GPT-Rosalind, เอเจนต์ 1,946 ตัว และเบาะแสด้านคอเลสเตอรอล: ผลลัพธ์ DCTN1 แสดงอะไรจริง ๆ

เมื่อวันที่ 21 ตุลาคม 2026 O​penAI เผยแพร่ความร่วมมือกับ PerturbAI และ Scripps Research ซึ่งเอเจนต์ 1,946 ตัวที่ทำงานบน GPT-Rosalind ได้ไล่ประมวลผลแอตลาส CRISPR ของสมองทั้งสมองจากเซลล์สมองหนู 7.7 ล้านเซลล์ภายใน 32 นาที หนึ่งในเบาะแสที่ได้จากงานนี้คือตัวที่กำลังเป็นที่พูดถึง: DCTN1 ยีนที่อยู่เบื้องหลังกลุ่มอาการ Perry และเป็นไปได้ว่าเชื่อมโยงกับการจัดการคอเลสเตอรอลและการเสื่อมของเซลล์ประสาท ตัว GPT-Rosalind เองไม่ใช่ของใหม่ — O​penAI เปิดให้อยู่ในรูปแบบ research preview เมื่อเดือนเมษายน 2026 และเปิดให้องค์กรที่มีสิทธิ์เข้าถึงผ่านโครงการ trusted-access ในเดือนกันยายน — ดังนั้นนี่จึงไม่ใช่เรื่องของการเปิดตัว นี่เป็นครั้งแรกที่โมเดลสร้างผลงานวิจัยที่เผยแพร่ต่อสาธารณะและทำซ้ำได้ แทนที่จะเป็นตัวเลขบน benchmark และนั่นเป็นสิ่งที่น่าสนใจกว่าที่จะมอง สิ่งที่เอเจนต์ทำจริงนั้นแคบกว่าพาดหัวข่าวและมีประโยชน์กว่าพาดหัวข่าว: พวกมันเปลี่ยนลายเซ็นการถอดรหัสยีนที่ไม่คาดคิดให้เป็นคำถามที่ทดสอบได้ และผู้เชี่ยวชาญแบบปกปิดข้อมูล 30 คนตัดสินว่าคำถามนั้นควรค่าที่จะติดตามต่อ ยังไม่มีใครทดสอบเรื่องนี้ในเซลล์ประสาท ไม่ต้องพูดถึงในผู้ป่วยข้อกล่าวอ้างทางการวิจัยที่ล้ำเกินหลักฐานรองรับ และการแก้ไขที่ตามมา ได้รับการบันทึกพร้อมวันที่และแหล่งที่มาใน the AI Incident Archive พร้อมกับเหตุการณ์อื่น ๆ เกี่ยวกับโมเดลและผู้จำหน่ายที่เราติดตาม

อาร์ติแฟกต์สามชิ้น หนึ่งในนั้นเป็นของใหม่

การประกาศนี้คุ้มค่าที่จะนำมาแยกวิเคราะห์ เพราะส่วนที่มีประโยชน์ไม่ใช่โพสต์ข่าว สามสิ่งเกิดขึ้นพร้อมกัน:

• พรีพรินต์ — "เอเจนต์ AI แบบกระจายช่วยให้สามารถค้นพบข้อมูลเชิงลึกทางชีววิทยาได้อย่างครอบคลุมในระดับสเกล" Sun และคณะ เผยแพร่บน bioRxiv เมื่อวันที่ 16 ตุลาคม 2026 ยังไม่ผ่านการทบทวนโดยผู้เชี่ยวชาญ

• Code — รีพозиториสาธารณะจากแล็บ Jin ซึ่งประกอบด้วยรันไทม์ของเอเจนต์ เซิร์ฟเวอร์ MCP แบบโลคัลที่ทำงานบนคลังเอกสารงานวิจัย เครื่องมือสืบค้นผ่าน CLI และโน้ตบุ๊กที่ใช้จำลองภาพประกอบในบทความ

• ข้อมูล — ตัวแผนที่ CRISPR in vivo ทั่วสมองของ PerturbAI เอง บน Hugging Face: เซลล์ 7.72 ล้านเซลล์, ยีนที่เชื่อมโยงกับโรคเกือบ 2,000 ยีน, mRNA 19,070 ตัว, sgRNA 8,588 ตัว บทความของแผนที่นี้เป็น preprint แยกต่างหากจากเดือนมีนาคม 2026

