10 сентября 2026 года OpenAI выложила прикладной кейс: лаборатория Сесара де ла Фуэнте (César de la Fuente) ставит Codex и ChatGPT в поиск антимикробных молекул по геномам живых и вымерших организмов. Первичка, пост в разделе Applied AI: How a researcher uses Codex and ChatGPT to search for new antimicrobial molecules.
Для человека с сайтом, ботом или ключом API практический смысл не в новом id модели. Его в этом тексте нет. Компания показывает, как уже существующий чат и coding-агент встают в чужой научный контур рядом с собственными deep-learning моделями лаборатории. Веса OpenAI по-прежнему не отдают. Геномы, гипотезы и код уезжают в облако вендора.
Зачем лаборатории ИИ на геномах
Де ла Фуэнте формулирует проблему жёстко: антимикробная устойчивость, на его взгляд, одна из главных экзистенциальных угроз, а нового класса антибиотиков нет уже 50 лет. OpenAI в том же посте приводит оценку, связанную с бактериальной устойчивостью: около пяти миллионов смертей в 2021 году и проекцию примерно удвоить эту ежегодную цифру к 2050-му. Это цитата первоисточника, не мой подсчёт.
Большая часть современной разработки крутится вокруг уже известных лекарств и знакомых классов веществ. Отдача падает. Лаборатория идёт в другое место: в «код жизни». Нуклеотиды ДНК и аминокислоты белков и пептидов де ла Фуэнте сравнивает с алфавитом. Если биология, это информационная система, по ней можно искать закономерности, из которых когда-то получилась рабочая молекула.
Понятной функции у генома мало. Ещё меньше участков, которые кодируют молекулы против инфекционных микробов. Классический путь, растения, животные, микробы, насекомые, вода, почва, занимает годы: образец, кандидат, проверка, снова образец. Цифровые базы геномов и белков расширяют поиск по всему дереву жизни. Вместе с объёмом появляется другая задача: не утонуть в вариантах.
Свои модели, Codex и ChatGPT
Свои deep-learning модели лаборатории учат узнавать паттерны в биологических последовательностях и гонять большие наборы геномов и белков. OpenAI пишет, что так первичный поиск кандидатов сжимается с лет до часов. Это про отбор кандидатов, не про готовое лекарство в аптеке.
Рядом с этими моделями стоят ChatGPT и Codex. По тексту поста ими пользуются, чтобы набрасывать гипотезы, писать и править код, разбирать датасеты, смотреть результаты и связывать идеи между дисциплинами. Группа междисциплинарная: биология, химия, computer science, инженерия. Одни хорошо пишут программы и слабее знают химию, у других наоборот. Codex и ChatGPT, по словам де ла Фуэнте, как раз закрывают этот зазор: биолог собирает программу, программист лезет в биологическую задачу.
Дальше бытовое, не «нейросеть сама нашла антибиотик». Люди гоняют незнакомые темы, уточняют термины, сравнивают методы разных полей, раскладывают идеи по полочкам. Кто-то скачивает, раскладывает и предобрабатывает большие геномные наборы. ChatGPT даёт работать на родном языке. Сам де ла Фуэнте держит его как партнёра по мозговому штурму: гипотезу всё равно дожимает с коллегами, но черновик мысли собирает в чате.
Отдельная деталь, которая в IT-контуре узнаваема сразу. Workspace ChatGPT у них общий: туда складывают и удачные идеи, и плохие. Получается общая доска, на которую смотрят люди с разным устройством головы. Это удобно. Это же значит, что черновики гипотез и куски пайплайна живут у вендора, а не только в лабораторном git.
Версию модели, тариф, id в API и какой именно Codex, CLI, IDE или чат, пост не называет. Цены нет. Linux-клиента нет. Гадать, какая кнопка в пикере у них нажата, бессмысленно: этого в первоисточнике нет.
Кандидат ещё не лекарство
Найти перспективную молекулу, ещё не значит получить лекарство. Дальше, по тексту OpenAI, обычная цепочка, которую чат не отменяет. Нужно подтвердить, что кандидат убивает нужный микроб, понять дозу, посмотреть, что он делает с человеческими клетками. Химики могут докрутить эффективность, безопасность или стабильность. Отдельно проверяют, с какой дозы начинается токсичность, как быстро микробы вырабатывают устойчивость, как вещество ходит по организму, и можно ли его стабильно производить. Кто это переживает, всё равно идёт в регуляторику и клинические испытания.
Де ла Фуэнте на этом настаивает прямо: ground-truth эксперименты обязательны, чтобы проверять предсказания ИИ. Без мокрой лаборатории список кандидатов, это список кандидатов. Телескоп и микроскоп он ставит в один ряд с нынешними машинами: инструменты всегда помогали смотреть на мир. Сейчас они помогают понимать, предсказывать и конструировать биологию. Это рамка исследователя, не обещание, что ChatGPT закрыл 50-летнюю дыру в антибиотиках.
Он же предупреждает не полагаться на ИИ в одиночку: точность всё равно надо перепроверять. Для своего бота и своего репозитория это та же развилка, только ставка ниже, чем у генома патогена.
Что из схемы брать в свой контур
Новой кнопки в пикере, нового endpoint и пакета в apt здесь нет. Повторять геномный поиск не обязательно. Повторять ошибки контура тоже не стоит. Если вы уже гоняете Codex по репозиторию или ChatGPT по черновикам, из кейса полезнее схема, а не сюжет про вымершие организмы.
- Свои модели лаборатории и облако OpenAI, это два разных контура. Путать «мы обучили классификатор на последовательностях» и «мы спросили ChatGPT» в этом посте как раз не стоит.
- Codex закрывает код и предобработку датасетов, ChatGPT, гипотезы, термины и общий workspace. Задача всё равно ставится человеком.
- Общий чат с удачными и плохими идеями удобен. Для клиентских данных, ключей и боевого сайта это уже вопрос периметра, не «так делают в лаборатории».
- Сжатие поиска с лет до часов относится к первичному отбору кандидатов. До рабочего вещества отсюда ещё эксперимент, токсичность, устойчивость, производство и клиника.
- Де ла Фуэнте прямо говорит перепроверять. Код пайплайна, вывод модели и чужой датасет после агента всё равно смотрит человек.
- Боевой WordPress, SSH и root в этот рецепт не входят. В первоисточнике такого контура нет.
Я бы в такой ситуации начал с узкого контура: один репозиторий, один датасет, который не жалко отдать вендору, и правило «агент предлагает, человек принимает». На геномах лаборатория как раз так и живёт: ИИ сужает пространство, эксперимент решает, правда это или нет.
Прорывы, по формулировке де ла Фуэнте, ждут на границах между полями, куда почти никто не ходит. Для админа сайта это звучит прозаичнее: стык дисциплин в одном workspace помогает. Стык без проверки и без периметра, нет.
Если завтра этот пост принесут как аргумент, что «нейросеть уже ищет лекарства, можно выключить ревью», в первоисточнике этого рецепта нет. Там наоборот: свои модели, чужой чат, обязательный эксперимент и ручная перепроверка.
