OpenAI押注AI制药的分成模式：对特斯拉与中国车企AI战略的启示

2026-02-05 这个时间点看AI商业化，有个信号很明确：大模型公司不再满足于“卖API”。据报道，OpenAI 首席执行官山姆·奥特曼提到一种更激进的路径——对大量使用其AI技术做新药/新疗法研发的公司进行投资或补贴，随后通过专利费、使用权费，或按成果分成获得回报。

这条新闻表面上在讲制药，真正刺痛行业神经的其实是：AI的价值开始从“工具效率”迁移到“成果权益”。而这件事，和汽车行业（尤其是特斯拉与中国汽车品牌）正在走的两条AI路线，关系比想象中更近。

我把它归结为一句话：当AI从“成本中心”变成“利润中心”，你用什么方式把它嵌进产业链，决定了你能拿走多少利润。

AI制药的核心不是模型多强，而是“收益怎么分”

先给结论：AI制药真正的难点不是把分子“算出来”，而是把“算出来的价值”变成可持续的现金流。 奥特曼提到的专利/使用权费用或分成，本质上是一种“AI研发合伙制”。

在传统制药里，创新药研发周期长、投入高、失败率高。公开资料常被引用的行业共识是：一款新药从发现到上市往往需要 10-15 年，并伴随大量临床失败（不同适应症差异很大）。在这种结构下，如果AI公司只按算力或订阅收费，最多拿到“供应商利润”；但如果进入专利或成果分成，就有机会拿到“药企利润”。

三种商业模式，三种位置

把这件事抽象成三种常见AI商业化位置，你会更容易看清它对汽车行业的映射：

1. 工具收费（SaaS/API）：按调用量、席位、算力计费。优点是现金流快，缺点是议价权往往在行业巨头手里。
2. 共担成本（合作研发）：AI方承担部分训练、实验或数据成本，换取更深的绑定。
3. 成果分成（权益型）：绑定到专利、里程碑付款、销售分成。优点是上限高，缺点是周期长、法律与合规复杂。

奥特曼的表态，明显是在把OpenAI从第1类推向第2/第3类。

一句可引用的判断：AI越接近“成果权益”，越接近产业链利润的核心；AI越停留在“调用计费”，越像可替换供应商。

从医药到汽车：AI到底是“外挂”，还是“整车中枢”？

直接给答案：医药行业的AI更像“外挂智囊”，汽车行业的AI更像“系统中枢”。 这也是为什么汽车行业的AI战略分化会更剧烈。

在药物发现阶段，AI可以做靶点发现、分子生成、ADMET 预测、临床试验入组优化等，但最终仍要通过实验、临床和监管。AI更像把“试错成本”压下去的工具。

而在汽车里，尤其是智能驾驶与智能座舱，AI不是在帮你写报告，而是在实时做决策：

• 感知：摄像头/雷达/超声波等传感器融合
• 规划与控制：轨迹规划、避障、策略
• 交互：语音、意图理解、个性化
• 运维：车队学习、OTA、故障预测

一旦AI进入闭环（车—云—车），它就不是部门项目，而是整车产品的“神经系统”。

特斯拉的AI路线：把模型写进产品骨架

特斯拉的思路一贯清晰：

• 以端到端/大规模数据训练为核心，让模型能力直接体现在驾驶体验里
• 通过车队数据与算力投入建立规模优势
• 在商业化上，倾向于把AI能力变成可持续订阅收入（例如FSD/软件包），让AI成为“可计费的产品功能”

这相当于：AI不是卖给车企的，而是车企自己用来定义产品差异的。

中国车企的主流路线：数据驱动 + 软件优先，但更偏“平台协作”

不少中国品牌在过去两年形成了更务实的组合拳：

• 快速上车：多供应商方案并行，强调量产与成本
• 数据闭环：通过高频OTA、座舱生态、用户运营积累数据
• 组织方式：更强调与地图、芯片、模型、域控、应用生态的协作

