ในทางเทคนิคแล้ว AIDO ถูกสร้างขึ้นเป็น กลุ่มของโมเดลพื้นฐานที่เชื่อมต่อกันเป็นชั้นๆ โดยแต่ละโมเดลจะมีความเชี่ยวชาญเฉพาะในระดับทางชีววิทยาหนึ่งระดับ:

• ระดับ DNA/RNA – ตัวอย่างเช่น AIDO.RNA (พารามิเตอร์ 1.6 พันล้าน, ฝึกฝนจากลำดับ RNA ที่ไม่เข้ารหัส 42 ล้านลำดับที่ความละเอียดระดับนิวคลีโอไทด์เดี่ยว)
• ระดับโครงสร้างโปรตีน – ตัวอย่างเช่น AIDO.StructureTokenizer (VQ-VAE สำหรับการเข้ารหัสโครงสร้างโปรตีน 300 ล้านพารามิเตอร์)
• ระดับเซลล์ – ตัวอย่างเช่น AIDO.Cell (dense transformer encoders ขนาด 3M–650M พารามิเตอร์ สำหรับการแสดงออกของยีนและสถานะของเซลล์)
• ระดับเนื้อเยื่อและอวัยวะ
• ระดับผลลัพธ์ทางสุขภาพและคลินิก

โมดูลเหล่านี้ถูกออกแบบมาให้สามารถประกอบเข้าด้วยกันได้: ข้อมูลจะไหลระหว่างสเกลต่างๆ เพื่อให้การรบกวนในระดับ DNA (เช่น การตัดต่อยีนด้วย CRISPR) สามารถถูกส่งต่อขึ้นไปยังการทำงานของโปรตีน, พฤติกรรมของเซลล์, การตอบสนองของเนื้อเยื่อ และในท้ายที่สุดคือผลลัพธ์ทางคลินิกที่คาดการณ์ได้

เป้าหมายระยะใกล้ของ GenBio AI และความร่วมมือกับ NVIDIA

เป้าหมายในทางปฏิบัติที่ชัดเจนของ GenBio AI คือการสร้าง "เซลล์เสมือน" (virtual cell) — ซึ่งเป็นโลกจำลอง AI ที่สามารถทำนาย จำลอง และในที่สุดก็ควบคุมพฤติกรรมของเซลล์ในทุกระดับทางชีววิทยา ผลลัพธ์ระยะใกล้ที่สำคัญของพวกเขาได้แก่:

• VCHarness ระบบเอเจนต์อัตโนมัติที่สร้าง ทดสอบ และปรับปรุงโมเดล AI ของเซลล์มนุษย์ บริษัทรายงานว่า VCHarness สามารถค้นพบสถาปัตยกรรมใหม่ได้ภายในไม่กี่วัน แทนที่จะใช้เวลาหลายเดือน
• ความร่วมมือกับ NVIDIA ซึ่งประกาศในเดือนมิถุนายน 2026 GenBio AI วางแผนที่จะใช้ชิป เครื่องมือพัฒนาโมเดล และเฟรมเวิร์กเอเจนต์ของ NVIDIA โดยเฉพาะการผสานรวมกับแพลตฟอร์ม BioNeMo จาก NVIDIA, Megatron สำหรับการฝึกอบรมแบบกระจาย และ BioNeMo Agent Toolkit เพื่อเร่งการพัฒนาโลกจำลองเซลล์เสมือน

การเปรียบเทียบกับแพลตฟอร์มเซลล์เสมือนของ Chan Zuckerberg BioHub

โดยสรุป: AIDO มุ่งสู่การจำลองที่บูรณาการในแนวตั้ง (full-organism stack) ที่ครอบคลุมมากกว่า แต่ได้รับการสนับสนุนจากสตาร์ทอัพและมีลิขสิทธิ์บางส่วน ในขณะที่แนวทางของ CZI จะเน้นที่ชั้นเซลล์มากกว่า มุ่งเน้นวิทยาศาสตร์แบบเปิดอย่างหนัก และได้รับการสนับสนุนจากความมุ่งมั่นเพื่อการกุศลที่ใหญ่กว่ามาก

