یک شرکت تحقیقاتی سرمایه گذاری می خواست ثابت کند که هوش مصنوعی می تواند توسعه دارو را متحول کند. بنابراین با آنتروپیک همکاری کرد تا ببیند آیا نسخه‌ای منتشر نشده از کلود می‌تواند پادزهر عقرب بسازد یا خیر. نمی‌توانست - و یک بررسی دقیق توسط The Verge که در 22 اکتبر منتشر شد، دقیقاً نشان می‌دهد که آزمایش تا چه حد از ادعای ویروسی فاصله دارد، حتی اگر محققان اذعان داشته باشند که نتایج اساسی "از نظر فنی امیدوارکننده" هستند.

این قسمت یک مطالعه موردی در نحوه سفر ادعای کشف داروی هوش مصنوعی است: یک آزمایش پر زرق و برق، یک پست وبلاگ پیروزمندانه، و شکافی بین آنچه نشان داده شد و آنچه که سرفصل ها بیان می کنند. برای صنعتی که بودجه هوش مصنوعی به طور فزاینده ای به داستان سرایی علمی وابسته است، ارزش مطالعه دقیق را دارد.

چگونه آزمایش آشکار شد

شرکت پشت این آزمایش سیترینی ریسرچ است که یک پست وبلاگی با عنوان "ما می خواستیم از کلود برای ایجاد یک داروی جدید استفاده کنیم. در اینجا چه اتفاقی افتاد" منتشر کرد. همانطور که The Verge گزارش می دهد، این حساب با سوالات بلاغی، گزارشی ضربه به ضربه از ماجراهای علمی آماتور تیم و نقل قولی از چارلز داروین همراه بود. خود سیترینی اعتراف کرد که «هیچ یک از ما نمی‌توانستیم ادعا کنیم که چیزی در مورد هوش مصنوعی می‌دانیم، زیرا با زیست‌شناسی مرتبط است».

این همکاری منشا غیرعادی داشت. سیترینی در حالی که سعی می‌کرد مدل را برای تحقیق در مورد کاندیداهای دارو راهنمایی کند، به نرده‌های محافظ امنیت زیستی کلود برخورد کرد، و نویسنده پست می‌گوید آنها «هرکسی را که در لیست تماس‌های من که در آزمایشگاه هوش مصنوعی کار می‌کردند، به‌صورت اسپم تماس گرفتند» تا زمانی که یک شریک مایل پیدا کردند. آنتروپیک موافقت کرد که محدودیت‌ها را کنار بگذارد و به تیم اجازه دهد به یک مدل پیشرفته‌تر و منتشر نشده دسترسی داشته باشد - به شرط اینکه از دفاتر آنتروپیک کار کنند. لابراتوار هوش مصنوعی نیز قبض محاسباتی و رمزی را پرداخت کرد که فقط به 50000 دلار رسید.

پادزهر عقرب هدف مناسبی بود: این یک درمان پرهزینه است که تولید آن دشوار است و اغلب شامل تزریق سم به اسب ها می شود. هدف استفاده از کلود برای طراحی پروتئین هایی بود که می توانست به سموم موجود در زهر عقرب متصل شود.

این تیم با یک دستور 35 صفحه ای، حدود 300 عامل فرعی را برای کشف پروتئین های مناسب آزاد کردند. گزارش هوشیارتر خود آنتروپیک بیان می‌کند که کلود تقریباً 320000 نامزد ایجاد کرد و پس از دور انداختن طرح‌هایی که شبیه سموم شناخته شده یا پروتئین‌های موجود بودند، آنها را به 180 طرح کاهش داد. کل فرآیند 64 ساعت طول کشید. تیم با همکاری کلود، 31 طرح دیگر را اضافه کرد و مجموع طرح ها را به 211 رساند.

آنچه آزمایشگاه های مرطوب پیدا کردند

سپس سیترینی طرح‌ها را به دو آزمایشگاه بیرونی - شرکت بیوتکنولوژی سوئیسی Adaptyv Bio و Twist Biosciences مستقر در ایالات متحده - فرستاد تا آزمایش کند که آیا پروتئین‌ها واقعاً می‌توانند به اهداف مورد نظر خود متصل شوند یا خیر. این آزمایش تقریباً 150,000 دلار دیگر هزینه داشت که کل هزینه را به حدود 200,000 دلار می رساند. هنوز مشخص نیست که چرا این آزمایش ها در آزمایشگاه مرطوب زیست شناسی خود آنتروپیک در کالیفرنیا انجام نشده است.

