نموذج الذكاء الاصطناعي الصيني لعلوم الحياة GeneLLM يظهر كـ "DeepSeek البيولوجي"

ديب سيك - V4 - Flash الإصدار الرسمي للتو أحدث ضجة في دائرة النماذج العامة العالمية، وسارع على الفور النموذج الصيني المتخصص في علوم الحياة Deepseek.

في الآونة الأخيرة، صعد نموذج GeneLLM متعدد التجميعات الخاص بعلم الحياة، الذي طورته جين دو شين كي (التي أسسها أربعة خريجين من جامعة أكسفورد)، بشكل متتالٍ إلى مجلات أكاديمية دولية رائدة — "Nature Communications" و"Advanced Science".

باعتباره أول نموذج كبير متعدد الجينومات في العالم يُدرّب مباشرة على بيانات خام من الجينوميات، يُعد GeneLLM نموذجًا بارزًا يلي نموذجي Google AlphaFold وEVO 2 من جامعة ستانفورد، ويشكل فجوة في النماذج الأساسية للعلوم الحيوية في الصين، ويُعد نسخة الصين من Deepseek للعلوم الحيوية، مما يمكّن الذكاء الاصطناعي من فهم عدة "لغات" للحياة والـ"نظام" بأكمله.

التعرف على الأمراض هو تطبيق واحد فقط لـ GeneLLM، والهدف الحقيقي لجيندوساينس هو إنشاء "Claude Code" لقطاع علوم الحياة.

ChatGPT، Claude، ديب سيك جوهر النماذج اللغوية الكبيرة هو توقع التوكن التالي.

تتشابه فكرة GeneLLM، لكنها لا تتوقع نصوصًا، بل معلومات الحياة.

القواعد الأربعة في تسلسل RNA—الأدينين (A)، اليوراسيل (U)، الجوانين (G)، السيتوزين (C)—تصبح التوكنات الأساسية التي يفهم بها GeneLLM لغة الحياة.

تعتمد التحليلات التقليدية للبيولوجيا الحاسوبية عادةً على ترميز الجينات، ومطابقة التسلسل، وعلامات معرفة يدويًا. على الرغم من دقة هذه الطريقة، إلا أنها تقيّد نطاق إدراك النموذج مسبقًا، وقد تؤدي إلى فقدان إشارات بيولوجية غير معروفة كثيرة مخبأة في البيانات الأصلية.

GeneLLM يسلك طريقًا مختلفًا، ويتعلم قوانين الحياة مباشرة من بيانات التسلسل الخام غير المعالجة.

يستخدم البيانات الأولية متعددة الجينوميات، مثل بيانات الـ RNA، والبروتينوم، والميتابولوم، كبيانات تدريب لتمكين النموذج من اكتشاف الأنماط المرتبطة بالمرض بشكل ذاتي.

حاليًا، أكمل GeneLLM التدريب المسبق للنموذج بـ 1.5 مليار معلمة و3.5 تريليون تسلسل قاعدة، وحقق إصدار XLarge التدريب المسبق للنموذج بـ 30 مليار معلمة، مع الاستمرار في توسيع الحواجز التقنية.

باعتباره أول نموذج كبير متعدد الجينومات مُدرَّب على بيانات التسلسل الأصلية على مستوى العالم، يشمل GeneLLM مرحلتين رئيسيتين:

(1) التدريب المسبق غير الخاضع للإشراف واستكشاف النماذج

(2) الدقة الدقيقة على مستوى المريض للمرض (Disease Tuning)

أولاً، يجب على GeneLLM حل مشكلة:

كيف يمكن تحويل بيانات الحياة المعقدة إلى لغة يمكن للذكاء الاصطناعي فهمها؟

في معالجة اللغة الطبيعية، تقوم خوارزمية BPE بتقسيم الجمل إلى وحدات Token؛ بينما تقوم GeneLLM بتقسيم شظايا تسلسل RNA بطول حوالي 150 قاعدة زوجية إلى وحدات حيوية (Life Tokens) باستخدام نافذة انزلاقية مكونة من 7 قواعد (7-mer).

بعد ذلك، يستخدم النموذج بنية Transformer للتنبؤ بالقاعدة التالية مباشرةً، دون استخدام ملاحظات جينية أو تسميات يدوية.

