OpenAI最近发了一篇案例研究，主角是宾夕法尼亚大学生物工程师César de la Fuente。故事很好讲：他的实验室用ChatGPT头脑风暴、用Codex写代码，在基因组和蛋白质组里搜索能对抗耐药菌的新分子，候选筛选时间从"数年"压缩到"数小时"。
这句话没说错，但容易被读成"ChatGPT几个小时就能发现新抗生素"。实际情况要窄得多——窄到足以让这篇案例研究更像一篇精心挑选素材的产品软文，而不是一次药物研发的突破报道。
"几小时"指的是哪一段
抗菌素耐药性确实是被低估的危机。2021年全球约有500万例死亡与细菌性耐药相关，这个数字预计到2050年翻倍。更麻烦的是，人类已经50年没有发现过新一类抗生素——现有研发大多是在老药和熟悉的化学类别上做修饰，边际收益一年比一年薄。
de la Fuente实验室换了个思路：把DNA和蛋白质当成一套字母表，用深度学习模型去读基因组里"没被翻译"的那部分信息，找可能有抗菌功能的序列模式。这一步确实可以很快，从人工筛选样本的数年，压缩到计算筛选的数小时。
但这仅仅是"找出候选"这一步。候选分子要变成药，还得经过体外杀菌验证、毒性测试、耐药性评估、体内动物实验、可制造性验证，最后走完整的监管审批和临床试验。OpenAI的案例研究通篇没提这条链路有多长，读者很容易把"筛选提速"直接理解成"新药提速"。
真正的发现引擎，名字不叫ChatGPT
案例研究反复强调ChatGPT和Codex的作用，但支撑这个实验室真实产出的，其实是他们自己训练的专用模型APEX和后续的ApexGO。
2024年发表在Cell上的一项研究里，这套系统扫描了87,920个微生物基因组和63,410个宏基因组，产出863,498个候选抗菌肽，其中约91.5%此前未知。团队合成了100个候选做湿实验验证,63个成功杀死至少一种病原体，其中lachnospirin-1和enterococcin-1是代表分子。
同一批方法后来还挖到了灭绝生物的蛋白质里，找出neanderthalin、mammuthusin、mylodonin等临床前候选。2026年发表在Nature Machine Intelligence上的ApexGO优化研究更进一步：对10个肽模板生成衍生物，100个合成肽里86个显示抗菌活性，其中mylodonin-2-3在小鼠鲍曼不动杆菌感染模型中把菌载量降低了约4个数量级，效果接近临床对照药物。
也就是说，从计算筛出的86万多个候选，到真正进湿实验室验证的只有100个，到证明有效的只有63个——而这63个，目前无一进入临床试验。
ChatGPT做的其实是翻译和跑腿
案例研究里描述的ChatGPT/Codex用法，其实很朴素：帮不懂编程的生物学家写脚本，帮不懂生物学的程序员理解术语，帮不同语言背景的成员用母语交流，帮团队整理和预处理基因组数据集。
通用大模型加速的是沟通，不是发现本身
de la Fuente自己也承认要"始终核对准确性"，不能只靠AI。这句轻描淡写的提醒，恰恰是整篇案例研究里最该被放大的一句话——通用大模型用于科研，普遍存在幻觉、数据泄漏导致基准虚高、输出难复现等系统性问题，学界对此早有批评，只是不会写进公司发的案例故事里。
谁会真的在意这件事
这个赛道里，de la Fuente实验室的真正对手不是ChatGPT的竞品，而是同样做"序列挖掘"的商业公司AMPLY Discovery——它用TALON平台和FOLIO设计引擎，瞄准耐多药结核病和囊性纤维化肺部感染，但公开的分子级证据比de la Fuente团队少。Google DeepMind的AlphaFold走的是结构预测路线，跟序列挖掘是互补关系,谈不上直接竞争。
- 风险.目前所有被提到的候选肽都停在临床前，距离真正的抗生素上市，还要闯过毒理、体内实验、量产工艺和监管审批这几道原文完全没提的关口。
对制药投资人和患者来说，值得盯的不是"AI又发现了什么分子"，而是这些候选里有没有一个真正走进IND申报——那才是"发现"开始兑现成"治愈"的第一个信号。