نتایج: 17 مورد از پروتئین ها عبور کردند، که به طور جمعی به چهار سم از پنج سم عقرب که تیم امیدوار بود هدف قرار دهد، متصل شد. هیچ یک از پروتئین ها به بیش از یک سم متصل نیست.

و این همان جایی است که داستان از نظر علمی به پایان می رسد. اتصال به یک سم به این معنی نیست که پروتئین می تواند آن را خنثی کند، چه رسد به اینکه به عنوان یک درمان ایمن و موثر عمل کند. پست خود سیترینی تأیید می کند که "هنوز هیچ آزمایشی آزمایش نکرده است که آیا آنها واقعاً کار سم را متوقف کرده اند." به عبارت دیگر، این شرکت شروع به ساخت یک داروی جدید کرد و به جای آن یک مرحله بسیار زودتر در خط لوله انجام داد - مرحله ای که کارشناسان آن را بخش نسبتاً آسان توصیف می کنند.

کارشناسان: امیدوار کننده، اما زودرس

The Verge با چندین متخصص دانشگاهی مشورت کرد و اتفاق نظر آنها ثابت بود. Andreas Hougaard Laustsen-Kiel، استاد فناوری آنتی بادی در دانشگاه فنی دانمارک می گوید: «کشف یک چسب خوب در برابر سموم مار و عقرب آسان است. "بخش سخت این است که آن را به یک دارو ترجمه کنید."

دو تن از همکاران او در DTU - استادیار ملیسا بنارد واله و محقق ارشد آن لیونگارس - فراتر رفتند و یافته‌ها را به عنوان "به دور از یک دارو و هیپ" توصیف کردند. آنها نوشتند که نتایج از نظر فنی امیدوارکننده است، اما ایمنی، ثبات، رفتار در بدن و قابلیت توسعه ناشناخته باقی مانده است. "ترجمه این بایندرها به یک داروی واقعی احتمالا هنوز یک فرآیند طولانی و چالش برانگیز است." به نظر آنها، عنصر واقعاً جدید آزمایش، فرآیند کشف مستقل بود، نه نتایج بیولوژیکی.

Andreas Bender, a professor of machine learning in medicine at Khalifa University in Abu Dhabi and a visiting professor at the University of Cambridge, added context that deflates the novelty further: existing methods like high-throughput screening are often able to find many candidate hits at manageable cost without any AI at all. Designing proteins that bind to targets is, in his words, "kind of" a solved problem. "It's exactly this translation that lacks."

The Business Angle

Why would an investment research firm spend $200,000 to not make a drug? Because the experiment doubles as marketing. Citrini declared the exercise a success of sorts, arguing it offers a glimpse into investment opportunities in the coming era of AI-enabled drug discovery. The specifics of its bullish thesis were reserved for paying subscribers, though Bloomberg reported that the firm highlighted companies involved in the testing side of drug development, including Charles River Laboratories, which supplies primates for animal research.

The framing choices speak for themselves. In a video discussing the experiment, Citrini described the AI portion as "free" — overlooking the roughly $50,000 tab Anthropic picked up. When challenged, the firm accused critics of nitpicking, writing: "Not to beat a dead horse, but we are an investment research firm — not a biotech startup." Neither Citrini nor Anthropic responded to The Verge's requests for comment.

Context matters here too. Citrini was previously behind a widely circulated piece of fiction imagining an AI-induced economic catastrophe that gained traction on social media and rattled real-world markets. Anthropic, mere weeks out from its hotly anticipated IPO, has its own reasons to talk up AI's potential in drug development and the life sciences — two areas it is actively pursuing.

What the Experiment Actually Proved

Stripped of the hype, the experiment demonstrates something real but narrower than the headlines suggested: an AI model, operating with unusual autonomy, can run a large-scale protein candidate search cheaply and quickly, generating a shortlist that contains genuine binders. That is a meaningful productivity gain for early-stage discovery work.

But the distance from "17 proteins that bind" to "antivenom that saves lives" spans safety studies, formulation, efficacy testing and regulatory trials — the long, expensive part of drug development that no amount of compute has yet compressed. Experts told The Verge that turning promising molecules into effective medicines remains a much greater challenge than finding them.

The lesson for readers evaluating the next viral AI-science story is simple: ask whether the result was a discovery, a shortlist — or a subscription pitch.

Stay Ahead of AI

Cut through the hype with our AI news coverage at AI Buzz Wire.

Read more AI news →