هذا يعني أن الذكاء الاصطناعي لا يبدأ بدراسة "قاموس" مُعد مسبقًا من قبل البشر، بل يتعلم مباشرة من الإشارات الأولية للحياة.

خلال عملية التدريب، عالجت GeneLLM حوالي عشرات التريليونات من قراءات RNA، وتم التدريب على مجموعة من مئات وحدات معالجة الرسومات NVIDIA A100.

هنا، تبدأ قدرات GeneLLM العامة في "الظهور".

كإحدى الإنجازات الكبرى في مجال العلوم الحيوية، يمكن لنموذج العلوم الحيوية المحلي GeneLLM تطبيقه في مجالات متعددة مثل تطوير أدوية جديدة، والطب الدقيق، والبيولوجيا التركيبية، ومراقبة البيئة، والميكروبيوم والزراعة الحيوية، وتصميم البروتينات والجزيئات، وهو نموذج ضخم نادر عالميًا حقق تطبيقًا عمليًا في سيناريوهات حقيقية.

بعد تقييمنا للابتكارات الأساسية لـ GeneLLM في "البيانات، والهندسة، والتدريب"، فقط حينها نستطيع فهم حقًا: لماذا يمثل النسخة الصينية من "البيولوجيا ديب سيك ».

سيليكون فالي ركّبت مئات الآلاف من H100 لبناء نماذج بتريليونات المعاملات، ديب سيك باستخدام الابتكار الخوارزمي لزيادة كفاءة القوة الحسابية، تُحرك GeneLLM أيضًا كمية صغيرة من القوة لدفع مليارات بيانات علوم الحياة.

إذا كان AlphaFold قد جعل الذكاء الاصطناعي يفهم "الهيكل" للحياة لأول مرة، وجعل EVO2 الذكاء الاصطناعي يبدأ في فهم "الكود" للحياة، فإن GeneLLM يحاول فهم "النظام" للحياة بشكل أعمق.

الأكثر إثارةً هو الكفاءة. تعتمد الطرق التقليدية على تسلسل عميق بعمق 6 جيجابايت، مما يرفع التكلفة ويجعل التطبيق صعبًا. أما GeneLLM، فيحافظ على AUC > 0.8 حتى عند عمق شديد الضحالة (1 جيجابايت)، مع تخفيض التكلفة بنسبة 83%.

هذا يعني أن تحقيق الرعاية الصحية الدقيقة الشاملة أصبح ممكنًا حقًا.

يبدأ نموذج بحثي جديد في الظهور: جعل الذكاء الاصطناعي يتعلم من بيانات الحياة، مما يدخل علوم الحياة في مرحلة جديدة قابلة للتنبؤ، والحساب، والاستكشاف القابل للتوسع.

لكن تخطيط جيندو ساينس لا يقتصر على النموذج الأساسي.

باستخدام نموذج GeneLLM متعدد التحليلات كأساس لفهم الحياة، تقوم JinDu Bioscience ببناء نظام تنفيذي يربط الذكاء الاصطناعي بالعالم المادي، من خلال طبقة التنفيذ التجريبية الذكية Harness ودورة البيانات DBTL (التصميم-البناء-الاختبار-التعلم)، لتحقيق دورة متكاملة للذكاء الاصطناعي من أجل العلوم تشمل فهم قوانين الحياة، وتوليد الفرضيات العلمية، والتحقق التجريبي الآلي، والتحسين المستمر.

كما قال ليام فيدوس، نائب رئيس OpenAI السابق ومسؤول التدريب اللاحق، فقد استنفدت نماذج اللغة الكبيرة الحالية النصوص والكود المحدودة المتاحة على الإنترنت، وستعتمد التقدمات العلمية الكبيرة التالية على التكرار التجريبي.

بمعنى آخر، لا يمكن الاعتماد فقط على قراءة المحتوى الذي كتبه البشر لاكتشاف معرفة جديدة، بل يجب على الذكاء الاصطناعي إجراء تجارب بنفسه.

