不卷AlphaFold，OpenAI首個生命科學模型殺出，單項超越95%專家

新智元報道

編輯：元宇

【新智元導讀】OpenAI直接殺進萬億美元的制藥賽道，最新發布的首款生命科學模型系列GPT-Rosalind，RNA預測任務碾壓95%人類專家，不卷AlphaFold，要做科學家的AI搭擋。

這一次，OpenAI瞄準了一個10到15年的生意。

就在昨天，OpenAI扔出了一個跟以往畫風完全不同的模型：GPT-Rosalind。

這個名字取自Rosalind Franklin，就是那位用X射線晶體學揭示了DNA雙螺旋結構的科學家。

Rosalind Franklin（1920-1958），英國物理化學家，其X射線晶體學研究為揭示DNA雙螺旋結構奠定了關鍵基礎。OpenAI以她命名首款生命科學模型。

OpenAI用自己首個生命科學專用推理模型，直接沖進了生物學、藥物發現和轉化醫學的腹地。

在與基因治療公司Dyno Therapeutics的合作測試中，這個模型在RNA序列功能預測任務上，超過了95%的人類領域專家。

在美國，一款新藥從靶點發現到拿到監管批準，平均要10到15年。

OpenAI想用AI把這個流程的早期階段大幅壓縮。

靶點發現、假設生成、實驗規劃、文獻合成，這些傳統上科學家需要在海量論文、數據庫和實驗數據之間反復橫跳的工作，Rosalind想通過AI一手串起來。

不是聊天機器人

是實驗室搭檔

GPT-Rosalind不是GPT-5.4的升級版。

它是OpenAI「生命科學模型系列」的首款產品，專門針對科研工作流做了優化，核心能力覆蓋五個方向：

化學反應機理推理、蛋白質結構與突變效應理解、基因組學解讀、實驗規劃，以及海量文獻的綜合分析。

但模型本身只是一半。

OpenAI還同步推出了一個Life Sciences Research插件。

插件代碼/包已在GitHub公開，能連接50多個公共多組學數據庫和科學工具，覆蓋人體遺傳學、功能基因組學、蛋白質結構、生物化學、臨床證據等領域。

https://github.com/openai/plugins/tree/main/plugins/life-science-research

這樣一來，查PubMed、跑BLAST序列比對、調AlphaFold看蛋白結構、搜臨床試驗數據，都可能在一個對話窗口里完成。

想象一下一個藥物研發科學家的日常：

早上打開PubMed查文獻，切到UniProt看蛋白質數據，再跳到NCBI比對基因序列，中間還要在Excel里整理實驗數據，下午開組會匯報假設進展。一天下來，真正用于「思考」的時間可能不到三分之一。

GPT-Rosalind要做的事，是把這些散落在十幾個平臺上的工作流，壓縮到一個界面里完成。它不替你做實驗，但它能幫你在動手之前，把方向想得更清楚。

首批合作方都是清一色的業內巨頭：Amgen、Moderna、Allen Institute、Thermo Fisher Scientific。

不止如此，OpenAI還拉了麥肯錫、BCG、貝恩三大咨詢公司做落地伙伴，幫藥企識別場景、集成模型。

這架勢，已經不是在賣模型了，是在賣整套解決方案。

RNA預測

95%人類專家排在它后面

GPT-Rosalind到底有多強？

OpenAI拉了一個硬核外部合作方來驗證：Dyno Therapeutics，一家做AI基因治療的公司。

雙方用一批未公開、未被訓練數據污染的RNA序列做了兩項測試，對比基準是57位AI生物領域人類專家的歷史成績，結果顯示：

在RNA序列功能預測任務上，模型提交10次取最佳，成績超越了95%的人類領域專家；在序列生成任務上，約在84%的人類專家之上。

給一段RNA序列讓它判斷功能，它可能比絕大多數人類專家都要準；但讓它自己設計一段新序列，表現就稍遜一檔。

這恰好是當前AI在生命科學領域的真實邊界：理解分析強于創造設計。

當然，需要注意的是，這只是一個特定的RNA預測任務，不等于「AI已經全面超越生物學家」。

即便如此，這個成績在AI+生命科學領域仍然是最亮眼的數據之一。

從圖示結果看，GPT-Rosalind在五項生物與化學基準上均取得最高分，其中實驗設計與分析的提升幅度最大。

基準測試也同樣出色。

在BixBench這個圍繞真實生物信息學任務設計的基準上，Rosalind在已公開成績的模型中處于領先。

在LABBench2的11項任務中，有6項優于GPT-5.4，其中提升最大的是CloningQA，要求模型從零設計一個完整的分子克隆方案。

注意對比對象：GPT-5.4，在這些專業任務上被自家垂直模型反超。

這說明，通用模型在專業領域確實有天花板，可能不如一些專門優化的垂直模型好使。

所有這些成績都來自特定基準測試，并非來自真實的臨床管線。從跑分到真正縮短10到15年的新藥周期，中間還有一條巨大的鴻溝。

顯微鏡和研究助手

說到生命科學AI，很多人第一個想到的名字是Google DeepMind的AlphaFold。

這是一個繞不開的問題，熟悉這一領域的人很容易拿兩者比。

那Rosalind和AlphaFold什么關系？兩者完全不同層級的工具。

AlphaFold是一個計算引擎。

它只把一件事做到極致：輸入氨基酸序列，輸出蛋白質3D結構，它解決的是困擾結構生物學幾十年的「蛋白質折疊問題」。

AlphaFold數據庫里已經有超過2億個結構預測，AlphaFold 3進一步擴展到蛋白-配體、蛋白-核酸等復合物的相互作用預測。

https://alphafold.ebi.ac.uk/?pStoreID=techsoup%2F1000&utm_source=chatgpt.com

GPT-Rosalind則更像是一個研究伙伴。

它可以幫你做文獻綜合、假設生成、實驗規劃、序列功能解讀、工具調用。

如果把AlphaFold比作一臺超級顯微鏡，Rosalind是坐在顯微鏡旁邊幫你分析數據、查文獻、設計下一步實驗的研究助手。

因此，兩者的關系不是誰取代誰，更像是一種互補關系，也代表了兩家公司在「AI+科學」上不同的路線：

AlphaFold打造了生命科學的「超級顯微鏡」，在計算環節「單點爆破」，解決了一個諾獎級的問題；而Rosalind試圖成為調度這一切的「大腦」，從橫向的「工作流」包抄，想重塑整個實驗室的生產力。

誰能夠跑得更遠，現在下結論還太早。

可以肯定的是，當這兩種力量在生命科學領域交匯時，那個人類科學發現的奇點離我們就更近了。

參考資料：

https://openai.com/index/introducing-gpt-rosalind/

https://x.com/OpenAI/status/2044861690911850863?s=20