extrémních scénářů, ale i u každoročních problémů, jako jsou nové varianty chřipky a potřeba rychlejších protiopatření.
Yunyun zdůrazňuje jiný, ale komplementární rozměr: demokratizaci vědy. Pokud se opravdu podaří vložit expertní biologické znalosti do rukou mnohem většího počtu lidí, může to zásadně proměnit personalizovanou medicínu, výzkum vzácných nemocí i společenskou připravenost na nové biologické hrozby.
❤️ Proč je tahle oblast důležitější, než se na první pohled zdá
Na AI se dnes často díváme optikou produktivity v kanceláři. Rychlejší e-maily, lepší shrnutí, efektivnější kód. Life sciences ale ukazují, že sázky jsou mnohem vyšší.
Tady může lepší model znamenat:
- rychlejší nalezení slibného targetu,
- méně slepých experimentů,
- lepší interpretaci špinavých dat,
- rychlejší přenos nápadu do robotické laboratoře,
- větší šanci, že se někdo bude věnovat i vzácným nemocem, které dnes nemají dost pozornosti.
Zároveň je to oblast, kde nestačí být jen optimista. Je potřeba být i opatrný, disciplinovaný a bezpečnostně důsledný. To je možná nejzajímavější kombinace, která z celé debaty vystupuje. Obrovská ambice a zároveň velmi střízlivé vědomí rizik.
Pokud bych si měl odnést jednu hlavní myšlenku, pak asi tuto: budoucnost AI v biologii není jen o tom, že vědec položí modelu dotaz. Je o tom, že vzniká nový operační systém pro vědecké objevování. A pokud bude postavený dobře, mohl by změnit nejen rychlost laboratoří, ale i to, které problémy bude lidstvo schopné řešit.
Možná to nezačne velkolepě. Možná to začne tím, že někdo už nebude muset ručně dělat pipetovací tabulku. Jenže právě takové malé úspory času se ve vědě často skládají do velkých skoků. A v biologii může mít každý takový skok skutečně lidský dopad.
Poznámka: V seznamu odkazů nebyl uveden žádný URL ani kotvící text (seznam
Pokud mi dodáte konkrétní odkazy (URL) a ideálně i navrhovaná 1–3slovná kotvící fráze pro každý odkaz, doplním je do vhodných odstavců článku (např. u částí o modelových řadách, orchestration, biosecurity nebo evaluačních metodách).