لكن السؤال يظهر—

خدمات الإنترنت مصممة أصلاً مع واجهات برمجة التطبيقات، والمعلومات الشبكية مDigitally مولودة، لكن معدات البحث تأتي من شركات مختلفة، ولها بروتوكولات متنوعة، وهي معقدة ومكلفة، ولا يمكن لأحد إعادة بنائها من الصفر في غضون أشهر.

في معظم المختبرات اليوم، تم تصميمها خصيصًا للبشر: لوحات الأجهزة، وحركات الماصات، وحالة العينات، والقرارات الميدانية، ولا تتحول معظمها إلى إشارات يمكن للآلة فهمها.

دخل الذكاء الاصطناعي المختبر، والآن الأمر لا يتعلق فقط بقدرة النماذج، بل يتطلب أيضًا بنية تحتية جديدة.

لذلك، دخل الذكاء الاصطناعي المختبر، والآن لم يعد الأمر مجرد مسألة قدرات النموذج، بل يتطلب أيضًا هيكل فيزيائي: تحويل المختبر إلى نظام قابل للترجمة، والجدولة، والمراقبة، والتتبع.

هذا هو آخر كيلومتر حقيقي لـ AI4S.

لذلك، طور Jin Du نظامًا يُسمى BioFord Harness.

هذا بنية تحتية تربط بين الذكاء الاصطناعي والمختبرات الفيزيائية.

لم يحاولوا جعل الذراع الآلية تحاكي اليد البشرية، بل حوّلوا المختبر إلى نظام قابل للبرمجة، والجدولة، والمراقبة، والتتبع.

خلال هذه العملية، يجب أن يُنجز التوصيل الفيزيائي على الأقل ثلاث مهام:

1. ترجمة النية العلمية أو DSL التجربة إلى تعليمات يمكن للأجهزة المختلفة تنفيذها؛

2. إكمال إدارة الجدولة والموارد والقيود الأمنية بين الأجهزة المتعددة، ومعالجة الاستثناءات؛

3. إعادة تدفق نتائج التجربة، سجلات الأجهزة، وبارامترات البيئة كمدخلات للنموذج وتصميم التجربة التاليين.

السؤال العلمي → فهم الذكاء الاصطناعي → خطة التجربة → جدولة المعدات → التنفيذ → تدفق البيانات → تحسين النموذج → الجولة التالية.

تم تشغيل عجلة الطيران لبيانات تجربة علمية.

خمسة وكلاء ذكيين يحولون عملية البحث العلمي إلى خط إنتاج

منصة BioFord Agent للبحث الذكي المتجسد تربط من الأسفل الطبقة الفيزيائية للمختبرات، وتُمكّن من الأعلى الطبقة المعرفية للعلماء، وتُربط بينهما وسطًا باستخدام الذكاء الاصطناعي الفيزيائي لسد الفجوة بين الاستدلال والتنفيذ.

على المستوى المعرفي، يتكون عامل BioFord من خمسة وكلاء مترابطين يغطون جميع مراحل أبحاث الحياة، مما يمكنه زيادة كفاءة البحث العلمي بعدة أضعاف.

وكيل البحث الأدبي

تصميم تجريبي ذكي

Scientific Agent

Agent جدولة التجارب

وكيل تحليل البيانات

على سبيل المثال، يمكن للوكيل الذكي لاسترجاع الأدبيات أن يساعدك بسرعة في استرجاع وقراءة كم هائل من الأدبيات، وإعداد مراجعة أدبية، ودعم صياغة الفرضيات.

صمم وكيل التصميم التجريبي لتقليل دورة تصميم التجارب التي كانت تستغرق شهورًا إلى أسبوع واحد لفرق البحث.

بينما أطلقت جيندو ساينس ووركز عامل الجدولة التجريبي، الذي يستند إلى طبقة التجريد العامة للأجهزة (Universal Instrument Abstraction Layer)، لتكسير حواجز البروتوكولات بين أنواع متعددة من الأجهزة غير المتجانسة.

يمكن تحقيق إدارة موحدة وجدولة موحدة لكل من أجهزة PCR، وأجهزة مقياس الامتصاص الضوئي، وأجهزة التدفق الخلوي، ومحطات العمل الآلية للنقل. يحتوي النظام على خوارزمية جدولة ديناميكية مدمجة، تتيح الجدولة الجماعية التلقائية، وتجنب التعارضات في الوقت الفعلي، وتسجيل جميع معلمات التجربة بالكامل، لتشكيل سلسلة تدقيق قابلة للتتبع.

