OpenAI 发布 GPT-Rosalind：AI 药物研发的“降维打击”？

2026 年 4 月 16 日，OpenAI 正式发布了专为生命科学研究设计的深度学习模型——GPT-Rosalind。这款以生物物理学家罗莎琳德·富兰克林（Rosalind Franklin）命名的模型，标志着 OpenAI 在复杂科学推理能力上的又一次跃迁，也被视为其正面切入生命科学与药物研发赛道的重要信号。

对整个行业来说，这不仅是一款新模型上线那么简单。它意味着：AI 正从“辅助工具”逐步进化为真正参与科研推理、实验设计与生物数据分析流程的研究伙伴。

一、GPT-Rosalind 是什么？

GPT-Rosalind 是 OpenAI 首个专门面向生命科学研究构建的生物推理模型。

与传统通用大模型不同，它并不只是擅长文本生成、问答 or 代码补全，而是被设计用于处理更专业、更高门槛的科研任务，例如：

• 化学与生物化学问题推理
• 基因组学分析
• 蛋白质工程相关任务
• 系统发育学研究
• 实验设计与方案规划

OpenAI 对这类模型的核心定位非常明确：它不是简单的“会聊天的百科助手”，而是一个能协助研究人员缩短从假设提出到实验验证路径的科研工具。

换句话说，GPT-Rosalind 试图接手那些原本要靠研究员、博士后 and 科研助理花费大量时间完成的工作——包括文献整合、数据库检索、实验路线梳理与候选方案筛选。

二、性能实测：逼近“生物科研专用脑”

从目前公开的信息来看，GPT-Rosalind 最受关注的，正是它在多个生命科学基准测试中的表现。

1. 全面超越前代通用模型

在化学、生物化学、系统发育学和实验设计等多个方向上，GPT-Rosalind 的成绩均超过 GPT-5、GPT-5.2 and GPT-5.4。

这说明一个趋势：在足够复杂、足够专业的领域里，专用推理模型开始展现出明显优于通用大模型的能力边界。

2. BixBench 基准测试成绩亮眼

在生物信息学基准测试 BixBench 中，GPT-Rosalind 得分达到 0.751，领先于：

• GPT-5.4：0.732
• Gemini 3.1 Pro：0.550

这个分数差距虽然看起来不算夸张，但考虑到生物科研任务本身对上下文理解、跨知识整合 and 多步推理要求极高，这种提升已经足够说明它的专门优化并非营销噱头。

3. DNA 克隆设计场景表现突出

在 CloningQA 这类 DNA 克隆方案设计测试中，GPT-Rosalind 的优势尤其明显。它能够围绕 DNA 序列、酶切方案 and 试剂设计，生成更符合实验逻辑的建议。

4. RNA 结构预测能力超 95% 专家

更引人注目的是，在 RNA 结构预测相关任务中，GPT-Rosalind 的表现甚至超过了 95% 的人类专家。

如果这一能力能够在真实科研环境中持续稳定复现，那么它对药物研发、分子设计 and 基础生命科学研究的影响，将远不止是“提效”这么简单。

三、为何不全面开放？安全与监管是核心

GPT-Rosalind 虽然能力强大，但 OpenAI 并没有像普通聊天模型那样快速面向公众开放，而是采用了极其谨慎的受控访问策略。

目前，它仅通过 Trusted Access Program（受信任访问计划） 向部分美国企业客户提供。

首批获准体验的机构 include：

• 安进（Amgen）、Moderna、诺和诺德（Novo Nordisk）、赛默飞（Thermo Fisher）、NVIDIA、艾伦研究所（Allen Institute）、加州大学旧金山分校（UCSF）药学院

