OpenAI 開始收割科學家了

> Meta Shift

據報導，OpenAI 上週悄悄發布了 GPT-Rosalind，這是他們第一個專門針對科學研究領域的垂直化模型。雖然 OpenAI 沒有公布具體的定價策略，但從他們給學術機構的 pilot program 來看，估計單次深度分析的成本會落在 $50-200 之間，這對動輒燒掉數百萬研究經費的實驗室來說根本不算什麼。

老實說，這步棋下得很聰明。OpenAI 終於意識到，與其跟 Google、Anthropic 在通用模型的紅海裡廝殺，不如直接切入那些付費能力強、對準確性要求極高的垂直市場。科學研究就是最完美的目標 — 這群人有錢、有明確痛點，而且對「稍微貴一點但很準確」這件事完全不敏感。

這件事的重要性不只是「OpenAI 又出新產品了」，而是代表整個 AI 產業開始從 B2C 的流量戰爭，轉向 B2B 的價值挖掘。當所有人都在比誰的 ChatGPT 更好用時，OpenAI 已經開始問：「誰最願意為 AI 付錢？」

商業模式拆解

GPT-Rosalind 的商業邏輯很直接 — 瞄準全球估計 1.8 兆美元的 R&D 市場，從實驗設計到數據分析的整個 pipeline 都要切一刀。

從目前的 pilot program 來看，他們的定價策略分成三層：基礎的文獻回顧和假設生成大概 $10-30 per query，進階的實驗設計和統計分析 $50-100，最頂級的多模態數據解讀（包括分析圖表、實驗影像）可能達到 $200 以上。這個定價對學術界來說不算誇張 — 一個博士生花兩週做的統計分析，Rosalind 可能幾小時就搞定，而且準確性還更高。

客戶群很明確：頂尖大學的研究實驗室、製藥公司的 R&D 部門、政府研究機構。據報導，OpenAI 已經跟 MIT、Stanford 的幾個實驗室簽了 pilot contract，預計每個實驗室每月的使用額度在 $5K-50K 之間，視研究規模而定。

護城河在哪？首先是數據質量。OpenAI 據說特別訓練了 Rosalind 來理解科學論文的結構和邏輯，這不是隨便拿個 GPT-4 fine-tune 就能做到的。其次是 domain expertise — 他們找了一堆科學家做 RLHF，確保模型輸出的實驗設計在實務上是可行的，而不是紙上談兵。

最關鍵的護城河是 compliance。科學研究對於資料處理有嚴格的規範，特別是醫學研究。OpenAI 投了大量資源確保 Rosalind 符合 HIPAA、GCP 等標準，這個 regulatory moat 不是小公司能輕易跨越的。

預估市場規模？全球學術研究的 IT 預算估計在 500 億美元左右，如果 OpenAI 能拿下其中 5-10%，那就是 25-50 億的年營收。當然這需要時間，但以科學界對工具的接受度來說，三到五年內達成不是不可能。

競爭格局

科學 AI 這塊其實早就有玩家在耕耘，OpenAI 算是後進者。

Elsevier 靠著 ScienceDirect 和 Scopus 的數據優勢，推出了 AI-powered research assistant，但說實話功能比較陽春，主要還是文獻搜尋和引用分析。他們的優勢是有 paywall 後面的高品質論文數據，劣勢是 AI 技術底子不夠深。

Semantic Scholar (AI2) 有不錯的 paper recommendation 和 citation analysis，而且完全免費，但在深度分析方面還是不夠強。他們比較像是學術界的 Google Scholar，而不是真正的研究助手。

新創公司 像是 ResearchRabbit、Consensus、Scite 等，各自在不同的細分領域有些進展，但都缺乏 OpenAI 那種綜合性的語言理解能力。

OpenAI 的策略很明顯：用通用模型的技術底子，快速切入這個相對沒有強勢玩家的市場。他們不需要從零開始建立 domain knowledge，只要把既有的 GPT 架構專門化就行了。

目前看起來，傳統的學術出版商（Elsevier、Springer）會是最大的威脅，因為他們掌握了最優質的數據源。但在 AI 技術的執行力上，OpenAI 明顯領先一個世代。這有點像當年 Netflix 進入內容製作 — 技術公司用更好的產品體驗，去挑戰傳統內容商的數據護城河。

Meta 判讀

這絕對是個 Meta Shift。

過去一年，整個 AI 產業的焦點都在「誰能做出最強的通用模型」，但現在 OpenAI 開始帶頭往專業化方向走。這就像 MOBA 遊戲從「誰的英雄最全能」變成「誰的 counter pick 最精準」— 重點不再是樣樣都行，而是在特定場景下能否碾壓對手。

這個趨勢讓我想到 2010 年代的 SaaS 市場。當時大家都在做 general CRM、general project management，但最後賺大錢的反而是那些專門服務牙醫診所、律師事務所、建築公司的垂直化 SaaS。原因很簡單：垂直市場的客戶願意為「完全符合我需求」的產品付更多錢。

從投資角度來看，這代表 AI 產業開始成熟了。燒錢比誰的 model 更大、更通用的階段即將結束，接下來是比誰能找到最有價值的應用場景，並且把產品做到極致。科學研究是個絕佳的起手式 — 用戶付費能力強、對準確性敏感、願意為效率提升付費。

我預期接下來幾個月，會看到更多大廠推出垂直化的 AI 產品：法律 AI、醫療 AI、金融分析 AI。通用模型會變成基礎設施，真正的競爭會在應用層爆發。

工程師該怎麼看

對工程師來說，這個趨勢有幾個值得關注的點。

技術選型方面：如果你的 side project 或公司產品有明確的 domain，別再想著從頭訓練一個通用模型了。直接用 OpenAI 的 API 加上 fine-tuning，或是等他們推出更多垂直化的模型，會比自己從零開始划算太多。

職涯方向：純粹的 AI/ML engineer 競爭會越來越激烈，但「AI + domain expertise」的組合會很搶手。如果你對某個專業領域有了解（醫療、法律、金融、科學研究），現在開始深耕 AI 在該領域的應用，未來機會會很多。

Side project 思路：與其做另一個「通用的 AI 助手」，不如專注在某個細分市場。比如專門幫牙醫診所寫病歷的 AI、專門分析股票技術面的 AI、專門幫律師審合約的 AI。市場小但客戶願意付錢，比大而全的產品更容易成功。

OpenAI 這步棋告訴我們，AI 的下半場已經開始了。不是比誰的技術更炫，而是比誰更懂客戶的痛點。

延伸閱讀

• 20 人打敗 OpenAI — Harmonic 如何在數學 AI 賽道突圍？
• Anthropic 企業客戶數超越 OpenAI
• ArXiv 開始封殺 AI 論文 — 學術界向 AI 代筆說不