هذا يعني أن الذكاء الاصطناعي لم يعد يقتصر على مرحلة "تقديم التوصيات"، بل دخل فعليًا المختبرات، وبدأ في التحكم في المعدات وتنفيذ المهام، ليصبح مساعدًا علميًا موثوقًا.

بيانات الفشل، ربما تكون أكثر قيمة من بيانات النجاح

القيمة الأعمق التي تحلها هذه النظام هي جعل كل تجربة — سواء ناجحة أو فاشلة — تتحول إلى بيانات يمكن للنظام معالجتها.

في المختبرات التقليدية، قد يكون سجل فشل واحد مجرد سطر واحد يقول "النتيجة لم تكن كما كان متوقعًا"، والخبرة موجودة في عقول الأشخاص، وعندما يغادرون، تختفي الخبرة أيضًا.

وفي نظام BioFord، كل فشل هو بيانات تدريب ثمينة — منطق اختيار المعلمات، تسجيل ظروف البيئة، إثبات المسارات الخاطئة... كلها تتراكم لتصبح جزءًا من "خبرة" النظام.

في المرة القادمة، سيعرف الذكاء الاصطناعي: هذا الطريق مسدود.

من المثير للاهتمام أنه في هذا القطاع، لا يفوز الأقوى من حيث القوة الحسابية، ولا يفوز الأكبر من حيث النموذج.

يمكن شراء القوة الحسابية، لكن لا يمكن شراء بيانات البحث.

أشار جين يونغ تشينغ، المؤسس والرئيس التنفيذي لـ Jin Du Sheng Ke، إلى: "خلال عملية التطوير، أدركنا تدريجيًا أن استخدام الذكاء الاصطناعي في علوم الحياة ليس مجرد تجميع نماذج وبيانات. بالنسبة للأشخاص الذين يقومون بالتجارب، فإن الحل النهائي لا يزال يتمثل في التغلب على المشكلة المتمثلة في أن الحسابات تنتهي دون القدرة على التنفيذ، أو عند التنفيذ، تكون النتائج خاطئة."

هذا هو الحاجز التنافسي الأهم والأصعب تقليده في مسار AI4S.

في عام 2022، واجه جين يونغ سونغ خيارًا في لحظة حصوله على درجة الدكتوراه في هندسة الأحياء من جامعة أكسفورد.

كان مرشده هو هاجان بايي، عضو الجمعية الملكية البريطانية ومؤسس شركة أكسفورد نانوبور، الشركة البريطانية المدرجة التي تُعد رائدة في الجيل الثالث من التسلسل، وتمتاز المختبرات بتراث عميق في تطبيق النتائج على أرض الواقع. البقاء في بريطانيا هو طريق واضح ومفتوح.

لكنه اختار طريقًا آخر — أخذ "تقنية نموذجية" من المختبر ووضعها في حقيبته وعاد بها إلى بلده. وسافر معه ثلاثة خريجين من أكسفورد: دكتوراه في البيولوجيا دينغ سويوي، والباحث المساعد في كلية علوم الحاسوب شا لاي (حاصل على دكتوراه في علوم الحاسوب من جامعة بكين، وزميل دراسات سابق لرو فولي، مديرة النموذج الكبير في Xiaomi)، بالإضافة إلى تشو تيانياو، الخبير في تنفيذ المنتجات. يتمتع الأربعة بخلفيات معرفية في الهندسة الحيوية، والذكاء الاصطناعي، وعلم الأحياء الحسابي، والتشغيل التجاري، وكلهم ضروريون ولا يمكن الاستغناء عن أي منهم. لقد عملوا معًا في مشاريع بحثية مشتركة، باستخدام دمج الذكاء الاصطناعي وتقنيات الترانسكريبوم للتنبؤ واكتشاف الأمراض. الأربعة يكملون بعضهم البعض تمامًا كقطع ألغاز، ويمكنهم إجراء أبحاث متعددة التخصصات بشكل عالٍ.