การผสมผสานนั้นคือเหตุผลที่เรื่องนี้สมควรได้รับการเขียนเป็นบทความมากกว่าหนึ่งย่อหน้า การวัดประสิทธิภาพจากผู้ขายไม่อาจถูกหักล้างจากภายนอกได้ พรีพรินต์ที่มีชุดข้อมูลเปิดเผยและไปป์ไลน์เปิดเผยสามารถนำไปรันกับแอตลาสอื่น ตรวจสอบทีละบรรทัด หรือถูกโต้แย้งโดยผู้ที่มีเว็ทแล็บ ไม่ว่าข้อกล่าวอ้างเกี่ยวกับ DCTN1 จะเป็นจริงในแง่อื่นใด โครงสร้างรองรับรอบ ๆ ข้อกล่าวอ้างนั้นตรวจสอบได้

วิธีการคือข้อกล่าวอ้าง ดังนั้นเริ่มต้นจากตรงนั้น

ชุดข้อมูลนี้เป็นแผนที่สมบูรณ์ (atlas) ของ Perturb-seq: ทั่วทั้งสมองของหนู มีการรบกวนยีนทีละหนึ่ง guide RNA และอ่านค่าทรานสคริปโตมของแต่ละเซลล์ ผลลัพธ์คือการรบกวนราวสองพันรายการที่ไขว้กับการตอบสนองระหว่างการรบกวนกับชนิดเซลล์หลายหมื่นรายการ — มากเกินกว่าที่ห้องปฏิบัติการใดจะอ่านอย่างละเอียด ซึ่งเป็นคอขวดที่บทความนี้มุ่งโจมตี

การให้เหตุผลทางชีววิทยาแบบกระจาย ตามนิยามของผู้เขียน ไม่ใช่การเรียกแบบจำลองครั้งเดียวบนตารางขนาดใหญ่ การรบกวนแต่ละรายการจากทั้งหมด 1,946 รายการมีเอเจนต์ของตนเอง เอเจนต์นั้นตรวจสอบการตอบสนองของเซลล์ต่อการรบกวนยีนของตน ค้นหาวรรณกรรมทางวิทยาศาสตร์สำหรับสิ่งใดก็ตามที่อธิบายการตอบสนองนั้น และเขียนรายงานเชิงบรรยายพร้อมรายงานเชิงโครงสร้างที่เสนอกลไกหนึ่ง ตลอดการรัน เอเจนต์อ่านบทความรวม 39,185 ครั้งและเก็บรักษาการอ้างอิงไว้ 16,445 รายการ จากนั้นรายงานเหล่านี้ถูกสังเคราะห์เป็นกราฟที่เชื่อมโยงยีน ผลต่อชนิดเซลล์ บทความ และกลไกที่เป็นไปได้

รายละเอียดสองอย่างในคำอธิบายนั้นสำคัญกว่าขนาดของมันอีก ประการแรก เหล่าเอเจนต์ทำงานโดยไม่มีต้นฉบับ — ข้อสรุปของบทความแผนที่ต้นฉบับถูกปิดไว้จากพวกเขา ซึ่งเป็นสิ่งที่ทำให้การทดสอบการกู้คืนในหัวข้อถัดไปมีความหมาย ประการที่สอง โมเดลนี้ถูกระบุชื่อในพรีปรินต์ว่า GPT-Rosalind-5.5 โดยระบุวันตัดความรู้ (knowledge cutoff) ไว้ที่ธันวาคม 2025 เนื่องจากต้นฉบับปรากฏในเดือนมีนาคม 2026 เหล่าเอเจนต์จึงไม่สามารถจดจำข้อสรุปของมันได้ นั่นเป็นจุดแข็งเชิงระเบียบวิธีที่แท้จริง และบทความควรได้รับเครดิตในเรื่องนี้

ประเด็นนำเกี่ยวกับ DCTN1 ซึ่งระบุเป็นข้อกล่าวอ้างแยกกันสี่ข้อ

นี่คือสายโซ่ ตามลำดับที่บทความสร้างมันขึ้นมา สถานะทางญาณวิทยาเปลี่ยนไปในทุกขั้นตอน ซึ่งเป็นสิ่งที่สูญหายไปในการเล่าซ้ำพอดี

