諾和諾德NVO

━━━━━━━━━━━━ AI 製藥最容易被高估的是模型分數，最容易被低估的是工作流。 OpenAI 正把 Rosalind Workbench 放進 Codex，讓研究者把文獻、定序資料、蛋白質與分子工具、分析結果及下一步實驗計畫留在同一個環境。這不是 Codex 已能自主做濕實驗，而是 OpenAI 開始競爭生命科學研發的操作入口。 Rosalind 的產品架構要分三層看：GPT-Rosalind 是生命科學專用模型；Rosalind Workbench 是保存資料、工具與決策脈絡的工作空間；Life Sciences Research Plugin 則連接 50 個以上公共科學工具、資料庫與資料來源。 只看模型，容易把它當成另一場 benchmark 競賽；把三層放在一起，才看得到商業模式。 【圖 1｜Codex 變身 AI 科學家？真正的產品是工作流】 ━━━━━━━━━━━━ 🧬 一、研究痛點不是沒有工具，而是工具彼此失憶 藥物研究會跨越文獻、基因體、蛋白質、化學、實驗與臨床證據。每一步都有專業軟體，問題是資料格式、權限與上下文彼此割裂。 研究者在工具間移動時，常要重複整理資料、重寫程式、重新解釋假設。結果即使產生，也可能因方法、版本或執行紀錄不完整而難以重現。 Rosalind Workbench 的價值主張，是把問題、輸入、分析計畫、工具調用、品質指標、輸出與人工批准串成一條可回看的紀錄。 以 NGS 為例，官方流程要求先檢查輸入並由研究者批准分析計畫，再執行、讀取品質控制與輸出。這種設計不追求「黑箱一次給答案」，而是讓團隊知道答案怎麼來。 對企業客戶而言，可追溯、能交接與可重用，才有機會轉成席位、平台或工作流收入。 【圖 2｜Rosalind 三層架構：模型、工作台、科學工具】 ━━━━━━━━━━━━ 💼 二、六家上市公司，代表六種不同籌碼 OpenAI 官方公開的合作與生態名單包含 Amgen（AMGN）、Novo Nordisk（NVO）、Thermo Fisher Scientific（TMO）、Moderna（MRNA）、Oracle（ORCL）與 NVIDIA（NVDA）等公司。 這些公司不能用同一種方式估值。 藥廠 AMGN、NVO 與 MRNA 提供真實的靶點、分子、資料與研發場景；TMO 位於儀器、試劑與實驗流程；ORCL 提供醫療與企業資料基礎；NVDA 更接近運算與模型基礎設施。 合作名單證明 OpenAI 正建立跨層生態，不證明任何一家已取得可量化收入。真正要追的是：合作是否擴大、工作流是否進入日常、是否有付費與續約，以及導入後節省了多少工時與重工。 若 Rosalind 只被拿來做文獻問答，價值接近高階工具；若它成為靶點排序、分析審核、實驗規劃與團隊交接的共同入口，平台黏著度會高很多。 ━━━━━━━━━━━━ 🔬 三、從模型到平台，護城河有四道關 ① **專業可靠性**：生命科學回答必須能追溯到證據，錯誤假設可能浪費一整輪實驗。 ② **工具覆蓋**：研究團隊不會為每個資料庫換一套介面；連接器數量、穩定性與權限控制會影響採用。 ③ **流程可重用**：一次漂亮分析沒有複利，能被團隊重跑、審查與改版的流程才會留下。 ④ **資料治理**：藥廠與醫院最敏感的資料，不會因模型比較強就自動進入平台。安全、存取、紀錄與合規決定大型客戶能否真正部署。 這四道關同時成立，Rosalind 才有機會從模型收入走向更深的企業平台收入。 【圖 3｜研究閉環：問題、證據、分析、實驗與回饋】 ━━━━━━━━━━━━ 📊 四、benchmark 不能直接換算新藥成功率 OpenAI 公布 GPT-Rosalind 在 BixBench、LABBench2 與合作測試的表現，這能支持模型在部分生物資訊與研究任務上進步。 它不能證明三件事：第一，不能證明候選藥人體有效；第二，不能證明研發失敗率已下降；第三，不能證明客戶已願意長期付費。 投資人應追的五個數字是付費組織數、活躍研究流程、工具調用成功率、人工返工率，以及由外部實驗重現的新增發現。 前四項驗證產品，最後一項才開始驗證科研價值。 官方也把 GPT-Rosalind 與 Workbench 定位為 research preview。專用模型只向通過資格與組織審核的用戶提供；存取、價格與範圍仍可能調整。研究預覽適合給選擇權，不適合直接套成熟軟體估值。 ━━━━━━━━━━━━ 🧭 五、三種入口，對應三種完全不同的收入想像 OpenAI 目前提供三條進入 Rosalind 的路徑。