OpenAI 一直在與 Retro Biosciences 合作開發人工智慧模型，以解決將成體細胞重新編程為幹細胞過程中的低效問題。
據報導，實驗室測試的早期結果表明，該模型被稱為GPT-4b Micro，可以將山中因子（對乾細胞生成至關重要的蛋白質）的效率提高50 倍以上麻省理工學院技術評論。
雖然尚未正式宣布，但該計畫展示了OpenAI 在生物研究方面邁出的第一步，為再生醫學提供了新的可能性。//winbuzzer.com/wp-content/uploads/2025/01/Openai-GPT-4b-Micro.jpg”>
大約一年前，Retro Biosciences 與 OpenAI 接洽時，合作就開始了。 這家新創公司總部位於舊金山，致力於透過細胞重編程的進步將人類壽命延長十年。
相關:Google DeepMind 向研究人員開源 AlphaFold 3
「我們立即將該模型投入實驗室，並得到了真實的結果，」 Retro Biosciences 執行長Joe Betts-Lacroix 在《麻省理工科技評論》報道的討論中表示，目前的方法效率低下，只有不到1% 的細胞能夠成功重新編程，需要數週的努力。的一個關鍵動機是改善這些結果的潛力可以加速針對年齡相關疾病和組織再生的療法的開發。 h2>
山中因子，以諾貝爾獎得主山中伸彌命名，是能夠誘導成熟細胞恢復到多能狀態，使它們能夠轉化為任何細胞類型
這種重編程過程支撐著再生醫學的進步，從創造替代組織到實現器官再生。儘管他們做出了承諾，但這個過程仍然低效、緩慢且佔用資源。透過分析跨物種的蛋白質序列和相互作用數據，該模型提出了實質的氨基酸變化以增強蛋白質功能。
OpenAI 研究員約翰·霍爾曼(John Hallman) 表示:「從整體上看，這些蛋白質似乎比科學家自己生產的蛋白質更好。」這種優化水平，多達三分之一的蛋白質胺基酸可能會被修改，這超出了依賴實驗室試錯實驗的傳統方法的範圍。 >
GPT-4b Micro 代表了人工智慧驅動的生物技術的獨特方法，而Google DeepMind 的AlphaFold 則專注於預測蛋白質的3D 結構，幫助研究人員了解分子相互作用，而GPT-4b Micro 旨在改善蛋白質功能。相比有了很大的改進。
為了實現這些結果，OpenAI 研究人員採用了「few-shot」學習技術，即在生成最佳化設計之前用少量範例指導人工智慧系統。設計蛋白質以提高性能。
OpenAI 執行長Sam Altman 是人工智慧驅動的科學發現的堅定支持者，他個人向Retro 投資了1.8 億美元，強調了他對此類合作潛力的信念。
Altman 先前曾表示，「超級智慧工具可以極大地加速科學發現和創新，遠遠超出我們自己的能力。」
雖然OpenAI 和OpenAI 之間沒有發生任何金融交易。 Retro Biosciences的此次合作中，奧特曼作為投資者和執行長的雙重角色受到了密切關注。 OpenAI 澄清，Altman 並未直接參與 GPT-4b Micro 的開發，強調該專案的重點是推進科學知識，而不是與任何特定的商業利益保持一致。
隨著OpenAI 在通用人工智慧以外的領域發揮不斷擴大的作用，這種透明度至關重要。/h3>
GPT-4b Micro 所取得的進展有可能解決再生醫學領域一些最迫切的挑戰。增強的山中因子可以為更有效的器官再生、個人化細胞療法和人造組織的開發鋪平道路。哈佛大學老化研究員、Retro Biosciences 顧問瓦迪姆·格拉迪舍夫(Vadim Gladyshev) 強調了更廣泛的影響:「[皮膚細胞]很容易重新編程，但其他細胞則不然，」他說。做到這一點在一個新物種中，它通常是非常不同的，而且你什麼也得不到。界提供驗證的機會並以此研究為基礎。雖然GPT-4b Micro 目前處於研究演示階段，尚未用於商業用途，但其結果凸顯了人工智慧驅動的方法在生物技術領域的變革潛力。科學發現中的作用
OpenAI 在GPT-4b Micro 上的工作補充了人工智慧驅動的生物學的最新進展，例如DeepMind 的AlphaFold 3，它最近開源用於非商業研究。
AlphaFold 透過準確預測蛋白質的形狀徹底改變了結構生物學，從而在藥物發現和疾病研究方面取得了突破。相較之下，GPT-4b Micro 專注於功能優化，解決阻礙蛋白質重編程實際應用的低效率問題。