اسم الشركة "جيندو ساينس"، حيث يُستمد "جين" من أكسفورد، ليشير إلى أنهم انطلقوا من أعلى المستويات الأكاديمية مثل مختبرات أكسفورد، و"دو" تعني إيصال العلم للناس، وهو ما يرون أنه الهدف النهائي لـ AI for Science.

حاليًا، تم تنفيذ منصة BioFord Agent للذكاء الاصطناعي الفيزيائي لـ Jin Du Sheng Ke في عدد من الجامعات المرموقة داخل البلاد، مع نتائج ملحوظة، حيث تم تقليل دورة البحث من عدة أشهر إلى أسبوع واحد.

لكن السير في طريق "لا سابقة له"، لا يخلو من العزلة.

في بداية ريادة الأعمال، كانت التحديات عديدة. في ذلك الوقت، كانت ريادة الأعمال في مجال الذكاء الاصطناعي تشهد ازدهارًا كبيرًا، لكن المحاولات المبنية على "الذكاء الاصطناعي +" في مجال العلوم الحيوية كانت نادرة جدًا. "من يفهم الذكاء الاصطناعي لا يفهم بالضرورة العلوم الحيوية، ومن يفهم العلوم الحيوية فمعظمهم لا يفهم الذكاء الاصطناعي."

جين يونغ سونغ اعترف: "كان المستثمرون في مرحلة ما غير قادرين على فهم ما كنا نفعله."

اختار الفريق طريقًا "الأصعب": البدء من نموذج أساسي كبير في البيولوجيا، حيث توجد عدد قليل جدًا من الشركات عالميًا في هذا المجال.

في عام 2025، ظهرت نقطة تحول.

في ذلك الوقت، أصدر مجلس الدولة "رأيًا بشأن تنفيذ عميق لعملية 'الذكاء الاصطناعي +'"، وتم تضمين الذكاء الاصطناعي للعلوم فيها، فبدأت المسار يشهد رياحًا.

حقق Jin Du Sheng Chuang إنجازًا "بإتمام 4 جولات تمويل خلال عام". إن خط زمني التمويل الرئيسي للشركة يُعد معيارًا صناعيًا.

Angel + Round: Led by Sequoia Capital China Seed Fund;

جولة ما قبل A+: حصلت على قيادة استثمار بقيمة عشرات الملايين من تشوانغ دونغ؛

جولة ما قبل A+: حصلت على استثمار من南山战新投 بقيمة عشرات الملايين؛

الجولة A: تم قيادتها من قبل Gao Te Jia Investment بقرابة مائة مليون يوان.

قال الشريك التنفيذي في Gao Tejia Investment، تينغ يوهانغ: "جيندو بايوساينس حوّلت الأبحاث الأساسية في علوم الحياة إلى بنية تحتية قابلة للاشتراك وقابلة للتوسع تجمع بين 'الحوسبة + التجارب'."

أما هدف جين يونغ سونغ فهو أبعد: "نحن لا نكتفي ببيع البرمجيات، بل نهدف إلى بناء نظام تشغيل ذكي لمجال علوم الحياة. كما حددت إنتل قوة الحوسبة في عصر الحواسيب الشخصية، نحن نرغب في تحديد نموذج جديد للبحث والتطوير في علوم الحياة في عصر الذكاء الاصطناعي."

من مختبر أكسفورد إلى شنتشن، من عدم الفهم إلى جذب استثمارات رأسمالية رائدة، قصة أربعة من أكسفورد ليست مجرد أسطورة ريادية، بل هي سؤالٌ وجودي حول "ما الذي يمكننا فعله للبشرية؟"

عندما يتعلم الذكاء الاصطناعي إجراء أبحاثه الخاصة "طوال الليل"، قد لا تعتمد الاكتشافات العلمية بعد الآن على الإلهام العرضي للعباقرة، بل تصبح أمراً حتمياً قابلاً للتنبؤ. هذا الطريق، لم يبدأوا فيه سوى للتو.

على خريطة الذكاء الاصطناعي لعلوم الحياة الأكبر، لا يشعر جيندو بالوحدة، لكن نقطة الدخول مختلفة تمامًا.

الفئة الأولى هي علماء الذكاء الاصطناعي الرقميون.