优势是迭代快、场景广；挑战也明显：如果关键模型能力来自外部，收益和话语权就容易被“卡在中间层”。

这就回到OpenAI在制药上抛出的那个问题：你是收“调用费”，还是拿“成果分成”？

医药 vs 汽车：两种“分成逻辑”的对照，谁更高效？

先说结论：汽车更适合做“订阅型分成”，医药更适合做“权益型分成”。 但两者都在争同一件事：把AI的价值与最终成果绑定。

医药的分成逻辑：专利与里程碑，慢但上限高

AI公司如果能影响到“可专利的分子”或“关键临床路径”，就能谈：

• 专利共同所有权
• 使用权授权费（license fee）
• 里程碑付款（临床I/II/III期、上市等）
• 销售提成（royalty）

这套逻辑的难点是：回款慢、合规重、归因难（AI贡献如何被法律认可）。

汽车的分成逻辑：体验可量化，订阅更顺滑

智能汽车的价值更容易量化到用户体验与配置包：

• 城市NOA/高速NOA
• 自动泊车与代客泊车
• 高级座舱助手
• 保险与风控（长期潜力）

因此“按月/按年订阅”更适合汽车。它不需要专利确权那么重，但要求：能力要持续可感知、可升级、可留存。

更尖锐一点说：医药靠“发明权”定价，汽车靠“体验权”定价。

对特斯拉与中国车企的AI战略启示：别只谈模型，先谈“权利结构”

给一个可落地的框架：AI战略=数据权利 + 模型控制权 + 收益分配权。多数公司只盯着“模型参数”和“算力投入”，但真正决定长期回报的是后两项。

1）先把数据权利说清楚：谁拥有、谁可用、谁能带走

无论医药还是汽车，AI效果都离不开数据。但数据一旦涉及用户隐私、道路安全或医疗合规，权利边界必须写进合同和系统：

• 采集范围与用户授权机制
• 脱敏与合规留痕
• 数据可用于训练的范围（是否允许跨客户训练）
• 合作终止后数据是否可迁移

数据权利不清，后面谈分成都是空的。

2）模型控制权决定“你是不是可替换”

你可以外采模型，但要保留“关键环节可控”：

• 关键场景的训练与评测体系是否自建
• 端侧推理与安全策略是否掌握
• 能否在供应商变化时保持体验连续

对车企来说，这等于在问：智能驾驶是你的产品资产，还是供应商的功能包？

3）收益分配权：从“买断成本”升级到“共同经营”

奥特曼提出的思路，对车企同样适用：与其只买功能，不如把部分合作变成“收益绑定”。可能的形式包括：

• 智能功能订阅收入分成（按激活/留存/里程碑）
• 共同承担数据闭环与算力成本，换更低的长期边际成本
• 对关键算法/数据管线形成联合知识产权或长期许可

我更看好一种折中：基础能力按服务费，关键成果按分成。这样既能保证现金流，也能让双方有动力把体验做到用户愿意持续付费。

实操清单：如果你在推进“AI进产业”，先做这5件事

这部分写给做企业创新、研发管理、或产品战略的读者，尤其适合“人工智能在科研与创新平台”这条主线。

1. 把KPI从“模型指标”换成“业务指标”：医药看靶点命中率/实验轮次减少；汽车看接管率下降、订阅转化与留存。
2. 建立可审计的数据管线：数据来源、标注流程、版本管理、训练记录都要可追溯。
3. 提前设计“归因机制”：AI贡献如何被量化与认定（尤其涉及专利或安全事故责任）。
4. 用合同锁定“升级权”：模型更新频率、回滚机制、SLA、安全测试标准。
5. 把合规当成产品能力：医疗的GxP/临床合规，汽车的功能安全与数据合规，都是竞争壁垒而不是负担。

结尾：OpenAI的制药算盘，正在提醒车企别算错账

OpenAI谈“投资+补贴+专利/分成”，等于把一句潜台词摆到台面上：AI公司不想只做供应商，而想做产业成果的合伙人。

放到汽车行业，这会加速分化：特斯拉更像把AI当作整车系统的核心资产，通过订阅与产品闭环兑现价值；不少中国品牌则更擅长把AI能力平台化、生态化，以更快速度覆盖更多场景。但下一阶段真正决定胜负的，不是你“接入了哪个模型”，而是你有没有把数据权利、模型控制权、收益分配权握在手里。

如果你正在规划2026年的AI路线图，不妨反过来问团队一句：我们要收的是“调用费”，还是“成果分成”？ 你选的答案，会决定你未来三年的利润结构。