图1｜OpenAI API 定价页面出现全新模型
当地时间 10 月 10 日，OpenAI 的 API 价格页上出现了一个并未正式发布的型号—gpt-rosalind-discovery。它被归在“生命科学模型”里，紧挨着 gpt-rosalind-research。两者定价完全相同：输入每百万 Token5 美元、缓存输入 0.5 美元、输出 25 美元。
OpenAI 尚未公开说明 Discovery 的具体用途、技术指标、评测结果或正式可用状态。因此，这一名称更适合被视为 Open AI 生命科学产品线可能进一步扩展的信号，而不能直接证明 Open AI 已组学能够经正式发布了一款专门负责药物发现的新模型。以下分析，将官方已经公布的信息与基于产品布局的趋势判断分开讨论。
要理解 GPT-Rosalind Discovery，首先需要把它放回 OpenAI 的整体生命科学布局中。
从目前已经公开的信息来看，OpenAI 正在逐步形成一套由模型、工具和工作空间组成的生命科学产品体系，并呈现出三个层次。
从最初的研究预览版，到基于 GPT-5.5 训练的新版本，GPT-Rosalind 持续强化药物化学与基因组学能力，并通过可信访问计划向相关机构开放。
OpenAI 成立 OpenAI for Science 专属团队，并与 Ginkgo Bioworks 等机构探索将 AI 与自动化实验室结合，让 AI 负责实验设计，机器人负责执行，从而形成“模型设计—实验验证”的闭环。与此同时，Rosalind 的应用方向也进一步延伸到生物安全等领域。
OpenAI正逐渐形成 “GPT-Rosalind 模型 + Rosalind Workbench研究空间+ 科学工具与 Skills” 的产品结构，将模型与科研数据、分析工具和研究流程连接起来。
因此，OpenAI 的战略方向可以概括为：从提供一个专业模型，走向提供一套以模型为核心、以科学工具为执行能力、以科研工作流为组织方式的研究平台。
这也解释了为什么理解 GPT-Rosalind Discovery，不能只盯着一个模型名称，而要观察整个 Rosalind 产品体系。
•模型：负责理解问题、推理、规划和解释结果
•工具：负责读取数据、执行分析、处理科学对象或展示结果
•Skills：将特定任务的方法、步骤和工具使用方式组织成可复用的工作流程
如果只看模型名称，很容易把 GPT-Rosalind 理解为一个生命科学聊天机器人。但从已经公开的 Rosalind Workbench 来看，整个体系的能力并不只来自模型本身。
三类科学数据查看器
•分子结构查看器：查看蛋白与小分子构象、结合位点与结构特征。
•生物序列与比对查看器：序列比对、变异分析，关联序列变化与蛋白功能。
•组织切片查看器：辅助定位病理切片重点区域，结合 AI 做图像分析与人工复核。
三类查看器的重点是结构、研究问题和解释过程能够在同一个环境中关联起来。
NGS 分析工作台
基因组学是目前最成熟的落地方向。NGS Analysis Workbench 覆盖 FASTQ 质控、常规 RNA 测序、单细胞 RNA测序等任务，自动协调工具、生成分析方案、输出可校验结果。
图2｜基于MultiQC 的 NGS 数据质控评估
分子设计、结构分析与候选分子比较
包括小分子与目标蛋白质结构对接分析、检查排名靠前的候选结合构象、分析候选分子与蛋白质之间的相互作用、比较分子性质和结构-活性关系。
Skills
如果把成熟的分析流程，例如测序分析、靶点评估流程等，配置为可复用的Skills，那么下一次执行类似任务时，只需要调整参数并审核关键节点即可。
图3｜NGS Analysis Workbench 标准化测序分析流程
需要特别说明的是：以上能力属于整个 Rosalind 产品体系。
