رقابت در صنعت هوش مصنوعی همچنان سخت است و شرکت اُپن‌ای‌آی ثابت کرده است که هیچ چالشی را ساده نمی‌گیرد. این برند مولد هوش مصنوعی اعلام کرد که از ماه فوریه تا اکنون به ۴۰۰ میلیون کاربر فعال هفتگی خدمات ارائه داده است که نشان دهنده افزایش ۳۳ درصدی در کمتر از سه ماه است. برد لایت‌کپ، مدیر عملیات  شرکت اُپن‌ای‌آی، آخرین آمار کاربران را اعلام کرده است. این ارقام پیش از این گزارش نشده بود. این اعداد به سرعت از آمار قبلی که ۳۰۰ میلیون کاربر هفتگی در ماه دسامبر بود، پیشی گرفته است. به نقل از دیجیتال‌ترندز، این شرکت هوش مصنوعی شاهد رقیب غیرمنتظره‌ای نیز بوده است که توسط یک استارت‌آپ چینی عرضه شد. هوش مصنوعی دیپ‌سیک (DeepSeek) خدمات هوش مصنوعی را با قدرتی قابل مقایسه با چت جی‌پی‌تی توسط مدل‌های منبع باز ارائه می‌کند. با این حال، لایت‌کپ می‌گوید که رشد محصول شاخص این شرکت، یک پیشرفت طبیعی بوده است زیرا این هوش مصنوعی در حال کسب قابلیت‌های بیشتری است و افراد بیشتری نیز با این سرویس آشنا می‌شوند. پیش از معرفی  دیپ‌سیک، اُپن‌ای‌آی رقابت شدیدی با سایر برندهای برجسته مانند گوگل و مدل زبانی جمینای (Gemini) آن داشت. لایت‌کپ می‌گوید که این شرکت از ماه سپتامبر سال ۲۰۲۴ تجارت سازمانی خود را دو برابر کرده و به دو میلیون مشتری رسانده است. او افرود: ما مزایای زیادی از پذیرش مصرف‌کنندگان به صورت طبیعی کسب می‌کنیم. مصرف‌کنندگانی که از قبل در مورد محصول ما اطلاعات دارند. این یک رشد واقعا سالم در یک منحنی متفاوت است. علاوه بر این، استفاده از چت‌جی‌پی‌تی توسط توسعه‌دهندگان نیز در شش ماه اخیر دو برابر شده است. توسعه دهندگان به طور مستقل از کدها و مدل‌های موجود، برای ایجاد محصولات و خدمات خود استفاده می‌کنند. علیرغم تغییراتی که دیپ‌سیک در صنعت ایجاد کرده است، لایت‌کپ به طور مثبت در مورد آن صحبت کرد. این شرکت چینی به طور قابل توجهی بر ارزش سهام چندین شرکت تأثیر گذاشته است. علاوه بر این، جزئیات نشان می‌دهد که دیپ‌سیک از روشی غیرقانونی به نام تقطیر برای استخراج داده‌ها از اُپن‌ای‌آی برای آموزش مدل‌های خود استفاده کرده است. ارقام دیگر نشان می‌دهند که اُپن‌ای‌ای در میان هیاهوی رسانه‌ای پیرامون دیپ‌سیک، شکست نخورده است. آمار اواخر ژانویه نشان داد که بیشترین بازدید روزانه دیپ‌سیک، ۴۹ میلیون بوده است، در حالی که چت جی‌پی‌تی با ۱۳۹.۳ میلیون بازدید روزانه در همان بازه زمانی، ابزار پیشرو در حوزه هوش مصنوعی باقی مانده است. این شرکت  اُپن‌ای‌آی نیز در ابتدا عرضه چت جی‌پی‌تی را به عنوان یک پروژه تحقیقاتی منبع باز آغاز کرد، اما به مرور زمان این هوش مصنوعی اختصاصی‌تر شد. سم آلتمن، مدیرعامل اُپن‌ای‌آی به همراه سایر مدیران این شرکت، بیان کرده‌اند که این شرکت برنامه‌هایی برای ساخت مدل‌های قدیمی‌تر هوش مصنوعی منبع باز در آینده دارد.

