OpenAI 于 9 月 10 日发布案例文章，介绍宾夕法尼亚大学生物工程师 César de la Fuente 的实验室如何把 ChatGPT 和 Codex 接入抗菌药物研发流程：用模型协助提出假设、编写和修改代码、处理基因组数据集、跨学科整理思路，扫描现存和已灭绝生物的基因组，寻找可能对抗耐药菌的分子。
背景数字值得先放出来。抗菌素耐药性（AMR）在 2021 年与约 500 万例死亡相关，预计到 2050 年大致翻倍。de la Fuente 在文章中指出，人类已经 50 年没有发现新的抗生素类别，而改造现有药物、在熟悉的化学类别里打转的传统路径回报递减。他实验室的出发点是另一个方向：把生物学当作信息系统——核苷酸和氨基酸就像一套字母表——然后在整个生命之树、包括灭绝生物的基因组里做大海捞针式的搜索。
按文章的说法，这套流程把候选分子的初筛从数年压缩到数小时。实验室自己的深度学习模型负责识别生物序列中的模式；ChatGPT 和 Codex 的角色更像胶水——让不会编程的生物学家写出分析脚本，让不懂生物的工程师处理基因组数据，也让团队成员用母语工作。de la Fuente 把 ChatGPT 称为「实验室的公共大脑」。
[1]博客说了什么，没说什么
说了的部分：流程、动机、效率叙事，以及一句关键的自我约束——de la Fuente 本人强调「真实实验对验证 AI 预测必不可少」，候选分子必须先在培养皿里证明能杀死目标微生物，再经过剂量、毒性、耐药性、体内代谢、量产工艺、监管审批和临床试验，任何一步都可能毙掉一个候选。
没说的部分同样清楚：文章没有点名任何一个由这条管线发现的新分子，没有附带同行评审论文，也没有体内实验或临床数据。独立评论者很快指出了这一点：目前的全部证据是一篇企业博客。这并不意味着方向错误——de la Fuente 实验室此前在灭绝生物抗菌肽方向有公开发表的研究积累——但「AI 发现抗生素」和「AI 加速了候选搜索的体力活」是两回事，后者才是这篇博客实际证明的。
[1][2]值得注意的产品信号
对 OpenAI 来说，这篇文章的价值不在科学结论，而在场景占位。Codex 是个为写代码而生的终端智能体，现在被官方案例放进了湿实验室的工作流——同一周，OpenAI 还发布了金融版 ChatGPT 和企业数据智能体。三篇发布共享同一套叙事模板：通用工具加专业数据，再加一个被压缩的时间单位（数年到数小时、几天到几分钟）。这个模板在销售上有效，在科学上则需要分开计价：时间压缩发生在候选筛选环节，而药物研发的成本大头——验证、毒理、临床——一个环节都没被触及。
耐药菌不在乎新闻稿。这条管线是否成立，判据只有一个：会不会有某个分子从这套搜索里走出来，活着穿过培养皿、动物实验和临床，最终出现在处方上。在那之前，准确的写法是「AI 把找针的时间从年缩到小时」，至于针能不能用，仍然是慢功夫。
[1]