• ข้อสังเกต (จากการวัด) ในแอตลาส การรบกวน Dctn1ทำให้การแสดงออกของยีนที่เกี่ยวข้องกับการสร้างคอเลสเตอรอลเพิ่มขึ้น นี่คือลายเซ็นระดับการถอดรหัสในข้อมูล ไม่ใช่สิ่งที่แบบจำลองคิดค้นขึ้นเอง

• ความเชื่อมโยง (ข้อสรุปเชิงอนุมานที่มีงานวิจัยรองรับ) DCTN1 เป็นยีนที่ encodes ไดแนคทิน ซึ่งเป็นส่วนหนึ่งของกลไกมอเตอร์ไดนีนที่ลำเลียงสิ่งบรรทุกไปตามไมโครทูบูลภายในเซลล์ประสาท งานวิจัยที่มีอยู่ชี้ให้เห็นว่าเมื่อการขนส่งคอเลสเตอรอลบกพร่อง เซลล์จะเพิ่มการสังเคราะห์คอเลสเตอรอลขึ้น ซึ่งดูเหมือนจะเป็นกลไกชดเชย เอเจนต์ได้เชื่อมโยงยีนด้านการขนส่งเข้ากับรูปแบบเฉพาะของการสังเคราะห์

• สมมติฐาน (ยังไม่ได้ทดสอบ) หากการรบกวนการทำงานของ DCTN1 เปลี่ยนวิธีที่คอเลสเตอรอลกระจายตัวภายในเซลล์ประสาท การกระจายตัวใหม่นั้นอาจมีส่วนทำให้เกิดการเสื่อมของเซลล์ประสาท — และการฟื้นฟูการกระจายตัวให้เป็นปกติอาจช่วยป้องกันได้ โพสต์ของ OpenAI เองระมัดระวังในจุดนี้ โดยเรียกสิ่งนี้ว่าเป็นคำถามสำหรับการทดลองติดตามผล และใช้คำว่า "could" ตลอดทั้งข้อความ

• ความเชื่อมโยงกับโรค (ซึ่งได้รับการยืนยันแล้ว และไม่ได้มาจากบทความนี้) DCTN1 การกลายพันธุ์ในยีนนี้ทำให้เกิดกลุ่มอาการเพอร์รี ซึ่งเป็นโรคทางระบบประสาทเสื่อมที่พบได้น้อยและมีอาการแบบพาร์กินสัน ความเชื่อมโยงนั้นคือสิ่งที่ทำให้เบาะแสนี้มีความชัดเจนทางคลินิก และความเชื่อมโยงนี้มีมาก่อนการศึกษานี้หลายปี

ทุกสิ่งหลังจากจุดหัวข้อแรกคือการอนุมาน ลายเซ็นคือข้อมูล ส่วนเรื่องการขนส่งและการชดเชยนั้นเป็นกลไกที่ดึงมาจากวรรณกรรม และแนวคิดด้านการรักษาเป็นสมมติฐานที่ยังไม่มีใครทดสอบในเซลล์ประสาท ผู้เชี่ยวชาญแบบปกปิดข้อมูลซึ่งตรวจทานรายงานเหล่านี้ได้ให้การรับรองสายงาน DCTN1 ว่ามีความแปลกใหม่ มีนัยสำคัญ และคุ้มค่าที่จะติดตามศึกษาต่อ ซึ่งเป็นข้อความเกี่ยวกับคุณภาพของคำถาม ไม่ใช่เกี่ยวกับว่าคำตอบจะเป็นใช่หรือไม่

การทดลองควบคุมรองรับบทความ

หลักฐานที่แข็งแกร่งที่สุดใน preprint ไม่ใช่เรื่องราวเกี่ยวกับคอเลสเตอรอล แต่คือชุดการเปรียบเทียบที่ทีมดำเนินการกับวิธีการของตนเอง เพราะสิ่งเหล่านั้นมีตัวเลขกำกับอยู่ และผู้ที่สงสัยสามารถตรวจสอบได้