يحتوي Biomni، الذي تم تطويره من قبل ستانفورد وتم تجسيده تجاريًا كـ Phylo، على أكثر من 150 أداة متخصصة تمكن من أتمتة مراجعة الأدبيات وتوليد الفرضيات وتحليل المعلومات البيولوجية.

FutureHouse، المدعوم من إيريك شميت، مكرسة لبناء عالم ذكي اصطناعي قادر على توليد الفرضيات وكتابة الأوراق البحثية بشكل ذاتي.

ومع ذلك، فهي رغم قوتها لا تزال محدودة في العالم الرقمي.

الفئة الثانية هي المسار الذاتي الكامل.

تقوم شركة جينغ تاي تكنولوجي بنشر أكثر من 300 محطة عمل حول العالم باستخدام "الذكاء الاصطناعي + الروبوتات".

Lila Sciences، التي تم تطويرها من قبل Flagship Pioneering، وجمعت تمويلًا بقيمة 5.5 مليار دولار، تحاول جعل الذكاء الاصطناعي يتولى بالكامل تصميم التجارب وتنفيذها وإعادة تصميمها، بهدف تحقيق "الذكاء العلمي الفائق".

لكن كل ذلك يكلف كثيرًا.

الفئة الثالثة هي مسار إدارة كامل من البداية إلى النهاية.

تقوم Yingpu Intelligence بدفع الذكاء الاصطناعي مباشرةً عبر خطوطها الإبداعية للأدوية، حيث دخل أول دواء مُستوحى من الذكاء الاصطناعي المرحلة الثالثة من التجارب السريرية، لكنهم "صانعو سيارات" وليس "مُصلحو طرق".

أما اختيار جيندو شينكاي، فهو: التركيز على بناء هيكل فيزيائي، كبنية تحتية لـ "آخر كيلومتر" بين النموذج ونظام التجارب المادية.

لا نشارك في سباق القواعد، ولا نبني خطوط إنتاج متكاملة، ولا نكون علماء ذكاء اصطناعي في عالم رقمي محض. إن التركيز فقط على تلك الكيلومتر الأخير هو بالتأكيد نهج أكثر خفة.

جين يونغ سونغ وضح هذا التقييم بقوله: "النقطة الفاصلة الحقيقية للذكاء الاصطناعي من أجل العلوم ليست مدى تشابه إجابات النموذج مع العلماء، بل ما إذا كان يمكن للمختبر أن يبدأ كنظام يتعلم باستمرار."

كما أنّ جيندو لا تقتصر ببساطة على "القيام بالخطوة الأخيرة فقط" في مجال الذكاء الاصطناعي للعلوم عالميًا.

بشكل أكثر دقة، إنه يدخل من خلال آخر كيلومتر ليتنافس على تنسيق سلسلة كاملة من سير العمل البحثي.

بالمقارنة مع علماء الذكاء الاصطناعي الرقميين البحت، يمكنه لمس العالم المادي؛ وبالمقارنة مع مصانع علمية مملوكة ذات أصول ثقيلة، لديه فرصة للإشراف على المختبرات الحالية للعملاء؛ وبالمقارنة مع شركات الذكاء الاصطناعي المتكاملة لتطوير الأدوية، لا يضطر إلى رهن مصيره على خط سريري واحد فقط.

حاجزها الحقيقي لن يكون عدد المعلمات، بل مسارات التجارب المتراكمة باستمرار، وواجهات الأجهزة، وتجارب الفشل، وشبكة التنفيذ عبر المختبرات.

كما قال جين يونغ تشينغ، فإن عشرات الآلاف من مسارات الإشارة داخل الكائنات الحية وآليات التفاعل غير المعروفة تثير الإعجاب. "كلما كانت البيولوجيا غنية، كلما كانت آفاق الذكاء الاصطناعي من أجل العلم أجمل."

باستخدام ذكاء الاصطناعي لاستكشاف ألغاز الحياة، لم يبدأ بعد سوى فصل جديد من رحلة هؤلاء الخريجين من أكسفورد نحو النجوم.

هذا المقال من حساب WeChat "New智元"، المؤلف: New智元؛ المحرر: Aeneas KingHZ