OpenAI 推出 GPT-Rosalind：生命科学专用推理模型，加速新药研发

在美国，一款新药从发现靶点到最后获批上市，平均要耗费 10 到 15 年。漫长的时间里，研究人员不仅要啃下晦涩的生命机理，还得在海量文献、琐碎数据库和复杂的实验设计之间反复打转。

OpenAI 决定把大模型的推理能力直接推到生命科学的一线。4 月 16 日，OpenAI 宣布推出专为生命科学研究、药物发现和转化医学定制的前沿推理模型 GPT-Rosalind。模型名字取自通过 X 射线晶体衍射为 DNA 双螺旋结构奠定基石的女科学家 Rosalind Franklin。

GPT-Rosalind 在 ChatGPT、Codex 以及 API 中提供，但第一阶段仅面向通过资格审查的美国企业级客户，通过受信任访问计划开放。OpenAI 后来在 9 月 11 日更新说明，该模型结束研究预览并向全球合规机构开放，正式定价定于 10 月 5 日生效。

攻坚生物难题：RNA 预测击败 95% 人类专家

通用大模型在写代码、回邮件上很灵光，但遇到生化反应机理、蛋白质结构突变或者系统发育树分析时，往往力不从心。GPT-Rosalind 重点优化的正是分子、蛋白质、基因和疾病生物学路径上的长程推理。

在基准测试中，GPT-Rosalind 拿出了硬核成绩。在生物信息与数据分析基准 BixBench 上，它跑出了已公开分数模型中的领先成绩。在涵盖文献检索、数据库调用和实验协议设计的 LABBench2 基准中，GPT-Rosalind 在 11 项任务中的 6 项超过了 GPT-5.4，其中提升最明显的是 CloningQA，这项任务要求端到端设计分子克隆实验所需的 DNA 和酶试剂。

更具说服力的是未经训练集污染的真实测试。OpenAI 与基因疗法公司 Dyno Therapeutics 合作，在 Codex 内部测试了未公开的 RNA 序列到功能预测与生成任务。在与 AI 生物领域 57 位人类专家的历史得分对比中，GPT-Rosalind 十次提交中的最优结果，在功能预测上超过了 95% 的人类专家，在序列生成任务上也击败了约 84% 的专家。

开源生化插件，拉来药企巨头站台

除了底座模型本身，科研人员真正缺少的是把模型连进实验室工具链的桥梁。OpenAI 这次在 GitHub 上同步开源了免费的 Codex 生命科学研究插件。

这个插件相当于一个生化研究的调度层，内置了针对人类遗传学、功能基因组学、蛋白质结构和临床证据等常见科研流程的模块化技能。它能一举连通超过 50 个公开的多组学数据库、文献源和生物计算工具。普通用户即便用不上 GPT-Rosalind，也可以把这个插件接入 OpenAI 的通用主线模型，用来做结构查询、序列搜索或公共数据集发现。

在商业落地方面，OpenAI 动作很大。首批合作方包括安进（Amgen）、Moderna、艾伦研究所（Allen Institute）和赛默飞世尔科技（Thermo Fisher Scientific），还拉来了洛斯阿拉莫斯国家实验室一起探索催化剂与蛋白质设计。此外，麦肯锡、波士顿咨询（BCG）和贝恩也将作为咨询伙伴，协助药企把模型落地到实际管线中。

不过，生物安全问题始终是悬在头顶的利剑。OpenAI 为该模型设置了严格的访问审查，申请机构必须证明其研究具有公共利益，并具备完善的合规与防滥用机制，目前并不对个人或普通小团队无门槛开放。

为什么重要

把通用推理模型拆解为垂直领域的专用模型，是目前前沿实验室都在走的路径，但 OpenAI 选择直接扎进生命科学，意义很不一般。对于药企的研发科学家和生物信息工程师来说，GPT-Rosalind 的核心价值在于压缩从假说到验证方案的试错周期。以前设计一个克隆实验或筛选几组突变序列，需要在各个专业数据库之间来回倒腾几天，现在借助能调用 50 多种工具的专用智能体，几个小时内就能给出一套兼具文献支撑和试剂方案的完整初稿。不过普通科研人员目前想用上本体门槛极高，资格审查和企业级限制决定了它短期内依然是头部大药企的特权，大家能立即用上的主要是开源插件加通用模型。

从行业格局来看，生命科学一直是 DeepMind 的绝对腹地，从 AlphaFold 到各种分子动力学模型，Google 靠扎实的科研积累建起了极深的护城河。OpenAI 这次并没有硬碰硬去拼底层原子级结构预测，而是选择用推理能力结合工具链调度，切入实验规划、证据综合和全流程科研工作流，这看起来是一步很聪明的差异化进攻。它逼着对手把纯生物计算工具包装成更具推理能力的研究助理，也把咨询公司直接拉入生态，试图在落地交付上抢先筑墙。

但这里的隐患同样显著。生命科学对容错率的要求是极端苛刻的，AI 生成的分子克隆协议哪怕只有一个试剂浓度或反应位点出现细微幻觉，都可能导致湿实验花费数月甚至数十万美元后彻底失败。如何让科学家建立对模型推理步骤的绝对信任，依然是 GPT-Rosalind 在商业化路上必须证明的关键题。