• การกู้คืนข้อค้นพบที่ถูกกันไว้ — จาก 71 ข้อค้นพบในต้นฉบับต้นทางที่ถูกกันไว้ซึ่งทีมประเมิน มี 35 ข้อที่จับคู่ได้และ 13 ข้อที่ถูกปรับให้ละเอียดขึ้น เมื่อจำกัดเฉพาะ 55 ข้อค้นพบที่ทดสอบได้โดยตรงจากข้อมูลการแสดงออกเชิงดิฟเฟอเรนเชียล มี 48 ข้อ (87.3%) ที่จับคู่ได้หรือถูกปรับให้ละเอียดขึ้น และ 52 ข้อ (94.5%) ที่ถูกกู้คืนได้อย่างน้อยบางส่วน โดยทิศทางของพาธเวย์ยังคงเดิมใน 96.2% ของการเปรียบเทียบที่จับคู่ได้

• ความครอบคลุมของการอ้างอิง — ที่ปริมาณงาน 893 การก่อกวน (perturbations) ตัวแทนแบบกระจายเก็บรักษาการอ้างอิงได้มากกว่าตัวแทนเดี่ยวที่ใช้โมเดลและชุดข้อมูลเดียวกันถึง 711 เท่า ตัวแทนเดี่ยวอ้างอิง 11 รายการ โพสต์ของ O​penAI ปัดเศษเป็น "มากกว่า 700 เทียบกับ 11"

• การพยากรณ์ — บนชุดแบ่งที่กันไว้สำหรับการทดสอบซึ่งมีการรบกวน 272 รายการ ระบบบรรลุความแม่นยำแบบสมดุลที่ 0.705 ในการพยากรณ์ว่าการรบกวนใดก่อให้เกิดการตอบสนองที่ตรวจวัดได้ ซึ่งดีกว่าเส้นฐานอัตราการตอบสนองและเส้นฐานปฏิสัมพันธ์ทางกายภาพ ระบบทำได้ดีกว่ามากในครึ่งที่ง่าย (142 จาก 172 กรณีที่ไม่มีผลกระทบ, 82%) เมื่อเทียบกับครึ่งที่ยาก (59 จาก 100, 59%)

• การประเมินโดยผู้เชี่ยวชาญ — นักวิทยาศาสตร์ระดับปริญญาเอก 30 คนตรวจสอบรายงาน 60 ฉบับ โดยตรวจรายงานละ 3 ครั้งแบบปกปิดข้อมูล รายงานแบบกระจายได้รับการเลือกให้ดีกว่าในการเปรียบเทียบแบบจับคู่ 45 จาก 60 คู่ (75%) ส่วนรายงานแบบเอเจนต์เดี่ยวได้รับการเลือกใน 10 คู่ และเสมอกัน 5 คู่ การจัดอันดับความแปลกใหม่ของเอเจนต์เองมีความสัมพันธ์กับการจัดอันดับของมนุษย์ที่ ρ = 0.61

เมื่ออ่านประกอบกัน ข้อค้นพบนี้เกี่ยวกับการแบ่งแยกองค์ประกอบ ไม่ใช่ระดับสติปัญญาของโมเดล หน้าต่างบริบทเดียวจะเสื่อมประสิทธิภาพลงเมื่อคุณเทแอตลาสทั้งชุดลงไป whereas เอเจนต์เฉพาะทางแคบ ๆ สองพันตัวที่แต่ละตัวมีเครื่องมือค้นวรรณกรรมกลับไม่เป็นเช่นนั้น ข้อกล่าวอ้างนี้จะยังคงใช้ได้แม้ GPT-Rosalind จะเป็นเพียงโมเดลระดับ متوسط ซึ่งเป็นเหตุผลว่าทำไมมันจึงเป็นส่วนที่ควรค่าแก่การเชื่อถือ — และเป็นเหตุผลว่าทำไมบทความนี้จึงมีประโยชน์ต่อนักชีววิทยาเชิงคำนวณมากกว่าต่อใครก็ตามที่กำลังมองหา API

ผลลัพธ์อีกประการหนึ่ง ซึ่งปกป้องได้ง่ายกว่า

เอเจนต์เหล่านี้ยังเผยให้เห็นความแตกต่างที่เกี่ยวข้องกับโรคระหว่าง Tsc1 และ Tsc2 ซึ่งเป็นสองยีนในวิถี mTOR การรบกวนยีนใดยีนหนึ่งก่อให้เกิดผลคล้ายกันในประชากรเซลล์ประสาทหลายกลุ่ม แต่ในสมองน้อย การรบกวน Tsc2 ทำให้ยีนหลายสิบยีนที่เกี่ยวข้องกับการสื่อสารของเซลล์ประสาทเปลี่ยนไป ในขณะที่ Tsc1 การรบกวนแทบไม่มีผล ในโรคทูเบอรัสสคลีโรซิส ความผิดปกติของสมองน้อยมีความเชื่อมโยงอย่างมากกับการกลายพันธุ์ของ TSC2 ดังนั้นความแตกต่างนี้จึงอย่างน้อยก็สอดคล้องกับภาพทางคลินิก

