الحكومة الأميركية وGoogle وMeta تضخ 1.8 مليار دولار لبناء بيانات بيولوجية لتدريب نماذج AI 🧬🤖

تتعاون الحكومة الأميركية مع عمالقة التكنولوجيا ميتا (META – Meta Platforms) وألفابت (GOOGL – Alphabet) ضمن مبادرة تقودها منظمة بايوهب (Biohub) لبناء مجموعات بيانات مفتوحة يمكن استخدامها في تدريب نماذج الذكاء الاصطناعي AI على الأبحاث البيولوجية.

ويصل إجمالي الاستثمارات المرتبطة بالمشروع إلى $1.8 مليار، في محاولة لإنشاء كميات هائلة من البيانات البيولوجية القادرة على مساعدة نماذج AI في فهم سلوك الخلايا والتنبؤ باستجابتها للتغيرات المختلفة.

ويستهدف المشروع في النهاية تسريع عمليات البحث وتطوير الأدوية التي تستغرق حاليًا سنوات، من خلال بناء نماذج قادرة على محاكاة وتوقع العمليات البيولوجية بدرجة أكبر.

🧠 نظرة مُركّب: بعد تدريب نماذج AI على النصوص والصور والبرمجيات، تتحول المنافسة إلى نوع جديد من البيانات: البيانات العلمية. في البيولوجيا، التحدي ليس فقط بناء نموذج أكبر، بل إنشاء بيانات تجريبية ضخمة ومنظمة يمكن للنموذج أن يتعلم منها.

💰 كيف يتوزع استثمار 1.8 مليار دولار؟

تستثمر Meta وGoogle DeepMind وشركة اكتشاف الأدوية Isomorphic Labs بصورة مشتركة نحو $300 مليون في المشروع.

وستستثمر وزارة الطاقة الأميركية DOE أكثر من $500 مليون على مدار 5 سنوات في القياسات المختبرية والنمذجة والحوسبة.

وفي الوقت نفسه، ستنسق المعاهد الوطنية للصحة NIH مجموعات البيانات ومستودعات المعلومات التي تم بناؤها بأكثر من $500 مليون من التمويل الفيدرالي السابق، على أن تعمل Biohub على توحيدها وتجهيزها لتدريب نماذج AI.

وتأتي هذه الالتزامات بعد استثمار $500 مليون قدمته Biohub للمشروع في أبريل.

وتعد Biohub مبادرة خيرية مرتبطة بالرئيس التنفيذي لـMeta، مارك زوكربيرغ (Mark Zuckerberg)، وزوجته الدكتورة بريسيلا تشان (Priscilla Chan).

🧠 نظرة مُركّب: حجم التمويل يكشف أن بناء نماذج AI العلمية لا يعتمد على الحوسبة فقط. الجزء الأصعب قد يكون إنشاء البيانات المختبرية نفسها وتوحيدها وتجهيزها، وهي عملية تحتاج إلى مختبرات وتمويل وحوسبة وتنسيق على نطاق واسع.

🧬 مبادرة Virtual Biology تريد بناء نموذج تنبؤي للحياة

تمول الاستثمارات مبادرة Virtual Biology Initiative، التي تهدف إلى قياس كيفية استجابة الخلايا للتغيرات عبر عدد من الظروف أكبر بكثير مما درسه العلماء حتى الآن.

بعد ذلك، ستستخدم هذه البيانات لبناء نماذج تنبؤية يمكنها توقع كيفية تصرف الخلايا في ظروف مختلفة.

والهدف النهائي هو تقليص الوقت اللازم لتطوير الأدوية، وهي عملية يمكن أن تستغرق سنوات.

وقالت Priscilla Chan إن علم الأحياء ظل إلى حد كبير علمًا يعتمد على الاكتشاف، بينما تسعى المبادرة إلى بناء أصل علمي مشترك يمكن للمجتمع البحثي البناء عليه بمرور الوقت.

🧠 نظرة مُركّب: الفكرة تشبه الانتقال من استخدام AI للبحث داخل المعلومات الموجودة إلى جعله يتنبأ بما سيحدث بيولوجيًا قبل تنفيذ كل تجربة فعليًا. إذا وصلت النماذج إلى دقة كافية، فقد تساعد الباحثين على تحديد التجارب الأكثر أهمية قبل إنفاق الوقت والمال عليها.

📊 من مئات الملايين إلى تريليونات الخلايا

تكمن إحدى أكبر العقبات في حجم البيانات المطلوبة.

