OpenAI อัปเดต GPT-Rosalind — โมเดล AI เฉพาะทาง 'วิทยาศาสตร์ชีวภาพ' ที่เก่ง medicinal chemistry และ genomics ขึ้น แต่ใช้ token น้อยลง 31%
OpenAI ประกาศอัปเดตรุ่นใหม่ของ GPT-Rosalind เมื่อวันที่ 3 มิถุนายน 2026 — โมเดลในซีรีส์ที่สร้างขึ้นมาเพื่อ “งานวิจัยวิทยาศาสตร์ชีวภาพระดับองค์กร” โดยเฉพาะ ไม่ได้ออกแบบมาเพื่อคุยเล่น สร้างภาพ หรือเขียนโค้ดทั่วไป แต่เพื่อช่วยนักวิทยาศาสตร์ค้นพบยาและทำความเข้าใจระบบชีวภาพ จุดขายของรอบนี้คือการนำความสามารถ agentic coding และ tool use ของ GPT-5.5 มารวมกับความฉลาดเชิงลึกในโดเมนการค้นพบยา อย่าง medicinal chemistry และ genomics
ที่น่าสนใจคือ OpenAI เคลมว่าโมเดลใหม่ “เก่งขึ้นแต่ประหยัดขึ้น” — บนงาน genomics แบบ end-to-end มันใช้ token น้อยลงถึง 31% เมื่อเทียบกับ GPT-5.5 ขณะที่ความแม่นยำสูงขึ้น สะท้อนเทรนด์ที่โมเดลรุ่นใหม่ไม่ได้แข่งแค่ “ฉลาดกว่า” แต่ต้อง “ฉลาดต่อต้นทุน” ด้วย ซึ่งสำคัญมากเมื่อต้องรัน workflow วิทยาศาสตร์ที่ยาวและซับซ้อนเป็นพัน ๆ ขั้น
เก่งขึ้นแค่ไหน วัดด้วยเบนช์มาร์กที่ผู้เชี่ยวชาญตัดสิน
OpenAI สร้างชุดเบนช์มาร์กใหม่ที่ออกแบบให้สะท้อน workflow จริงของนักวิจัย แทนที่จะวัดความสามารถแยกส่วนแบบเบนช์มาร์กเดิม ๆ ตัวหลักคือ LifeSciBench ที่มองงานวิจัยแบบ end-to-end ครอบคลุม 6 ด้าน ตั้งแต่การจัดการหลักฐาน การวิเคราะห์ การออกแบบ/ทำนาย การให้เหตุผลเชิงวิทยาศาสตร์ การ validate และการสื่อสารผลงาน
ตัวเลขที่ OpenAI เปิดเผย: บน MedChemBench (งาน medicinal chemistry เช่น SAR, ทำนาย ADME/ความเป็นพิษ, retrosynthesis) GPT-Rosalind ทำได้ 27.5% เทียบกับ GPT-5.5 ที่ 25.1% โดยใช้ token น้อยลง 7.2%; บน GeneBench (งาน genomics เชิง agentic ระยะยาว) ได้ 21.6% เทียบกับ 20.4% แต่ประหยัด token ถึง 31%; และบน LabWorkBench ที่ทดสอบการช่วยงานในห้องแล็บจริง (โปรโตคอลที่เป็นข้อมูลปิด จึงไม่มีปัญหา contamination) ทำได้ 63.2% เทียบกับ 55.8%
จุดที่ควรอ่านอย่างมีสติคือ ตัวเลข absolute ยังไม่สูง — งาน genomics ที่ซับซ้อนที่สุดผ่านแค่ 21.6% เท่านั้น OpenAI เองก็ยอมรับว่านี่คือ “ก้าวถัดไป” ไม่ใช่จุดที่ AI แทนที่นักวิทยาศาสตร์ได้ มันคือผู้ช่วยที่เก่งขึ้น ไม่ใช่นักวิจัยอัตโนมัติ
จากการให้เหตุผล สู่การลงมือทำจริงผ่าน Codex
สิ่งที่ทำให้รอบนี้มีน้ำหนักกว่าการอัปเกรดโมเดลเฉย ๆ คือ “ชั้นลงมือทำ” (execution layer) OpenAI ปล่อย plugin สองตัวคือ Life Sciences Research และ Life Sciences NGS Analysis ที่ทำงานบน Codex — ตัวแรกดึงหลักฐานจากงานวิจัยพร้อมอ้างอิงแหล่งที่มา ตัวที่สองรัน bioinformatics pipeline จริง เช่น แปลง raw RNA-seq เป็นผลที่ผ่าน QC แล้วพร้อมตรวจสอบย้อนกลับได้ ทั้งหมดเก็บ provenance ของทุกขั้นตอนไว้ให้ผู้เชี่ยวชาญรีวิว
OpenAI ยังเพิ่ม interactive viewer สำหรับไฟล์แบบ biology native (sequence, alignment, structure) ใน Codex เพื่อให้นักวิทยาศาสตร์อยู่ใกล้ “หลักฐาน” ตลอดเวลาที่โมเดลกำลังให้เหตุผล — ทั้งหมดนี้เปิดให้ผู้ใช้ทั่วไปเข้าถึง plugin ได้ผ่าน Codex แล้ว ส่วนการใช้พลัง GPT-Rosalind ขับ plugin สงวนไว้ให้ลูกค้า enterprise ที่ผ่านคุณสมบัติ