ทำไมข้อนี้จึงง่ายต่อการปกป้องกว่าเบาะแสเรื่องคอเลสเตอรอล เพราะข้ออ้างเป็นเชิงโครงสร้างมากกว่าเชิงสาเหตุ — “การรบกวนสองอย่างนี้แยกทางกันในเซลล์ชนิดนี้” เป็นข้อความที่แอตลาสเองสามารถรองรับได้ และความเชื่อมโยงทางคลินิกเป็นเพียงการสนับสนุน ไม่ใช่ข้อโต้แย้งหลัก นอกจากนี้ยังระบุประชากรเฉพาะและชุดยีนเฉพาะที่ต้องตรวจสอบ ซึ่งเป็นสิ่งที่การศึกษาติดตามผลต้องการ

สี่เหตุผลที่ควรมองข้ามทั้งหมดนั้น

ไม่มีสิ่งใดในนี้เป็นเหตุผลให้เพิกเฉยต่อบทความนี้ ทั้งหมดนี้เป็นเหตุผลที่ไม่ควรอ้างอิงบทความนี้ในฐานะข้อค้นพบเกี่ยวกับโรค

นี่คือ preprint ที่มีผลประโยชน์เชิงพาณิชย์เกี่ยวข้อง โพสต์เมื่อ 16 ตุลาคม 2026 ยังไม่ผ่านการตรวจสอบโดยผู้ทรงคุณวุฒิ คำแถลงผลประโยชน์ทับซ้อนระบุไว้ชัดเจนว่า ผู้เขียนหกคนเป็นพนักงานของ OpenAI และสองคนเป็นพนักงานของ PerturbAI โดยสองคนนี้ร่วมก่อตั้งบริษัท องค์กรที่สร้างโมเดลร่วมเขียนบทความที่ประเมินโมเดลนี้ การเปรียบเทียบกับมนุษย์ถูกทำให้เป็นแบบ blinded ซึ่งต้องยกเครดิตให้ผู้นิพนธ์ แต่กลุ่มผู้เชี่ยวชาญ เกณฑ์การให้คะแนน และการสุ่มตัวอย่าง ล้วนเป็นการออกแบบของพวกเขาเองทั้งหมด

ชีววิทยาที่ใช้นี้เป็นของหนู และเป็นข้อมูลระดับทรานสคริปโตม ลายเซ็นการสังเคราะห์คอเลสเตอรอลในเซลล์ที่ถูกรบกวนนั้นห่างจากความบกพร่องในการลำเลียงคอเลสเตอรอลในเซลล์ประสาทมนุษย์อยู่สองขั้น และห่างจากการรักษาอยู่สามขั้น สมมติฐานโรค neurodegeneration ที่มีลักษณะเช่นนี้ทุกรายต้องเผชิญกับการติดตามผลหลายปี และส่วนใหญ่ให้คำตอบว่า "ไม่ ไม่ใช่แบบนั้น"

ตัวเลข 32 นาทีนั้นต้องมีบริบทประกอบ มันเป็นเวลารันจริงสำหรับการกวาดแบบขนาน และการเปรียบเทียบ "หลายเดือนถึงหนึ่งปี" เป็นการคาดการณ์ต่อยอดของผู้เขียนจากการทำงานเดียวกันทีละการปรับเปลี่ยน (perturbation) ให้ถือว่าค่าแรกเป็นการวัดจริง และค่าที่สองเป็นอันดับของขนาดที่เชื่อถือได้ ไม่ใช่ผลจากนาฬิกาจับเวลาที่เทียบกับทีมมนุษย์ที่เทียบเคียงกัน