准入门槛为什么这么高？

原因也很现实。生命科学 AI 与普通办公 AI 最大的不同，在于它天然带有更高的双重用途风险。

一方面，它可以帮助药物发现、疾病研究 and 生物工程加速；另一方面，它也可能被滥用于病原体研究、生物武器合成 or 高风险实验设计。

因此，申请使用 GPT-Rosalind 的机构，必须证明：

• 研究目标具有公共利益
• 具备生物安全与合规基础设施
• 能够控制潜在滥用风险

这也意味着，GPT-Rosalind 不是那种“注册账号就能试”的产品。至少在现阶段，它更像是一个高风险、高价值、强监管下的科研能力平台。

四、普通用户入口：Codex Life Sciences 插件

虽然大多数人暂时接触不到 GPT-Rosalind 本体，但 OpenAI 同时推出了一个更具普惠意义的配套产品：Codex Life Sciences 插件。

这部分对普通研究者、学生 and 从业者而言，可能反而更实用。

它能做什么？

这个插件允许普通的 GPT-5.4 用户通过自然语言连接 50 多个主流生命科学数据库，把原本分散在多个平台上的信息整合起来。

覆盖的数据库类型 include：

• 遗传与变异数据库： ClinVar、gnomAD、Ensembl 等
• 结构与通路数据库： AlphaFold、PDB、Reactome 等
• 文献与临床数据库： PubMed、ClinicalTrials.gov 等

它的价值在哪里？

传统科研检索常常是这样一种体验：

1. 在 PubMed 找论文 -> 去 PDB 查结构 -> 去 ClinVar 看变异注释 -> 去 ClinicalTrials.gov 看临床试验 -> 最后自己手动整理。

整个过程既耗时又容易遗漏。

而 Codex Life Sciences 插件的意义，就是把这些动作压缩为一次自然语言查询 + 一次结构化整合输出，并附带来源引用。

五、行业影响：药企竞争力将被重塑

GPT-Rosalind 发布后，市场的反应非常直接——多家从事药物发现业务的公司股价出现波动。原因不难理解：当 OpenAI 这类大模型公司开始深入生命科学核心流程，传统药物研发公司的技术护城河势必会被重新估值。

更关键的是，OpenAI 首席执行官萨姆·奥尔特曼还释放了一个很耐人寻味的信号：未来 OpenAI 可能不仅卖模型服务，还可能与药企共担研发风险，并在新药获批后抽取技术版税。

如果这个方向落地，OpenAI 的角色就不再只是“提供 AI 工具的供应商”，而更像是直接参与医药创新收益分配的技术合伙人。

这会带来两个深远变化：

1. AI 公司深度嵌入药企价值链

如果 OpenAI 开始绑定研发成果分成，那么它的商业模式就会从“卖算力”升级为**“参与科研资产定价”**。

2. 药企竞争力将被重新定义

未来药企之间拼的不只是实验室能力 and 临床推进速度，也包括谁更会使用 AI、谁更早把模型融入研发流程、谁拥有更好的数据闭环 and 验证体系。

AI 不一定立刻取代药物研发团队，但它极有可能先淘汰那些流程慢、数据孤岛重、依赖人工整合的组织方式。

六、局限性：AI 替代不了湿实验与判断

GPT-Rosalind 的出现确实令人兴奋，但真正做科研的人都知道，模型再强，也无法绕开几个根本问题。

1. 它不能直接生成湿实验数据

无论模型在推理上多么强大，它都不能代替真实实验室环境中的细胞、样本、试剂 and 测量设备。它能做的是提出假设、整理证据、推荐路径，但不能凭空替代实验结果。

2. 幻觉风险依然存在

只要是大模型，就仍然存在“看起来很合理、其实不完全正确”的风险。在科研领域，这种错误的代价远高于普通问答场景。

3. 科学家仍然必须负责最终判断

真正稀缺的，并不是“查到多少信息”，而是如何判断这些信息能否构成可靠结论。

所以，GPT-Rosalind 的现实定位，应该更接近：极强的科研推理助手、高效率的信息整合器、实验设计加速器。

短评

从代码生成到科学推理，OpenAI 正在不断把大模型的能力边界推向更专业、更高价值的垂直领域。

GPT-Rosalind 的出现说明了一件事：AI 与生命科学的结合，已经开始从概念验证阶段走向实战部署阶段。

接下来的问题不是“AI 会不会进入生命科学”，而是：它会先改变哪个环节，又会先重塑谁的工作方式。

If 未来十年里，真的有一种重要新药背后写着“AI 参与发现”，那 GPT-Rosalind 很可能会被视作这个时代的重要起点之一。

关注我，第一时间获取 AI 行业深度拆解与前沿工具指南。