Des milliers d'agents d'IA ont analysé les données du cerveau de souris en 32 minutes
OpenAI, PerturbAI et Scripps Research ont utilisé les agents GPT-Rosalind pour analyser des millions de cellules cérébrales de souris et proposer de nouvelles pistes, qui nécessitent encore des tests en laboratoire.
OpenAI, PerturbAI et Scripps Research rapportent que des milliers d’agents d’IA, fonctionnant sur le modèle GPT-Rosalind d’OpenAI, ont analysé les données existantes de millions de cellules cérébrales de souris en 32 minutes. L’équipe affirme qu’un travail humain comparable prendrait des mois à un an.
La méthode est appelée « raisonnement biologique distribué », un nom sophistiqué pour une idée simple : diviser le travail en plusieurs petits morceaux. Chaque agent a extrait une perturbation d’un seul gène d’un grand atlas CRISPR couvrant l’ensemble du cerveau (un catalogue de ce qui arrive aux cellules lorsqu’un gène est désactivé), a étudié les effets, effectué des recherches dans la littérature scientifique et proposé des explications. Leurs rapports ont ensuite été fusionnés dans un « atlas du raisonnement » reliant les gènes, les effets, les articles et les mécanismes possibles. Selon l’équipe, les agents ont reproduit les résultats d’analyses humaines antérieures et ajouté de nouvelles pistes. Des experts humains aveugles ont évalué la nouveauté et la valeur scientifique du travail des agents de la même manière que le leur. En comparaison avec un agent ayant reçu le même modèle, l’essaim a cité plus de 700 références avec la charge de travail la plus importante contre 11, et les experts ont préféré les rapports de l’essaim dans 75 % des cas.
Deux exemples de pistes : la perturbation du gène Tsc2 a modifié de nombreux gènes de communication neuronale dans le cervelet, tandis que la perturbation de son partenaire Tsc1 a peu modifié, ce qui peut être lié à des problèmes cérébelleux dans la sclérose tubéreuse de Bourneville. Et la perturbation du DCTN1, liée au syndrome Perry, a augmenté les gènes de production de cholestérol, faisant allusion à une voie possible vers la neurodégénérescence. L’atlas est sur GitHub et l’article est sur bioRxiv.
Il vaut la peine de garder les attentes fondées : ce sont des hypothèses, pas des découvertes. Les mécanismes nécessitent encore une validation en laboratoire, les comparaisons sont les propres évaluations des auteurs et la page donne peu de détails sur la façon dont ils ont été exécutés.
Qu’est-ce qu’il y a derrière : un seul assistant IA fonctionne comme un chercheur très rapide. Un essaim fonctionne davantage comme un département, où chaque membre reçoit une question précise et les réponses sont combinées. Cela est particulièrement utile lorsqu’un domaine contient plus de données que les gens n’ont le temps de lire, ce qui décrit une grande partie de la biologie moderne. Le goulot d’étranglement passe alors de l’analyse au choix des éléments à tester en laboratoire.
Ce que cela signifie pour vous : pour la plupart des gens, rien ne change aujourd’hui. Mais cela montre clairement où les « agents » se dirigent au-delà des chatbots et du codage : des équipes parallèles d’assistants IA qui trient une montagne de matériel. Si vous travaillez avec de grandes quantités de texte ou de données, il convient de garder à l’esprit le même modèle, une petite tâche par agent et une étape de combinaison.
Sources
Sources: https://openai.com/index/scaling-ai-research-for-complex-biological-data/
L'API Decisions d'OpenAI répond rapidement aux questions oui/non pour 0,10 $ par million de tokens
Le Decisions API généralement disponible d'OpenAI, construit sur GPT-6 Luna, renvoie des probabilités pour des questions limitées telles que la classification ou le routage, et ne facture aucun token de sortie.
