OpenAI 推出 GPT-Rosalind：生命科學專用推理模型，加速新藥研發

在美國，一款新藥從發現靶點到最後獲批上市，平均要耗費 10 到 15 年。漫長的時間裡，研究人員不僅要啃下晦澀的生命機理，還得在海量文獻、瑣碎資料庫和複雜的實驗設計之間反覆打轉。

OpenAI 決定把大模型的推理能力直接推到生命科學的一線。4 月 16 日，OpenAI 宣佈推出專為生命科學研究、藥物發現和轉化醫學定製的前沿推理模型 GPT-Rosalind。模型名字取自通過 X 射線晶體衍射為 DNA 雙螺旋結構奠定基石的女科學家 Rosalind Franklin。

GPT-Rosalind 在 ChatGPT、Codex 以及 API 中提供，但第一階段僅面向通過資格審查的美國企業級客戶，通過受信任訪問計劃開放。OpenAI 後來在 9 月 11 日更新說明，該模型結束研究預覽並向全球合規機構開放，正式定價定於 10 月 5 日生效。

攻堅生物難題：RNA 預測擊敗 95% 人類專家

通用大模型在寫程式碼、回郵件上很靈光，但遇到生化反應機理、蛋白質結構突變或者系統發育樹分析時，往往力不從心。GPT-Rosalind 重點最佳化的正是分子、蛋白質、基因和疾病生物學路徑上的長程推理。

在基準測試中，GPT-Rosalind 拿出了硬核成績。在生物資訊與資料分析基準 BixBench 上，它跑出了已公開分數模型中的領先成績。在涵蓋文獻檢索、資料庫呼叫和實驗協議設計的 LABBench2 基準中，GPT-Rosalind 在 11 項任務中的 6 項超過了 GPT-5.4，其中提升最明顯的是 CloningQA，這項任務要求端到端設計分子克隆實驗所需的 DNA 和酶試劑。

更具說服力的是未經訓練集汙染的真實測試。OpenAI 與基因療法公司 Dyno Therapeutics 合作，在 Codex 內部測試了未公開的 RNA 序列到功能預測與生成任務。在與 AI 生物領域 57 位人類專家的歷史得分對比中，GPT-Rosalind 十次提交中的最優結果，在功能預測上超過了 95% 的人類專家，在序列生成任務上也擊敗了約 84% 的專家。

開源生化外掛，拉來藥企巨頭站臺

除了底座模型本身，科研人員真正缺少的是把模型連進實驗室工具鏈的橋梁。OpenAI 這次在 GitHub 上同步開源了免費的 Codex 生命科學研究外掛。

這個外掛相當於一個生化研究的排程層，內建了針對人類遺傳學、功能基因組學、蛋白質結構和臨床證據等常見科研流程的模組化技能。它能一舉連通超過 50 個公開的多組學資料庫、文獻源和生物計算工具。普通使用者即便用不上 GPT-Rosalind，也可以把這個外掛接入 OpenAI 的通用主線模型，用來做結構查詢、序列搜尋或公共資料集發現。

在商業落地方面，OpenAI 動作很大。首批合作方包括安進（Amgen）、Moderna、艾倫研究所（Allen Institute）和賽默飛世爾科技（Thermo Fisher Scientific），還拉來了洛斯阿拉摩斯國家實驗室一起探索催化劑與蛋白質設計。此外，麥肯錫、波士頓諮詢（BCG）和貝恩也將作為諮詢夥伴，協助藥企把模型落地到實際管線中。

不過，生物安全問題始終是懸在頭頂的利劍。OpenAI 為該模型設定了嚴格的訪問審查，申請機構必須證明其研究具有公共利益，並具備完善的合規與防濫用機制，目前並不對個人或普通小團隊無門檻開放。

為什麼重要

把通用推理模型拆解為垂直領域的專用模型，是目前前沿實驗室都在走的路徑，但 OpenAI 選擇直接扎進生命科學，意義很不一般。對於藥企的研發科學家和生物資訊工程師來說，GPT-Rosalind 的核心價值在於壓縮從假說到驗證方案的試錯週期。以前設計一個克隆實驗或篩選幾組突變序列，需要在各個專業資料庫之間來回倒騰幾天，現在藉助能呼叫 50 多種工具的專用智慧體，幾個小時內就能給出一套兼具文獻支撐和試劑方案的完整初稿。不過普通科研人員目前想用上本體門檻極高，資格審查和企業級限制決定了它短期內依然是頭部大藥企的特權，大家能立即用上的主要是開源外掛加通用模型。

從行業格局來看，生命科學一直是 DeepMind 的絕對腹地，從 AlphaFold 到各種分子動力學模型，Google 靠紮實的科研積累建起了極深的護城河。OpenAI 這次並沒有硬碰硬去拼底層原子級結構預測，而是選擇用推理能力結合工具鏈排程，切入實驗規劃、證據綜合和全流程科研工作流，這看起來是一步很聰明的差異化進攻。它逼著對手把純生物計算工具包裝成更具推理能力的研究助理，也把諮詢公司直接拉入生態，試圖在落地交付上搶先築牆。

但這裡的隱患同樣顯著。生命科學對容錯率的要求是極端苛刻的，AI 生成的分子克隆協議哪怕只有一個試劑濃度或反應位點出現細微幻覺，都可能導致溼實驗花費數月甚至數十萬美元后徹底失敗。如何讓科學家建立對模型推理步驟的絕對信任，依然是 GPT-Rosalind 在商業化路上必須證明的關鍵題。