La nova versió de GPT-Rosalind no està pensada per respondre preguntes científiques genèriques, sinó per integrar-se en fluxos reals de recerca biomèdica: analitzar dades, contrastar evidència, dissenyar hipòtesis i ajudar a decidir els següents experiments.
OpenAI ha presentat una actualització de gran abast de GPT-Rosalind, la seva família de models dissenyada específicament per a la recerca en ciències de la vida, el descobriment de fàrmacs i els fluxos experimentals biomèdics. L’anunci no és un simple ajust incremental dins la cursa dels grans models de llenguatge. És un senyal clar de cap a on es dirigeix la intel·ligència artificial més avançada: menys chatbot generalista i més agent especialitzat capaç de treballar dins d’entorns científics complexos, amb dades reals, eines externes, protocols experimentals i exigències de traçabilitat.
La nova versió de GPT-Rosalind combina les capacitats de programació agent i ús d’eines de GPT-5.5 amb un reforç específic en dominis centrals del descobriment de fàrmacs, com la química mèdica, la genòmica, la biologia quantitativa, l’anàlisi de dades òmiques, la interpretació d’evidència científica, el disseny experimental i la resolució de problemes de laboratori. Segons OpenAI, el sistema millora el seu rendiment en tasques formulades per experts en biologia, consultes complexes de química medicinal, anàlisi quantitativa i resolució d’incidències en protocols de laboratori humit.
El moviment té una importància estratègica evident. La indústria farmacèutica fa anys que intenta utilitzar la intel·ligència artificial per reduir els temps, els costos i les incerteses del desenvolupament de nous tractaments. Descobrir un fàrmac és un dels processos més difícils, llargs i costosos de l’economia del coneixement. Identificar una diana terapèutica, dissenyar molècules candidates, optimitzar-ne la potència i la seguretat, validar mecanismes biològics, superar assajos preclínics, dissenyar estudis clínics i obtenir autorització reguladora pot requerir més d’una dècada i inversions multimilionàries.
La promesa de la IA no és eliminar aquesta complexitat, sinó ajudar a navegar-la millor.
GPT-Rosalind apunta precisament a aquest espai intermedi entre la literatura científica, les dades experimentals i la presa de decisions. La biomedicina moderna produeix una quantitat immensa d’informació: articles, bases de dades genòmiques, resultats de seqüenciació, assajos funcionals, imatges, taules, registres experimentals, models estructurals, dades clíniques, anàlisis transcriptòmiques, proteòmiques i epigenòmiques. El problema ja no és només generar dades, sinó connectar-les, interpretar-les, auditar-les i convertir-les en decisions científiques raonables.
OpenAI presenta GPT-Rosalind com una eina per ajudar en aquest procés. El seu objectiu no és substituir l’investigador, sinó reduir la fricció entre preguntes, evidència, anàlisi i pròxims passos. La diferència és important. En ciència, una resposta plausible no és suficient. Cal saber d’on prové, quines dades la sustenten, quines incerteses arrossega, quins controls falten, quins experiments podrien refutar-la i com s’integra en el coneixement existent.
Per això l’anunci insisteix en la idea de fluxos reals de treball. GPT-Rosalind no es limita a llegir documents o resumir articles científics. L’actualització s’orienta a tasques de principi a fi: gestió d’evidència, anàlisi, disseny i optimització, raonament científic, validació i operacions, traducció i comunicació de resultats. OpenAI ha creat LifeSciBench, una avaluació jutjada externament per experts, per mesurar tasques que considera científicament valuoses en recerca biomèdica.
Aquest enfocament és rellevant perquè moltes demostracions d’IA científica es queden en exercicis massa tancats: respondre preguntes d’examen, classificar seqüències, resumir articles o resoldre problemes aïllats. Però la recerca real rarament funciona així. Un científic ha de formular hipòtesis, revisar evidència contradictòria, detectar biaixos, decidir controls, interpretar resultats parcials, anticipar objeccions reguladores, repetir experiments i comunicar descobriments amb prudència.
La dificultat és en la cadena completa, no en una baula aïllada.