ข้อจำกัดและความท้าทายที่ได้รับยอมรับ

บทความแนวทางของ AIDO ใน Nature Medicine และเอกสารทางเทคนิคที่เกี่ยวข้องยอมรับถึงความท้าทายสำคัญหลายประการ:

• ข้อมูลการฝึกฝนที่มีอคติและไม่สมบูรณ์ โมเดลจะดีได้เท่าชุดข้อมูลที่นำมาฝึกฝนเท่านั้น หากชุดข้อมูลการฝึกฝนเป็นตัวแทนของประชากร เชื้อชาติ หรือสภาวะโรคบางกลุ่มน้อยเกินไป ดิจิทัลออร์แกนิซึมจะให้การคาดการณ์ที่เอนเอียงหรือไม่น่าเชื่อถือ วรรณกรรมทั่วไปด้าน AI ในการแพทย์ระบุว่าขนาดกลุ่มตัวอย่างที่ไม่เพียงพอสำหรับกลุ่มผู้ป่วยบางกลุ่มนำไปสู่ประสิทธิภาพที่ต่ำกว่ามาตรฐานและการคาดการณ์ที่ไม่มีความหมายทางคลินิก
• ความหลากหลายของผู้ป่วย พื้นฐานทางพันธุกรรม สิ่งแวดล้อม วิถีชีวิต และโรคประจำตัวที่แตกต่างกันของแต่ละบุคคลก่อให้เกิดความแตกต่างที่มหาศาล "ดิจิทัลออร์แกนิซึม" เพียงหนึ่งเดียวที่สามารถสรุปครอบคลุมมนุษย์ทุกคนเป็นความท้าทายที่สูงมาก นักวิจัยตั้งข้อสังเกตว่าการปรับให้เหมาะกับผู้ป่วยแต่ละรายยังคงเป็นปัญหาที่เปิดกว้าง
• การอนุมานเชิงสาเหตุ โมเดลพื้นฐานเป็นเครื่องมือสร้างความสัมพันธ์ (correlation engines) โดยพื้นฐาน—พวกมันเรียนรู้รูปแบบทางสถิติในข้อมูล ไม่ใช่กลไกเชิงสาเหตุ ผู้เขียนบทความยอมรับว่าการเปลี่ยนจาก "การทำนายว่าจะเกิดอะไรขึ้น" ไปสู่ "การทำความเข้าใจว่าทำไมมันถึงเกิดขึ้นและการแทรกแซงใดที่จะเปลี่ยนผลลัพธ์" จำเป็นต้องบูรณาการกรอบการอนุมานเชิงสาเหตุ ซึ่งเป็นสิ่งที่การเรียนรู้ของเครื่องแบบดั้งเดิมมีปัญหาด้วย วรรณกรรมในวงกว้างยืนยันว่า AI ที่ใช้ความสัมพันธ์ในชีววิทยามักทำหน้าที่เป็น "กล่องดำ" และการหาปริมาณผลเชิงสาเหตุของการแทรกแซงเป็นความท้าทายที่แตกต่างและยังไม่ได้รับการแก้ไข
• สเกลและการประมวลผล การจำลองสิ่งมีชีวิตทั้งตัวด้วยความเที่ยงตรงเพียงพอต้องการทรัพยากรคอมพิวเตอร์มหาศาลและข้อมูลที่ยังไม่มีในสเกลที่ต้องการ
• การตรวจสอบความถูกต้อง การพิสูจน์ว่าการคาดการณ์ของดิจิทัลออร์แกนิซึมเป็นจริงในระบบชีวภาพจริง และว่ามันสามารถสรุปครอบคลุมเกินกว่าการกระจายของข้อมูลที่ใช้ฝึกฝน เป็นอุปสรรคพื้นฐานที่วงการเพิ่งเริ่มต้นจัดการ