Rosalind Workbench 適合希望直接從引導式定序分析與連接工具開始的研究者；已使用 Codex 的團隊可以在 Codex 中開啟工作台；需要把生命科學推理嵌入自家內部系統者，則可申請 GPT-Rosalind API。 三條路徑對商業模型的含義不同。工作台可能以使用者與團隊採用為主，Codex 路徑更接近既有開發與代理工作流的延伸，API 則可能進入藥廠內部工具與受治理流程。 但今天仍不能直接推算價格與收入。GPT-Rosalind API 要經資格與組織審核；研究預覽期間的供應、使用限制與未來定價都可能改變。OpenAI 甚至明確表示，預覽期間的專用模型使用在防濫用限制下不消耗既有點數，之後才會公布更多價格與可用性。 所以，這一階段更像低摩擦導入與場景驗證，不是成熟產品已經進入大規模變現。 ━━━━━━━━━━━━ 🧪 六、NGS 案例真正賣的，是「可批准、可追蹤、可重跑」 定序分析最容易被低估的成本，不是跑一個工具，而是一長串小決策：輸入檔是否完整、樣本與比較組是否正確、品質控制要用什麼門檻、哪一個流程版本適合、結果是否足以支持下一個生物學問題。 Rosalind Workbench 的官方流程不是讓模型直接吞下 FASTQ 後丟出結論。研究者先帶入檔案與樣本資訊，系統提出分析計畫，人類檢查並批准；執行時可以追蹤進度，完成後保留 QC 指標與輸出，再由研究者選擇下一步。 這個設計把「人仍負責科學判斷」寫進流程。若企業要採用 AI，真正需要的往往不是更勇敢的自動化，而是知道模型做了什麼、使用哪一版方法、誰批准、輸出存在哪裡，以及結果能否由另一個人重跑。 因此，Rosalind 的價值單位不是回答多少題，而可能是每一條被團隊保存、審查與重用的工作流。若同一套流程只能由原作者理解，它仍是個人效率工具；若新人能接手、主管能稽核、跨專案能重跑，才接近企業基礎設施。 ━━━━━━━━━━━━ 🔌 七、專用模型不是「全能模型」，工具編排才是核心 生命科學任務需要不同證據：基因與疾病關聯、表現資料、路徑、蛋白質序列與結構、分子性質、文獻以及內部實驗。任何單一模型都不可能把這些動態資料可靠地記在參數裡。 Rosalind 的設計因此是先判斷問題，再調用合適工具，最後把輸出帶回同一個研究脈絡。官方強調可並行取回證據、比較並排序靶點、檢查蛋白質與變異、比較分子候選，以及把審過的發現轉成可測試假說。 這也把平台風險暴露得更清楚。只要資料庫權限改變、連接器失效、工具版本更新、參數選錯或來源品質不足，模型推理再好也可能在輸入端失真。平台必須保存來源、版本、錯誤與人工覆核，而不是用流暢文字掩蓋工具失敗。 投資人應把連接器數量視為覆蓋率，不是護城河。真正的護城河是調用成功率、來源可追溯性、流程可重現性，以及企業願不願意把最重要的內部資料與決策交給這套編排層。 ━━━━━━━━━━━━ 🔐 八、生命科學比一般辦公軟體多一道「治理牆」 藥廠與醫院資料牽涉未公開分子、臨床策略、患者資訊、智慧財產與生物安全。模型能力變強，不會自動消除這些風險。 OpenAI 對 GPT-Rosalind 採受信任存取：組織必須從事具公共利益的合法研究，具備治理、法遵與防濫用監督，並將使用權限制給核准人員。企業路徑也強調安全控制、存取管理與受治理工作流。 這會讓採用速度比一般聊天工具慢，卻也是商業化不可省略的條件。真正的部署成本可能來自權限、資料隔離、稽核、模型與工具版本管理、輸出審查，以及發生錯誤時的責任界面。 若 Rosalind 只在公開資料上做探索，導入容易但付費深度有限；若要進入高價值內部研發，安全與治理的成本上升，黏著度也可能更高。這是平台從個人工具走向企業收入時必經的交換。 ━━━━━━━━━━━━ 📈 九、下一步別數新聞稿，要看七個營運指標 ① 通過審核並真正啟用的付費組織數；② 每個組織的活躍研究流程與跨專案重用率；③ 連接器與工具調用成功率；④ 人工返工、修正與中止比例；⑤ 從問題到可執行實驗計畫縮短多少時間；⑥ 外部實驗能否重現平台提出的新發現；⑦ 客戶續約及從少數試點擴大到更多團隊的比例。 前四個指標回答產品是否可靠，第五個回答是否真的提高效率，第六個開始回答科學價值，第七個才接近商業護城河。 多頭情境是：Rosalind 成為研究者查證據、跑分析、審核方法與交接決策的共同入口，流程資料與企業整合形成高轉換成本。空頭情境則是：它主要被當成高階問答與展示工具，關鍵研究仍回到原有軟體，連接器維護成本高，專用模型優勢又被通用模型快速追平。 今天的合理結論，是承認平台選擇權，而不是提前宣告 OpenAI 已經重寫新藥成功率。 ━━━━━━━━━━━━ 🧫 十、一條真正可用的工作流，應該長什麼樣？ 以靶點優先排序為例，研究團隊不該只問模型「哪個基因值得做」。比較可靠的流程會先定義疾病與患者族群，再平行取回遺傳關聯、組織表現、路徑、已知藥物、競爭管線與安全性訊號；接著標出證據一致與矛盾處，建立可供團隊審核的排序理由。 若某個候選勝出，下一步不是直接宣布「找到新藥」，而是檢查蛋白質序列、變異、結構與相互作用，確認目前有哪些實驗證據，哪些仍是模型推論，再設計最小可否證實驗。實驗結果回來後，要能連回原來的假設、工具版本與決策，而不是另開一個對話重新開始。 這個例子不是 OpenAI 已替任何特定管線交出臨床成果，而是根據官方列出的證據整合、靶點排序、蛋白質與變異、分子比較、實驗規劃功能所做的工作流推演。它說明 Rosalind 的價值不在一次「神回答」，而在把每一次判斷變成可查、可改、可被下一個實驗否證的紀錄。 若平台能讓團隊提早淘汰證據薄弱靶點、減少重複分析、縮短方法交接，它會先創造效率價值；只有當更好的決策被外部實驗或臨床結果驗證，才開始創造研發成功率價值。兩者必須分開計價。 ━━━━━━━━━━━━ 💰 十一、合作名單上的公司，拿到的不是同一種價值 Amgen、Novo Nordisk 與 Moderna 更接近藥物研發場景與內部資料；Thermo Fisher 位在儀器、試劑與實驗流程；Oracle Health and Life Sciences 靠近醫療與企業資料；NVIDIA 位於運算與模型基礎設施。這些角色都可能參與同一條工作流，但收入驅動完全不同。 藥廠要看候選決策、週期與研發生產力；工具與資料公司要看連接器、平台使用量與客戶留存；運算供應商則更在意推理、訓練與資料處理需求。OpenAI 官方把它們放在同一生態，證明的是產品正在尋找跨層落點，不是任何公司已獲得新增訂單。 管理層真正要回答的問題是：要把 Rosalind 當成個人助理、團隊工作台，還是受治理的企業研發層？三種定位需要不同資料、責任與採購預算，也會產生完全不同的切換成本。 ━━━━━━━━━━━━ ⚠️ 十二、最容易讓導入失敗的五個地方 第一，團隊把流暢輸出當成已查證結論；第二，工具調用失敗卻沒有明確顯示；第三，內部資料格式與權限混亂，AI 只能加速混亂；第四，流程沒有留下版本與批准紀錄，無法重現；第五，只做炫目的示範，沒有設定可量測的週期、返工或決策品質指標。 這些問題多半不是「模型還不夠聰明」，而是產品、資料與組織設計沒有一起改。企業採用 Rosalind 的真正成本，也因此不只是一張軟體帳單，而是資料整理、流程重畫、權限治理、員工訓練與品質責任的總和。 如果 OpenAI 能把這些摩擦產品化，平台價值會比模型分數持久；如果每個客戶都需要大量客製整合，成長速度與毛利就會被服務成本拖住。 ━━━━━━━━━━━━ 🇹🇼 十三、台灣有場域，尚未有可直接標記的受益股 台灣的醫院、生物資料庫、定序服務、醫材與藥物研發團隊，具備導入生命科學工作流的平台條件。 但產業能力不等於 Rosalind 訂單。截至 2026 年 9 月 3 日，OpenAI 官方資料未確認台灣上市櫃公司直接參與 Rosalind。因此本文不為湊題材加入台股標記。 台灣投資人真正可追的，是未來是否出現正式合作、付費導入、院內資料治理架構、跨中心可重現成果，以及相關收入認列。 如果只看到「AI＋生技」就把伺服器、定序或檢測公司全部加進去，會把供應能力誤當成客戶關係。 【圖 4｜商業化四關：模型、工具、治理與可驗證成果】 ━━━━━━━━━━━━ 🎯 結論｜OpenAI 不是先替科學家做實驗，而是先接管研究交接 Rosalind Workbench 的商業野心，在於讓研究問題、證據、工具、輸出與下一步決策都留在同一條工作流。 如果團隊因此少掉重複整理、降低工具切換、保留完整方法與決策脈絡，OpenAI 就拿到了一個比單次模型回答更穩定的入口。 這仍不是新藥成功的保證。真正的估值拐點，要等外部團隊證明：平台產出的決策可以被實驗重現，而且客戶願意持續付費。 — 官方資料： https://openai.com/rosalind/ https://openai.com/index/introducing-gpt-rosalind/ https://help.openai.com/en/articles/20001193-gpt-rosalind-for-life-sciences-research 本文為人工智慧與生技產業資訊整理，不構成醫療或投資建議。合作名單不等於訂單或營收，benchmark 不等於藥物成功率。