وقال رئيس العلوم في Biohub، أليكس ريفز (Alex Rives)، إن مجموعات بيانات الخلايا الحالية تضم مئات الملايين من الخلايا.

لكن بناء نموذج تنبؤي دقيق سيحتاج إلى بيانات من مليارات الخلايا، وفي النهاية تريليونات منها.

وتهدف Biohub إلى سد هذه الفجوة عبر إنشاء بيانات جديدة على نطاق غير مسبوق.

وأوضح Rives أن الهدف هو التقاط ما وصفه بـ«لغة البيولوجيا» و«لغة الخلية»، وهي بيانات متكاملة لا توجد حاليًا بالشكل المطلوب.

🧠 نظرة مُركّب: هذا يوضح حجم الفجوة بين AI الحالي ونموذج قادر على التنبؤ بالبيولوجيا. إذا كانت البيانات الحالية تقاس بمئات الملايين بينما المطلوب يصل في النهاية إلى تريليونات الخلايا، فإن عنق الزجاجة الأساسي هو توليد البيانات العلمية وليس مجرد زيادة القدرة الحاسوبية.

🔬 كيف سيتم إنشاء البيانات؟

ستأتي البيانات من مجموعة من التقنيات المختبرية المتقدمة، بما في ذلك Spatial Transcriptomics، التي تسمح برسم خريطة للنشاط الجزيئي داخل الأنسجة مع الحفاظ على بنيتها.

كما ستُستخدم اختبارات تسجل كيفية استجابة الخلايا للتغيرات المختلفة في بيئتها.

وجزء كبير من هذه البيانات لم يتم إنتاجه من قبل بصورة منسقة وعلى النطاق الذي تستهدفه المبادرة.

ويقول Biohub إن العمل المطلوب كان سيستغرق عادةً عقودًا، لكن الشركاء يريدون ضغط الجدول الزمني إلى 5 سنوات فقط.

ومن المتوقع أن تصبح أول مجموعة بيانات جاهزة خلال نحو عام واحد، بينما يستهدف المشروع الوصول إلى نماذج تنبؤية دقيقة خلال 5 سنوات.

🧠 نظرة مُركّب: الجدول الزمني طموح؛ المشروع يحاول اختصار عمل قد يستغرق عقودًا إلى 5 سنوات. النجاح يعتمد على القدرة على توحيد التجارب والقياسات بحيث تصبح البيانات الناتجة قابلة للاستخدام معًا في تدريب نموذج واحد.

🔓 البيانات ستكون عامة.. لكن الممولين يحصلون عليها أولًا

من المخطط نشر مجموعات البيانات للعامة في نهاية المطاف، لكن الشركات التي تمول إنتاجها ستحصل على فترة وصول مبكر.

وأوضح Rives أن الاتفاقات مع الممولين التجاريين تتضمن فترات حظر Embargo Periods تستطيع خلالها الجهات الممولة العمل على البيانات قبل تحويلها إلى مورد علمي عام.

وهذه الآلية هي إحدى الطرق التي تستخدمها Biohub لجذب رأس المال الخاص إلى مشروع تصفه بأنه قائم على العلوم المفتوحة Open Science.

أما العمل الممول حكوميًا والذي يجري بالتوازي فلن يخضع لهذه القيود.

وتخطط Biohub لاحقًا للتواصل مع شركات الأدوية والمؤسسات الخيرية لجذب تمويل إضافي.

🧠 نظرة مُركّب: النموذج يحاول الموازنة بين هدفين: إبقاء البيانات مفتوحة للباحثين على المدى الطويل، ومنح الشركات سببًا اقتصاديًا لتمويل إنتاجها عبر الوصول المبكر. السؤال المهم سيكون مقدار الميزة التي يمكن للممولين بناؤها خلال هذه الفترة قبل إتاحة البيانات للجميع.

💊 لماذا تهتم شركات التكنولوجيا ببيانات الخلايا؟

القيمة المحتملة لهذه البيانات تكمن في قدرتها على تدريب نماذج تتنبأ بكيفية استجابة الخلايا للأدوية أو التغيرات البيئية.

بدلًا من اختبار كل احتمال بصورة منفصلة، يمكن للنماذج مستقبلًا المساعدة في تحديد السيناريوهات الأكثر أهمية لإجراء التجارب عليها.

وتريد المبادرة استخدام هذه القدرة لتقليص الجداول الزمنية الطويلة المرتبطة بتطوير الأدوية.

