Mitologia ratunkowa OpenAI: czy ChatGPT naprawdę zaprojektował szczepionkę na raka?

Entuzjazm kontra twarda nauka

W mediach społecznościowych zawrzało po publikacji historii Paula Conynghama, australijskiego konsultanta AI, który twierdzi, że wykorzystując ChatGPT, AlphaFold oraz model Grok, stworzył personalizowaną szczepionkę mRNA dla swojej suczki Rosie, cierpiącej na nieuleczalną formę nowotworu komórek tucznych. Narracja o demokratyzacji nauki i „potędze instytutu badawczego w rękach jednostki” błyskawicznie zyskała poklask najważniejszych postaci w branży, w tym Sama Altmana, CEO OpenAI, oraz wiceprezesa ds. nauki Kevina Weila. Altman określił spotkanie z Conynghamem jako najbardziej inspirujące w tygodniu, widząc w nim zapowiedź przyszłości przyspieszanej przez sztuczną inteligencję.

Głębsza analiza przypadku Rosie rzuca jednak cień na ten optymistyczny scenariusz. Choć guz zwierzęcia zmniejszył się o 75 procent, naukowcy zwracają uwagę na kluczowy fakt, który został pominięty w medialnym szumie: pies w tym samym czasie otrzymywał inhibitor PD-1. Jest to konwencjonalna i wysoko ceniona immunoterapia, której skuteczność w uwidacznianiu komórek rakowych układu odpornościowego jest klinicznie udowodniona. Według ekspertów to właśnie ten lek, a nie eksperymentalna szczepionka zaprojektowana przez bota, jest najbardziej prawdopodobną przyczyną poprawy stanu zdrowia Rosie.

Problem dowodów anegdotycznych

Egan Peltan, doktor biologii chemicznej ze Stanfordu i współzałożyciel biotechnologicznego startupu, podchodzi do sprawy z dużą rezerwą. Jego zdaniem rola sztucznej inteligencji w tym procesie jest znacząco wyolbrzymiona. „To opowieść stworzona dla wyznawców idei AGI, poszukująca kapitału typu venture capital” – ocenia bezlitośnie Peltan. Zwraca on uwagę, że koszt całej operacji, szacowany na 20 do 50 tysięcy dolarów, oraz brak jakichkolwiek grup kontrolnych sprawiają, że przypadek Rosie jest jedynie anegdotą, a nie dowodem naukowym. Personalizowane szczepionki mRNA są badane od lat i mimo ogromnych nakładów, wciąż brakuje spektakularnych sukcesów w badaniach klinicznych III fazy.

Badacze tacy jak Patrick Heizer, specjalizujący się w terapiach komórkowych, ostrzegają przed bagatelizowaniem różnic między teorią a praktyką kliniczną. Wykorzystanie AI do identyfikacji białek celowych to proces relatywnie prosty w warunkach laboratoryjnych, jednak udowodnienie bezpieczeństwa i skuteczności leku to zadanie na lata. Głównym wyzwaniem pozostaje precyzja – białka nowotworowe są często bliźniaczo podobne do tych występujących w zdrowych organach, co stwarza ryzyko tragicznych w skutkach pomyłek układu immunologicznego.

Przełom czy sprawny marketing?

Choć Conyngham udostępnił swoją metodę w modelu open-source, środowisko naukowe pozostaje sceptyczne. Krytycy zauważają, że promowanie niesprawdzonych metod przez gigantów technologicznych może budować fałszywą nadzieję i podważać zaufanie do rygorystycznych procedur regulacyjnych. Zamiast rewolucji w medycynie, mamy do czynienia z fascynującym, ale niepotwierdzonym studium przypadku, w którym AI posłużyło raczej jako zaawansowane narzędzie do agregacji istniejącej wiedzy medycznej niż jako autonomiczny innowator.

Bez rzetelnych dowodów na to, że to właśnie algorytmy, a nie tradycyjna farmakologia, uratowały Rosie, historia ta pozostaje jedynie zręcznym zabiegiem PR-owym. Prawdziwym testem dla medycznego AI nie będą medialne wpisy na platformie X, lecz wyniki rygorystycznych badań, które odróżnią faktyczne działanie terapeutyczne od błędu przeżywalności i efektu placebo w skali makro.