การอ้างอิงไม่ใช่ตัวข้ออ้าง จากข้อค้นพบที่มีความเชื่อมั่นสูง 1,519 รายการที่เอเจนต์สร้างขึ้น 27.6% ได้รับการสนับสนุนจากวรรณกรรมก่อนหน้า 41.9% เป็นการอนุมานใหม่ 6.6% ขัดแย้งกับวรรณกรรม และ 23.8% ไม่มีตัวอย่างมาก่อนเลย การที่หนึ่งในห้าของผลลัพธ์ไม่มีตัวอย่างมาก่อน อาจเป็นจุดประสงค์ของการทดลองนี้ หรือเป็นคำเตือน ขึ้นอยู่กับว่าคุณเชื่อขั้นตอนการรวมผลมากเพียงใด บทความรายงานการควบคุมแบบสลับ — ความสอดคล้องระหว่างเอเจนต์กับวรรณกรรมลดลงจาก 29.3% เป็น 13.2% เมื่อสุ่มป้ายกำกับของการรบกวน — ซึ่งเป็นการตรวจที่ถูกต้องที่ควรทำ

ถ้าคุณต้องการใช้สิ่งนี้ นี่คือสิ่งที่มีอยู่

ผลลัพธ์เชิงปฏิบัติไม่ใช่สมมติฐานเกี่ยวกับคอเลสเตอรอล แต่เป็นสิ่งประดิษฐ์ที่สร้างขึ้น นั่นคือแผนที่การให้เหตุผลแบบเปิดสาธารณะซึ่งเชื่อมโยงการรบกวนเข้ากับผลต่อเซลล์แต่ละชนิด และเชื่อมโยงไปยังบทความเบื้องหลังกลไกที่เสนอแต่ละอย่าง พร้อมด้วยโค้ดที่จะรันรูปแบบเดียวกันบนการคัดกรองที่แตกต่างออกไป แล็บที่ทำงานด้าน Perry syndrome หรือด้านการขนส่งไลพิดในเซลล์ประสาทตอนนี้มีรายการคำถามที่จัดลำดับความสำคัญแล้วพร้อมการอ้างอิงแนบมาด้วย สิ่งแรกที่ควรทำกับรายการ DCTN1 คือตรวจสอบว่าวรรณกรรมที่อ้างถึงกล่าวตรงกับที่บทสรุปอ้างว่ากล่าวหรือไม่ — งานสองชั่วโมงสำหรับ postdoc และเป็นระดับความสงสัยที่เหมาะสมสำหรับสมมติฐานที่สร้างโดยเครื่องจักรใด ๆ

การเข้าถึงโมเดลที่อยู่เบื้องหลังนั้นขยายวงกว้างขึ้นในสัปดาห์เดียวกัน เมื่อวันที่ 15 ตุลาคม 2026 OpenAI ประกาศ Rosalind Academic Plan: ห้องปฏิบัติการทางวิชาการในมหาวิทยาลัยของสหรัฐฯ สามารถสมัครผ่าน trusted access เพื่อรับที่นั่ง Business Standard ได้สูงสุด 30 ที่นั่งโดยไม่มีค่าใช้จ่ายนานสูงสุด 12 เดือน โดย GPT-Rosalind จะพร้อมใช้งานหลังการอนุมัติตามปกติ และข้อมูลการวิจัยจะไม่ถูกนำไปใช้สำหรับการฝึกโดยค่าเริ่มต้น การเข้าถึงผ่าน API ไม่ได้รวมอยู่ในที่นั่งสำหรับวิชาการอย่างชัดเจน — ช่องทางนี้ดำเนินการผ่านโครงการ trusted-access เชิงพาณิชย์ ซึ่งคิดค่าบริการตั้งแต่วันที่ 5 ตุลาคม 2026 ในอัตรา 5.00 ดอลลาร์ต่อล้านโทเค็นอินพุต, 0.50 ดอลลาร์สำหรับอินพุตที่แคชไว้ และ 25.00 ดอลลาร์ต่อล้านโทเค็นเอาต์พุต ซึ่งเป็นอัตราที่ OpenAI เผยแพร่ ไม่ใช่อัตราที่ผ่านการทดสอบ benchmark โดยอิสระ