Un dels exemples inclosos per OpenAI resulta especialment il·lustratiu. GPT-Rosalind analitza críticament un paquet de dades sobre una teràpia gènica amb AAV9 per a la distròfia muscular de Duchenne i avalua si l’evidència presentada donaria suport a una aprovació accelerada basada en l’expressió de microdistrofina com a criteri substitutiu raonablement probable de benefici clínic.
La resposta del model no es limita a acceptar els resultats biològics. Qüestiona l’especificitat dels assajos, la validesa dels estàndards de quantificació, la possible confusió provocada per fibres revertents, l’absència de controls aleatoritzats, la durada insuficient de les dades disponibles, els riscos de seguretat i les limitacions de generalització.
Aquest exemple mostra la direcció del producte. La IA científica valuosa no és la que confirma amb entusiasme una hipòtesi, sinó la que ajuda a trobar-ne les febleses.
En desenvolupament de fàrmacs, els errors no només costen diners. Poden retardar tractaments, exposar pacients a riscos innecessaris o conduir a decisions reguladores poc sòlides. Una eina capaç de sotmetre l’evidència a un examen crític pot ser molt útil si s’integra sota supervisió experta i amb controls adequats.
L’actualització també introdueix millores específiques en química medicinal. OpenAI afirma que GPT-Rosalind aconsegueix un rendiment líder a MedChemBench, una avaluació dissenyada per reflectir fluxos reals de química mèdica: comprensió multimodal d’estructures químiques, relacions estructura-activitat, predicció de potència, toxicitat, absorció, distribució, metabolisme i excreció, presa de decisions multiparamètrica en l’optimització de compostos i retrosíntesi.
La xifra pot semblar modesta a primera vista, però en camps tècnics d’alta complexitat cada millora és important. La química medicinal exigeix equilibrar múltiples variables simultàniament. Una molècula pot ser molt potent contra una diana terapèutica, però tenir una mala solubilitat. Pot travessar membranes biològiques amb facilitat, però presentar toxicitat. Pot funcionar en un assaig in vitro, però degradar-se massa ràpidament dins l’organisme.
El repte no consisteix a optimitzar un únic paràmetre, sinó a gestionar compromisos. Aquí és on un model especialitzat pot aportar valor: proposant alternatives, comparant hipòtesis, justificant decisions, anticipant riscos i ajudant a prioritzar experiments.
Les millores en genòmica i biologia quantitativa segueixen la mateixa lògica. OpenAI ha avaluat GPT-Rosalind en GeneBench, una prova centrada en anàlisi quantitativa de dades científiques. El sistema ha de planificar anàlisis, realitzar control de qualitat, modelitzar dades, aplicar correccions i arribar a conclusions útils per a la presa de decisions.
Els problemes inclouen genòmica funcional, transcriptòmica espacial, proteòmica, epigenòmica i genètica aplicada. En aquesta avaluació, GPT-Rosalind supera GPT-5.5 tant en precisió com en eficiència computacional.
Un dels punts més interessants és LabWorkBench, una avaluació dissenyada per mesurar la capacitat del model d’ajudar científics que treballen en laboratoris reals. Aquesta prova analitza si GPT-Rosalind pot relacionar alteracions experimentals amb resultats observats en protocols de laboratori humit utilitzats per investigadors, tant per resoldre problemes com per optimitzar processos.
Aquesta part és especialment significativa perquè apropa la IA a un dels espais més resistents a l’automatització: el laboratori físic.
En biologia experimental, els problemes rarament són nets. Un protocol pot fallar per una concentració incorrecta, una mostra degradada, un reactiu caducat, una incubació mal calibrada, contaminació, variabilitat cel·lular o errors humans. Diagnosticar el problema exigeix experiència, memòria de casos similars i capacitat de raonar sota incertesa.
Si GPT-Rosalind realment millora en aquest terreny, la IA podria començar a tenir un paper pràctic en l’optimització del treball experimental quotidià. No com a substitut del científic, sinó com a sistema de suport per revisar protocols, suggerir controls, detectar possibles causes d’error i documentar decisions.
La novetat més ambiciosa és la transició del raonament a l’execució de fluxos complets de treball. OpenAI ha desenvolupat connectors específics que permeten a GPT-Rosalind combinar recuperació d’evidència, interpretació biològica i execució bioinformàtica dins d’un mateix entorn de treball.