پژوهشگران «دانشگاه پرینستون»، یک مدل زبانی را آموزش داده‌اند و از آن برای بررسی توالی‌های ژنوم استفاده کرده‌اند تا بیماری‌ها را رمزگشایی کنند. همان هوش مصنوعی که موفقیت آن در به کار بردن نرم‌افزار کدنویسی و قبولی در آزمون وکالت سرفصل خبرها شد، یاد گرفته است که نوع دیگری از متن را بخواند. این متن جدید حاوی کد ژنتیکی است. کد ژنتیکی حاوی دستورالعمل‌هایی برای همه عملکردهای زندگی است و از قوانینی پیروی می‌کند که بی‌شباهت به زبان‌های انسانی نیستند. هر توالی در ژنوم به یک دستور زبان پیچیده و ساختارهایی پای‌بند است که معنی را ایجاد می‌کنند. همان طور که تغییر کردن چند کلمه می‌تواند تاثیر یک جمله را به شدت تغییر دهد، تغییرات کوچک در یک دنباله بیولوژیکی نیز می‌توانند تفاوت بزرگی را در عناصر رمزگذاری‌کننده دنباله ایجاد کنند. اکنون پژوهشگران دانشگاه پرینستون به سرپرستی منگدی وانگ، کارشناس یادگیری ماشینی این دانشگاه، از مدل‌های زبانی برای بررسی توالی‌های ژنوم جزئی استفاده کرده‌اند و آنها را برای مطالعه زیست‌شناسی و بهبود پزشکی به کار برده‌اند. پژوهشگران در مقاله خود، یک مدل زبانی را شرح داده‌اند که از قدرت بازنمایی معنایی خود برای طراحی واکسن آران‌ای پیام‌رسان مؤثرتری مانند واکسن‌های کووید-۱۹ استفاده می‌کند. دانشمندان یک راه ساده را برای خلاصه کردن جریان اطلاعات ژنتیکی دارند. آنها آن را دگم مرکزی زیست‌شناسی می‌نامند. اطلاعات از DNA به RNA و سپس به پروتئین‌ها حرکت می‌کنند. پروتئین‌ها ساختار و عملکرد سلول‌های زنده را ایجاد می‌کنند. آران‌ای پیام‌رسان، اطلاعات را در مرحله نهایی که مرحله تبدیل است، به پروتئین تبدیل می‌کند، اما فقط بخشی از آران‌ای پیام‌رسان حاوی کد پروتئین است. بقیه اطلاعات تبدیل نمی‌شوند اما جنبه‌های حیاتی فرآیند تبدیل را کنترل می‌کنند. نظارت بر کارآیی تولید پروتئین، یک مکانیسم کلیدی است که واکسن‌های مبتنی بر آران‌ای پیام‌رسان توسط آن کار می‌کنند. پژوهشگران دانشگاه پرینستون، مدل زبانی خود را روی منطقه تبدیل‌نشده متمرکز کردند تا ببینند چگونه می‌توانند کارآیی واکسن‌ها را بهبود ببخشند. پژوهشگران پس از آموزش دادن مدل روی انواع کوچکی از گونه‌ها، صدها توالی بهینه‌سازی‌شده جدید تولید کردند و آن‌ها را از طریق بررسی‌های آزمایشگاهی مورد تایید قرار دادند. بهترین توالی‌ها توانستند بهتر از چندین معیار پیشرو برای توسعه واکسن عمل کنند؛ از جمله افزایش ۳۳ درصدی که در بازدهی کلی تولید پروتئین به همراه آوردند. به گفته پژوهشگران، افزایش راندمان تولید پروتئین حتی به مقدار کم، یک تقویت عمده برای درمان‌های نوظهور است. واکسن‌های آران‌ای پیام‌رسان فراتر از کووید-۱۹، وعده محافظت در برابر بسیاری از بیماری‌های عفونی و سرطان را نیز نوید می‌دهند. وانگ گفت که موفقیت این مدل به احتمال اساسی‌تری نیز اشاره دارد. این مدل زبانی پس از آموزش دیدن با آران‌ای پیام‌رسان گونه‌های انگشت شماری توانست توالی‌های نوکلئوتیدی را رمزگشایی کند و اطلاعات جدیدی را در مورد تنظیم ژن آشکار سازد. دانشمندان بر این باورند که تنظیم ژن، یکی از اساسی‌ترین عملکردهای زندگی است و می‌تواند کلید کشف منشاء بیماری و اختلال باشد. مدل‌های زبانی از این دست می‌توانند راه جدیدی را برای بررسی تنظیم ژن ارائه دهند. زبان بیماری مدل زبانی جدید به جای آموزش دیدن روی میلیاردها صفحه متن از اینترنت، روی چند صد هزار توالی آموزش داده شد. همچنین، این مدل با اطلاعات بیشتری درباره تولید پروتئین‌ها، از جمله اطلاعات ساختاری و مرتبط با انرژی آموزش دید. پژوهشگران از مدل آموزش‌دیده برای ایجاد مجموعه‌ای از ۲۱۱ توالی جدید استفاده کردند. پروتئین‌های مورد استفاده مانند پروتئین خوشه‌ای که توسط واکسن‌های کووید-۱۹ هدف قرار می‌گیرد، واکنش ایمنی را به سوی بیماری‌های عفونی هدایت می‌کنند. پژوهش‌های پیشین، مدل‌های زبانی را برای رمزگشایی توالی‌های بیولوژیکی گوناگون از جمله پروتئین‌ها و DNA ایجاد کرده‌اند، اما این اولین مدل زبانی است که بر ناحیه تبدیل‌نشده آران‌ای پیام‌رسان تمرکز دارد. علاوه بر افزایش کارآیی کلی، این مدل ‌توانست پیش‌بینی کند که عملکرد یک توالی در انواع وظایف مرتبط چقدر خوب است. وانگ خاطرنشان کرد که بررسی یک مجموعه داده محدود و ایجاد مدلی براساس آن برای دانشمندان جویای حیات کافی نیست و باید یک کار جدید انجام شود. وی افزود: آموزش دادن یک مدل فقط کنار هم قرار دادن همه توالی‌ها نیست، بلکه کنار هم قرار دادن همه بخش‌هایی است که تاکنون جمع آوری شده‌اند. این کار پیشتر انجام نشده بود. این پژوهش در مجله «Nature Machine Intelligence» به چاپ رسید.