因此，真正值得关注的技术壁垒，也不是“接入了多少工具”，而是工具编排和结果可追溯能力：系统能否说明使用了什么数据、执行了哪些步骤、得出了什么结论，以及哪些环节仍然需要人工判断。
如果模型只是“会调用工具”，价值仍然有限；真正重要的是，它能否根据科研问题自主判断应该调用什么工具、如何组合这些工具，并让整个过程可追踪、可复核。这可能才是 Rosalind 未来真正的技术壁垒。
双模型信号，未来会如何分工
图4｜OpenAI API 价格页显示两模型定价相同
目前可以确认的是，gpt-rosalind-discovery 这一名称曾出现在 API 价格页面，并与 gpt-rosalind-research 并列。仅凭名称和价格，还无法判断两者在架构、训练方式、任务分工或性能上有何区别。
一种可能的解释是，OpenAI 正在探索按科研任务细分模型产品线：Research 侧重较广泛的科学研究任务，Discovery 未来可能更贴近发现阶段的某些工作。但这只是基于命名和产品布局的推测，并非 OpenAI 已经公布的分工。
如果未来确实出现多个面向不同研发环节的专业模型，它们可能分别处理文献与证据整合、靶点研究、分子设计或候选方案评估，再通过统一工作台和专业工具衔接起来。
这意味着未来的竞争单位，可能不再是单个模型，而是一个“科研智能体系统”：不同模型或智能体负责不同环节，再由统一的工作空间、工具和 Skills 将它们连接起来。
图5｜Rosalind Workbench：不同科研任务的统一入口
生命科学 AI 并非只有一种路线。
Google DeepMind 长期投入蛋白质结构预测与生物分子建模，并通过 AlphaFold 和 Isomorphic Labs 向药物研发延伸；Anthropic 等通用模型公司也在探索智能体与专业工作流程的结合；Microsoft 则拥有科研计算、数据平台和企业工具方面的布局。
这些路线并不完全相同，也不能简单排出高下。但一个值得关注的区别是：
DeepMind 更强调对生命科学基础问题的建模与理解；而 OpenAI 当前 Rosalind 路线更值得关注的地方，则是试图让 AI 进一步参与生命科学研发流程。
换句话说，如果说前者更接近：“让 AI 理解生命科学”，那么 Rosalind 所探索的方向更接近：“让 AI 参与生命科学研发。”
Rosalind 的特点，是将专业模型、科研工具和工作空间放在同一产品体系中，强调从研究问题到可检查结果之间的流程衔接。
这条路线的价值，最终还是要看它能否在真实研发场景中带来可重复、可衡量的改进，而不只是演示效果或模型基准分数。
AI 制药过去核心问题更多是：AI 能不能设计出一个好分子？下一阶段的核心问题，可能逐渐变成：AI 能不能持续参与整个研发循环？
因此，未来更有竞争力的系统，可能逐步形成这样的循环：
AI 提出假设 → 专业工具分析 → 研究人员审核 → 实验验证 → 新数据回流 → 更新后续研究判断
谁能以更低的成本、更快的速度、更高的可重复性完成这个循环，谁就可能建立优势。与此同时，数据质量、实验可重复性、模型可靠性、知识产权、隐私保护和生物安全治理，也都会影响这条路线最终能够走多远。
OpenAI 尚未正式公布 gpt-rosalind-discovery 其功能、评测结果和开放范围，目前不应把它直接描述为已经正式发布的“药物发现模型”。真正值得持续观察的是 OpenAI 是否会继续扩展 Rosalind 模型系列，以及这些模型能否与科学数据、专业工具和真实实验流程形成稳定连接。
如果这种整合不断成熟，AI 制药的竞争重点就可能从：“单个模型有多强”逐渐转向：“整套研发系统能否更可靠地把科学假设变成实验依据。”
对 AI 制药而言，真正的分水岭或许不是又多了一个模型名称，而是：AI 能否持续、可验证地参与科研过程。这可能才是 Rosalind 最值得关注的地方。