ในทางเทคนิคแล้ว AIDO ถูกสร้างขึ้นเป็น กลุ่มของโมเดลพื้นฐานที่เชื่อมต่อกันเป็นชั้นๆ โดยแต่ละโมเดลจะมีความเชี่ยวชาญเฉพาะในระดับทางชีววิทยาหนึ่งระดับ:

• ระดับ DNA/RNA – ตัวอย่างเช่น AIDO.RNA (พารามิเตอร์ 1.6 พันล้าน, ฝึกฝนจากลำดับ RNA ที่ไม่เข้ารหัส 42 ล้านลำดับที่ความละเอียดระดับนิวคลีโอไทด์เดี่ยว)
• ระดับโครงสร้างโปรตีน – ตัวอย่างเช่น AIDO.StructureTokenizer (VQ-VAE สำหรับการเข้ารหัสโครงสร้างโปรตีน 300 ล้านพารามิเตอร์)
• ระดับเซลล์ – ตัวอย่างเช่น AIDO.Cell (dense transformer encoders ขนาด 3M–650M พารามิเตอร์ สำหรับการแสดงออกของยีนและสถานะของเซลล์)
• ระดับเนื้อเยื่อและอวัยวะ
• ระดับผลลัพธ์ทางสุขภาพและคลินิก

โมดูลเหล่านี้ถูกออกแบบมาให้สามารถประกอบเข้าด้วยกันได้: ข้อมูลจะไหลระหว่างสเกลต่างๆ เพื่อให้การรบกวนในระดับ DNA (เช่น การตัดต่อยีนด้วย CRISPR) สามารถถูกส่งต่อขึ้นไปยังการทำงานของโปรตีน, พฤติกรรมของเซลล์, การตอบสนองของเนื้อเยื่อ และในท้ายที่สุดคือผลลัพธ์ทางคลินิกที่คาดการณ์ได้

เป้าหมายระยะใกล้ของ GenBio AI และความร่วมมือกับ NVIDIA

เป้าหมายในทางปฏิบัติที่ชัดเจนของ GenBio AI คือการสร้าง "เซลล์เสมือน" (virtual cell) — ซึ่งเป็นโลกจำลอง AI ที่สามารถทำนาย จำลอง และในที่สุดก็ควบคุมพฤติกรรมของเซลล์ในทุกระดับทางชีววิทยา ผลลัพธ์ระยะใกล้ที่สำคัญของพวกเขาได้แก่:

• VCHarness ระบบเอเจนต์อัตโนมัติที่สร้าง ทดสอบ และปรับปรุงโมเดล AI ของเซลล์มนุษย์ บริษัทรายงานว่า VCHarness สามารถค้นพบสถาปัตยกรรมใหม่ได้ภายในไม่กี่วัน แทนที่จะใช้เวลาหลายเดือน
• ความร่วมมือกับ NVIDIA ซึ่งประกาศในเดือนมิถุนายน 2026 GenBio AI วางแผนที่จะใช้ชิป เครื่องมือพัฒนาโมเดล และเฟรมเวิร์กเอเจนต์ของ NVIDIA โดยเฉพาะการผสานรวมกับแพลตฟอร์ม BioNeMo จาก NVIDIA, Megatron สำหรับการฝึกอบรมแบบกระจาย และ BioNeMo Agent Toolkit เพื่อเร่งการพัฒนาโลกจำลองเซลล์เสมือน

การเปรียบเทียบกับแพลตฟอร์มเซลล์เสมือนของ Chan Zuckerberg BioHub

โดยสรุป: AIDO มุ่งสู่การจำลองที่บูรณาการในแนวตั้ง (full-organism stack) ที่ครอบคลุมมากกว่า แต่ได้รับการสนับสนุนจากสตาร์ทอัพและมีลิขสิทธิ์บางส่วน ในขณะที่แนวทางของ CZI จะเน้นที่ชั้นเซลล์มากกว่า มุ่งเน้นวิทยาศาสตร์แบบเปิดอย่างหนัก และได้รับการสนับสนุนจากความมุ่งมั่นเพื่อการกุศลที่ใหญ่กว่ามาก