จุดที่เราเตอร์เหมาะ และจุดที่มันไม่เหมาะ

GPT-Rosalind ไม่ได้อยู่บน OrcaRouter บทความใดก็ตามที่สื่อเป็นนัยว่าเป็นเช่นนั้นถือว่าผิด การเข้าถึงต้องผ่านการสมัครและการตรวจสอบสิทธิ์การเข้าถึงแบบเชื่อถือได้ของ OpenAI และไม่มีสิ่งใดเกี่ยวกับชั้นการกำหนดเส้นทางที่จะเปลี่ยนแปลงด่านการเข้าถึงนั้นได้

สิ่งที่เลเยอร์การกำหนดเส้นทางเปลี่ยนไปคือรูปร่างของไปป์ไลน์ที่ล้อมรอบงานวิทยาศาสตร์ การรันแบบนี้ส่วนใหญ่ไม่ใช่การเรียกทางชีววิทยา แต่เป็นการประสานงานข้ามเวิร์กเกอร์แบบขนานสองพันตัว การแยกวิเคราะห์และขจัดรายงานที่ซ้ำกัน การรวบรวมสิ่งที่ค้นพบ และโค้ดที่เปลี่ยน atlas ให้เป็นสิ่งที่นักชีววิทยาสามารถสืบค้นได้ ขั้นตอนเหล่านี้ไม่จำเป็นต้องใช้โดเมนโมเดลที่ราคา $25 ต่อโทเค็นเอาต์พุตหนึ่งล้าน และการนำไปไว้ที่นั่นคือวิธีที่ทำให้การทดลอง 32 นาทีกลายเป็นการทดลองที่แพง บน OrcaRouter ช่วงที่ไม่ใช่ชีววิทยาสามารถรันบนโมเดลทั่วไปในราคา list price ของผู้ให้บริการโดยบวกเพิ่ม 0% ขณะที่การเรียก Rosalind ยังคงอยู่บน trusted-access key — และเมื่อผู้ให้บริการหยุดชะงัก การ failover อัตโนมัติจะย้ายคำขอแทนที่จะย้ายทั้งการรัน เลเยอร์การกำหนดเส้นทางมีไว้สำหรับส่วนของไปป์ไลน์ที่ไม่ใช่งานวิทยาศาสตร์

อะไรจะเปลี่ยนเรื่องราวได้จริง ๆ

เหตุการณ์สำคัญถัดไปไม่ใช่การเปิดตัวโมเดลอีกครั้ง แต่คือการที่ห้องแล็บใดห้องแล็บหนึ่งหยิบสมมติฐาน DCTN1 ไปทดสอบและรายงานผลลัพธ์ ไม่ว่าจะเป็นการทดสอบการลำเลียงคอเลสเตอรอลในเซลล์ประสาท แบบจำลอง Perry syndrome หรือสิ่งใดก็ตามที่ทดสอบการกระจายตัวใหม่แทนการสังเคราะห์ หากมีห้องแล็บหนึ่งทำเช่นนั้นและผลยังคงอยู่ preprint นี้จะถูกอ่านว่าเป็นจุดที่การเชื่อมโยงวรรณกรรมที่กระจัดกระจายเข้ากับแผนที่กลายเป็นเรื่องถูกพอที่จะทำในระดับสมองทั้งสมอง หากไม่มีใครทำ สิ่งที่คงทนคือวิธีการและการเปรียบเทียบ 711 ต่อ 11 ซึ่งเป็นมรดกที่เล็กกว่าแต่ก็เป็นของจริง และเป็นสิ่งที่ถ่ายโอนไปใช้ได้กับการคัดกรองการรบกวนใด ๆ ที่ห้องแล็บมีอยู่แล้ว

จนถึงตอนนั้น สรุปที่ซื่อตรงก็คือสรุปของผู้นิพนธ์เอง: บรรดาเอเจนต์เปลี่ยนลายเซ็นการถอดรหัสที่ไม่ได้คาดไว้ให้กลายเป็นแนวคิดที่ทดสอบได้ และผู้เชี่ยวชาญที่เป็นมนุษย์ตัดสินว่าแนวคิดนั้นคุ้มค่าที่จะทดสอบ นั่นเป็นสัปดาห์ที่ดีสำหรับชีววิทยาเชิงคำนวณ ยังไม่ใช่สัปดาห์ที่ดีสำหรับผู้ป่วย และช่องว่างระหว่างสองประโยคนั้นคือจุดที่การรายงานข่าวส่วนใหญ่เกี่ยวกับการศึกษานี้จะเข้าใจผิด