كما أن وجود بيانات موحدة ومفتوحة يمكن أن يسمح لجهات متعددة ببناء نماذج مختلفة فوق القاعدة العلمية نفسها.

🧠 نظرة مُركّب: في هذه المرحلة، القيمة الأساسية ليست في استبدال التجارب المختبرية، بل في تحسين القدرة على اختيار التجارب والتنبؤ بنتائجها. كلما تحسنت النماذج، يمكن أن يصبح تطوير الأدوية أحد أكبر المجالات التي تستفيد اقتصاديًا من AI العلمي.

🧪 سباق AI Biology يتوسع

ليست Biohub وحدها التي تتحرك في هذا الاتجاه.

وسعت أنثروبيك (ANTH.PVT – Anthropic) جهودها في مجال البيولوجيا من خلال إنشاء مختبر تجريبي Wet Lab.

وفي الوقت نفسه، أطلقت مؤسسة OpenAI Foundation برنامج منح يتجاوز $125 مليون لتمويل مجموعات البيانات البيولوجية والطبية المستخدمة في أبحاث AI.

وتشير هذه المبادرات إلى تصاعد المنافسة لبناء البيانات والبنية التحتية التي يمكن أن تدعم الجيل المقبل من النماذج العلمية.

🧠 نظرة مُركّب: السباق في AI Biology قد يصبح سباق بيانات بقدر ما هو سباق نماذج. المختبر أو الشركة التي تمتلك بيانات تجريبية واسعة وعالية الجودة يمكن أن تحصل على ميزة يصعب تحقيقها بمجرد زيادة عدد وحدات الحوسبة.

📌 الخلاصة لمتابعي مُركّب

وصل إجمالي الاستثمار المرتبط بمبادرة Biohub للبيولوجيا الافتراضية إلى $1.8 مليار.

تستثمر Meta وGoogle DeepMind وIsomorphic Labs نحو $300 مليون، بينما تضخ وزارة الطاقة الأميركية أكثر من $500 مليون خلال 5 سنوات.

وستنسق NIH مجموعات بيانات تم تطويرها بأكثر من $500 مليون من التمويل الفيدرالي السابق، إضافة إلى $500 مليون قدمتها Biohub في أبريل.

وتهدف المبادرة إلى الانتقال من مجموعات بيانات تضم مئات الملايين من الخلايا إلى مليارات ثم تريليونات الخلايا، بهدف تدريب نماذج AI قادرة على التنبؤ بالسلوك البيولوجي.

ومن المتوقع إصدار أول مجموعة بيانات خلال نحو عام، بينما يستهدف المشروع الوصول إلى نماذج تنبؤية دقيقة خلال 5 سنوات.

وفي الوقت نفسه، تتوسع مبادرات مشابهة لدى Anthropic وOpenAI Foundation، ما يشير إلى تسارع المنافسة على استخدام الذكاء الاصطناعي في العلوم البيولوجية.

🧠 نظرة مُركّب: المرحلة التالية من طفرة AI قد لا تدور فقط حول مراكز البيانات والرقائق، بل حول البيانات العلمية المتخصصة. مشروع Biohub بقيمة $1.8 مليار يوضح أن شركات التكنولوجيا والحكومة بدأت تتعامل مع البيانات البيولوجية باعتبارها بنية تحتية ضرورية لبناء نماذج علمية أكثر قدرة.

🔮 نظرة مستقبلية

ستكون أول مجموعة بيانات، المتوقع إصدارها خلال نحو عام، أول اختبار عملي لقدرة المبادرة على إنتاج معلومات بيولوجية بالحجم والجودة المطلوبين.

وعلى المدى الأطول، يستهدف الشركاء بناء نماذج تنبؤية دقيقة خلال 5 سنوات بدلًا من العقود التي قد يستغرقها إنتاج هذه البيانات بالطرق التقليدية.

كما سيكون دخول شركات الأدوية والمؤسسات الخيرية إلى المشروع عاملًا مهمًا في توسيع حجم التمويل والبيانات.

وفي الوقت نفسه، ستستمر المنافسة مع المبادرات التي تطورها مختبرات AI الأخرى في مجال البيولوجيا.

🧠 نظرة مُركّب: إذا نجحت المبادرة في تحويل مليارات أو تريليونات القياسات الخلوية إلى نماذج قادرة على التنبؤ بنتائج بيولوجية مفيدة، فقد ينتقل AI من أداة لتحليل الأبحاث إلى جزء أساسي من عملية الاكتشاف العلمي وتطوير الأدوية نفسها.