OpenAI悄悄上架了一个生命科学新模型，想当药企的工具供应商

悄然上线的 discovery 模型

当地时间 10 月 10 日，科技媒体 TestingCatalog 注意到，OpenAI 的 API 价格页上悄然出现了一个并未正式发布的型号：gpt-rosalind-discovery。

它被归为“生命科学模型”一栏，紧挨着已经公开的 gpt-rosalind-research。两者定价完全相同：每百万 Token 输入 5 美元、缓存输入 0.5 美元、输出 25 美元，与通用旗舰模型大体持平。外界根据“discovery”一词猜测，它或将主要面向药物发现。

据第三方核查，gpt-rosalind-discovery 及 Rosalind 的模型文档页均返回 404 错误。除了价格，OpenAI 没再给出任何其他信息。

为生命科学专门成立一个品牌

经常关注大模型动向的人或许会对“Rosalind”感到熟悉，它已在实质上成为 OpenAI 的生命科学品牌。

今年 4 月，公司正式发布生命科学模型 GPT-Rosalind，命名源于英国化学家罗莎琳德·富兰克林（Rosalind Franklin），她拍摄的 X 射线衍射图像为揭示 DNA 双螺旋结构提供了关键证据。

首发时，模型只以研究预览形式向美国符合条件的企业客户开放，首批合作方包括安进（Amgen）、莫德纳（Moderna）、艾伦研究所（Allen Institute）和赛默飞世尔科技（Thermo Fisher Scientific）。

OpenAI 后续发布了基于 GPT-5.5 训练的新版本，强化药物化学和基因组学能力，并把研究预览扩展到全球符合条件的组织。模型于 10 月 5 日开始计费，仅向通过可信访问计划审核的机构开放，且只能用于内部研究，不得接入面向客户的产品。

目前，Rosalind 平台的能力已经形成了三类交付途径：GPT-Rosalind、研究工作空间 Rosalind Workbench，以及编程智能体 Codex 中连接 50 多个科学工具和数据源的生命科学插件。

对于这条产品线，OpenAI 的设想是将文献检索、数据分析、序列处理、实验规划等分散在不同软件里的环节，收拢进能由模型统一调度的环境。

第一个被标价出售的生命科学模型

AI4Bio 的话题早已不新鲜。但从公开信息看，OpenAI 是头部通用大模型厂商中第一家把生命科学推理能力做成独立模型条目的公司。

谷歌 DeepMind 在这一领域公认积累最深。不过，其最知名的蛋白质结构预测工具 AlphaFold 主要以科研工具形式向学术界开放；此前发布的药物开发模型 TxGemma 同样开源，“AI 合作科学家”（AI co-scientist）则仅通过受邀测试计划小范围开放。至于商业化的 AI 药物发现，则由 2021 年分拆出的 Isomorphic Labs 独立负责。

还有一些公司主推平台，如微软（Microsoft）发布跨行业科研智能体平台 Microsoft Discovery，允许用户接入其他厂商的模型和自有工具，但并不提供专用模型；Anthropic 今年夏季发布与编程产品 Claude Code 同级别的独立产品 Claude Science，底层仍是通用的 Claude 模型。

Anthropic 生命科学负责人埃里克·考德尔-艾布拉姆斯（Eric Kauderer-Abrams）曾表示，公司会亲自用 Claude Science 开展药物发现，在真实场景中检验模型产品的表现。

横向对比后，OpenAI 的定位正在变得清晰。与一边卖工具，一边自己下场做药物研究的 Anthropic 等公司不同，它作为工具供应商，仅把专用模型卖给药企，基本不插手管线，模型改进主要依赖客户的使用反馈。

一个愿意为效率付费的行业

OpenAI 为什么选择生命科学作为切入点？原因在于，在通用模型价格竞争日益激烈的当下，厂商纷纷寻求附加值更高的垂直场景。

药物发现正是痛点明确且付费能力强的行业，其早期阶段的工作高度依赖人工，如果模型能让靶点选择更准、实验设计更好，收益会在后续环节层层放大，药企有充分理由为此付费。

资本也在持续看好这一赛道。市场研究公司 PitchBook 统计，2019 年以来，AI 药物发现领域累计获得超过 170 亿美元投资。

作为对照，网络安全是 OpenAI 同时看好的另一个高增长场景。目前，OpenAI 的价格页已经出现了名为“网络安全模型”的独立条目，列表中的 gpt-5.6-cyber 输出价格为每百万 Token 75 美元，是 Rosalind 的 3 倍。

这又是一重“小巧思”：对于生命科学业务，OpenAI 目前似乎更看重把头部药企和研究机构拉进来、积累真实使用场景，并不急于靠单价获取利润。

拆分任务是垂类模型商业化的好生意吗？

事实上，几家通用模型公司的商业化路径各有难点：OpenAI 要证明药企可以花钱换来更好的研发决策，Anthropic 则面临与药企同等的研发风险，谷歌的商业模式在标准化收入上起步较慢。

模型能力要变现，终究绕不开药企的数据和实验室。模型公司能否在生命科学里建立壁垒，关键在于反馈速度，即谁能更快、更便宜地把模型的建议送进实验室并拿回结果。

自动化实验室是压缩验证周期的关键环节，但目前，这一层的基础设施并不专属于任何一家模型公司，除非后者花费大量资金和精力自建。

在这一背景下，gpt-rosalind-discovery 提示了 OpenAI 可能迈出的下一步：在生命科学领域内按照不同模型型号继续细分任务，分别面向广泛研究或专注于候选分子筛选。

如此拆分的好处在于，不同研究环节对模型的要求差异很大，OpenAI 可以针对单一环节集中优化和评测，客户也能按任务选用，在其中某一环节证明能力后就可以迅速变现，还可能据此拉开定价。

但与之并存的难点是，药物发现的不同流程环环相扣、联系密切，型号切得越细，越需要在它们之间做好衔接。两款型号目前定价完全相同，也说明 OpenAI 或许还没有想好如何体现不同模型的差异定位。

截至目前，discovery 模型的具体用途、其与 research 模型的关系以及实际增益都尚未公开。这条路能不能走通，还要看 OpenAI 后续能否拿出具体型号的评测结果和实验证据。

JOTO 企业落地观察

• 企业部署生命科学垂类模型时，需同步评估自身是否具备对接自动化实验平台的能力——模型价值释放高度依赖“建议→执行→反馈”闭环速度，而非单纯模型参数规模。
• 这类系统的取舍在于：选择深度耦合单一模型（如 Rosalind）可快速启用，但知识工程与 RAG 构建需完全适配其接口规范；若采用多模型编排架构，则需额外投入智能体工程资源解决跨模型语义对齐与任务交接问题。
• 当模型定价策略尚未体现任务粒度差异时，企业应优先在靶点识别、分子生成等已有成熟评估指标的环节验证 ROI，避免过早将模型嵌入缺乏量化基线的上游假设生成阶段。
• AI 安全治理需覆盖湿实验数据链：模型调用日志、实验参数指令、原始仪器输出须构成可追溯链条，这对企业现有 ELN（电子实验记录本）系统与 AI 工具的集成深度提出刚性要求。