การเข้าถึงยังเป็นแบบ trusted-access — เปิดให้องค์กรที่ทำวิจัยเพื่อประโยชน์สาธารณะ มีธรรมาภิบาลและการกำกับความปลอดภัยที่ชัดเจนเท่านั้น และ OpenAI ประกาศพาร์ตเนอร์ระดับโลกอย่าง Novo Nordisk ที่นำมาช่วยเร่งงานวิจัยยา รวมถึงเปิด managed workspace ให้องค์กรที่ยังไม่มีบัญชี Enterprise
มุมมอง AI Curator
GPT-Rosalind คือสัญญาณว่าสมรภูมิ AI กำลังแยกออกเป็นสองเลน — เลนโมเดล “อะไรก็ได้” (general-purpose) กับเลนโมเดล “เฉพาะทางลึก” (vertical) ที่ฝังเข้าไปในเครื่องมือและ workflow ของอุตสาหกรรมจริง การที่ OpenAI ยอมสร้างโมเดลที่ “ไม่คุยเล่น ไม่วาดรูป” แต่ทุ่มไปที่ medicinal chemistry และ genomics บอกว่ามูลค่าทางธุรกิจระยะยาวอยู่ที่การเป็นโครงสร้างพื้นฐานของอุตสาหกรรมที่มี margin สูงอย่างยา ไม่ใช่แค่แชตบอตยอดนิยม
สำหรับไทยและ SEA ที่มีฐาน biotech และการวิจัยทางการแพทย์กำลังเติบโต — ทั้งจุฬาฯ มหิดล และศูนย์วิจัยจีโนมิกส์หลายแห่ง — ข่าวนี้มีสองด้าน ด้านดีคือเครื่องมือระดับนี้อาจช่วยย่นเวลาการวิเคราะห์ข้อมูล omics และการสังเคราะห์งานวิจัยลงได้มาก แต่ด้านที่ต้องจับตาคือ “trusted-access” หมายความว่าการเข้าถึงถูกควบคุมเข้มและกระจุกอยู่กับองค์กรใหญ่ในประเทศพัฒนาแล้วก่อน ช่องว่างด้านขีดความสามารถวิจัย (research capability gap) ระหว่างประเทศที่เข้าถึงโมเดลแบบนี้กับที่เข้าไม่ถึง อาจถ่างกว้างขึ้น ไม่ใช่แคบลง — โจทย์ของภูมิภาคเราคือทำอย่างไรให้ติดอยู่ในรายชื่อ “องค์กรที่ผ่านการตรวจสอบ” เหล่านั้น ไม่ใช่รอเป็นผู้ใช้ปลายทางในอีกหลายปีถัดมา
แหล่งข่าว:
อ่านเพิ่มในหมวด งานวิจัย
Anthropic ให้ Claude สร้างชุดข้อมูลที่ดูไร้พิษภัยแต่ทำโมเดลเบี้ยว ซ่อนในเรื่องเลี้ยงผึ้งและมวยปล้ำ จนผ่านระบบตรวจที่คล้ายของจริง
ทีม Alignment ของ Anthropic ให้ Claude ปีนหาชุดข้อมูล fine-tune ที่หลบ monitor ได้ ผลคือซ่อนพฤติกรรมในงานเขียนแนวบทบาทสมมติ และโมเดลที่เทรนแล้วนำไปใช้ในบุคลิกตัวเอง ผลซ้ำได้บน Qwen 3.6 27B แต่การทดลองเอื้อฝ่ายโจมตีมากและไม่ได้สะท้อนโมเดลที่ใช้งานจริง
Memdoor ทำซ้ำ GVS5H ได้: ทีม Qwen3.8-27B ห้าตัวตามทัน Fable 5 บนโจทย์ LiveCodeBench Hard แต่ผู้ทำบอกเองว่า 'เท่า' ไม่ใช่ 'ชนะ'
Memdoor ปล่อย workflow team-solve ที่เขียนวิธี GVS5H เป็น YAML ล้วนและทำคะแนน 9.8/10 บน LiveCodeBench Hard 10 ข้อ เทียบกับ 8.0 ของ Fable 5 แบบเรียกครั้งเดียว แต่ตัวอย่างเล็กและมีข้อจำกัด ส่วนงานวิจัยต้นฉบับชี้ว่าวิธีนี้ไม่ได้ช่วยทุกโมเดล
QwenPU รัน LLM ซ้อนใน LLM ด้วยหน่วยเวกเตอร์ที่คอมไพล์ลงในน้ำหนัก Qwen3.5-4B ส่วน bootgpt ทำให้เครื่อง 386 บูตเข้าโมเดลภาษาโดยไม่มี OS
ผู้สร้าง Qwenputer ปล่อย QwenPU เมื่อ 31 ต.ค. รัน stories260K ของ Karpathy บนหน่วยเวกเตอร์ที่คอมไพล์ลงในน้ำหนัก Qwen3.5-4B ลดเหลือ 53,000 trace token ต่อหนึ่ง token เรื่องเล่า วันเดียวกัน bootgpt ใส่โมเดล int8 ขนาด 11.5KB ให้บูตบนเครื่อง 386 โดยไม่มี OS