ข้อจำกัดและความท้าทายที่ได้รับยอมรับ

บทความแนวทางของ AIDO ใน Nature Medicine และเอกสารทางเทคนิคที่เกี่ยวข้องยอมรับถึงความท้าทายสำคัญหลายประการ:

• ข้อมูลการฝึกฝนที่มีอคติและไม่สมบูรณ์ โมเดลจะดีได้เท่าชุดข้อมูลที่นำมาฝึกฝนเท่านั้น หากชุดข้อมูลการฝึกฝนเป็นตัวแทนของประชากร เชื้อชาติ หรือสภาวะโรคบางกลุ่มน้อยเกินไป ดิจิทัลออร์แกนิซึมจะให้การคาดการณ์ที่เอนเอียงหรือไม่น่าเชื่อถือ วรรณกรรมทั่วไปด้าน AI ในการแพทย์ระบุว่าขนาดกลุ่มตัวอย่างที่ไม่เพียงพอสำหรับกลุ่มผู้ป่วยบางกลุ่มนำไปสู่ประสิทธิภาพที่ต่ำกว่ามาตรฐานและการคาดการณ์ที่ไม่มีความหมายทางคลินิก
• ความหลากหลายของผู้ป่วย พื้นฐานทางพันธุกรรม สิ่งแวดล้อม วิถีชีวิต และโรคประจำตัวที่แตกต่างกันของแต่ละบุคคลก่อให้เกิดความแตกต่างที่มหาศาล "ดิจิทัลออร์แกนิซึม" เพียงหนึ่งเดียวที่สามารถสรุปครอบคลุมมนุษย์ทุกคนเป็นความท้าทายที่สูงมาก นักวิจัยตั้งข้อสังเกตว่าการปรับให้เหมาะกับผู้ป่วยแต่ละรายยังคงเป็นปัญหาที่เปิดกว้าง
• การอนุมานเชิงสาเหตุ โมเดลพื้นฐานเป็นเครื่องมือสร้างความสัมพันธ์ (correlation engines) โดยพื้นฐาน—พวกมันเรียนรู้รูปแบบทางสถิติในข้อมูล ไม่ใช่กลไกเชิงสาเหตุ ผู้เขียนบทความยอมรับว่าการเปลี่ยนจาก "การทำนายว่าจะเกิดอะไรขึ้น" ไปสู่ "การทำความเข้าใจว่าทำไมมันถึงเกิดขึ้นและการแทรกแซงใดที่จะเปลี่ยนผลลัพธ์" จำเป็นต้องบูรณาการกรอบการอนุมานเชิงสาเหตุ ซึ่งเป็นสิ่งที่การเรียนรู้ของเครื่องแบบดั้งเดิมมีปัญหาด้วย วรรณกรรมในวงกว้างยืนยันว่า AI ที่ใช้ความสัมพันธ์ในชีววิทยามักทำหน้าที่เป็น "กล่องดำ" และการหาปริมาณผลเชิงสาเหตุของการแทรกแซงเป็นความท้าทายที่แตกต่างและยังไม่ได้รับการแก้ไข
• สเกลและการประมวลผล การจำลองสิ่งมีชีวิตทั้งตัวด้วยความเที่ยงตรงเพียงพอต้องการทรัพยากรคอมพิวเตอร์มหาศาลและข้อมูลที่ยังไม่มีในสเกลที่ต้องการ
• การตรวจสอบความถูกต้อง การพิสูจน์ว่าการคาดการณ์ของดิจิทัลออร์แกนิซึมเป็นจริงในระบบชีวภาพจริง และว่ามันสามารถสรุปครอบคลุมเกินกว่าการกระจายของข้อมูลที่ใช้ฝึกฝน เป็นอุปสรรคพื้นฐานที่วงการเพิ่งเริ่มต้นจัดการ