L’objectiu és connectar evidència externa amb anàlisis òmiques internes, preservant la traçabilitat de les dades i dels resultats.
La traçabilitat és fonamental. En ciència, no n’hi ha prou amb obtenir una resposta. Cal poder reconstruir tot el procés: quines dades s’han utilitzat, quins filtres s’han aplicat, quins paràmetres s’han escollit, quins fitxers s’han generat i quines limitacions continuen obertes.
Sense aquesta traçabilitat, la IA es converteix en una caixa negra incompatible amb la recerca regulada o la presa de decisions clíniques.
OpenAI també ha afegit visualitzadors interactius per a seqüències biològiques, alineaments genòmics i estructures moleculars. La idea és mantenir el científic a prop de l’evidència mentre el model analitza, raona i respon preguntes de seguiment.
La indústria farmacèutica té motius de pes per seguir aquesta evolució amb atenció. El descobriment de fàrmacs s’ha convertit en un problema d’integració de dades. Les empreses disposen de biblioteques químiques, plataformes òmiques, biobancs, dades clíniques, models animals i resultats experimentals. Però convertir tot això en decisions eficaces continua sent extraordinàriament difícil.
GPT-Rosalind es presenta com un pont entre aquests mons. Pot ajudar a relacionar literatura científica, genòmica, transcriptòmica, estructures moleculars i resultats experimentals, facilitant que els equips passin de les dades a hipòtesis accionables amb més rapidesa.
No obstant això, convé evitar entusiasmes excessius. GPT-Rosalind no converteix automàticament la recerca biomèdica en un procés ràpid i lliure d’incerteses. Els models poden raonar millor, però continuen depenent de la qualitat de les dades, dels supòsits introduïts i de la revisió experta.
Un model pot detectar problemes que un humà passaria per alt, però també pot generar inferències equivocades amb aparença convincent.
En ciència, l’autoritat no la dona la fluïdesa del llenguatge, sinó l’evidència reproduïble.
El risc d’automatitzar la confiança serà un dels punts crítics dels pròxims anys. Si eines com GPT-Rosalind s’integren profundament en els fluxos de laboratori, els equips hauran d’evitar acceptar-ne les recomanacions de manera automàtica. La IA ha de servir per ampliar l’escrutini científic, no per reduir-lo.
També apareixen qüestions relacionades amb la propietat intel·lectual, la confidencialitat i la seguretat biològica. Les mateixes capacitats que poden accelerar el descobriment de medicaments podrien tenir usos inadequats si no existeixen controls suficients.
Per això OpenAI vincula GPT-Rosalind a un model d’accés restringit orientat a organitzacions científiques qualificades i amb mecanismes de supervisió.
La gran tendència que reflecteix GPT-Rosalind és la de la especialització vertical de la intel·ligència artificial. La primera generació de models era generalista. La següent serà cada vegada més especialitzada en dominis com la medicina, el dret, l’enginyeria, les finances o les ciències de la vida.
La diferència entre un model generalista i un model científic no consisteix només a conèixer més terminologia. Consisteix a operar dins una cultura científica basada en l’evidència, la reproduïbilitat, la revisió crítica, la traçabilitat i la gestió explícita de la incertesa.
GPT-Rosalind apunta precisament en aquesta direcció.
No promet cures miraculoses ni descobriments instantanis. Promet una cosa potser més realista i més important: ajudar els científics a avançar més ràpidament des de bones preguntes cap a evidències més sòlides, experiments millor dissenyats i, eventualment, nous tractaments per als pacients.
Si aquestes capacitats demostren impacte real en entorns científics sota supervisió experta, podrien transformar la productivitat de la recerca biomèdica moderna.
La cursa de la intel·ligència artificial ja no es disputa només en assistents personals, cercadors, generadors d’imatges o vídeo. També es disputa als laboratoris, als centres de recerca, a la química medicinal, a la genòmica i als fluxos experimentals que poden determinar la pròxima generació de medicaments.
La pregunta ja no és si la IA pot escriure sobre ciència.
La pregunta és si pot treballar dins la ciència sense comprometre el rigor que la defineix.
