OpenAI提出用AI参与新药研发并通过专利费或分成获利。对比特斯拉与中国车企AI路线，本文拆解“工具收费”与“结果分成”的战略差异与落地方法。
AI新药研发如何商业化？从OpenAI到特斯拉的策略分野
2026-02-03 的一条快讯里，OpenAI CEO 山姆·奥特曼给了外界一个很“直白”的信号：AI 不只卖算力和API，也可以直接参与产业利润分配。他的设想是——OpenAI 可能会投资那些用其模型做新药/新疗法研发的公司或给予补贴，并在成果出来后，通过专利费、使用权费用或按比例分成获得回报。
我之所以觉得这条消息值得写一篇长文，不是因为“AI+医药”本身多新鲜，而是因为它把一个更大的问题摆到了桌面上：AI正在从工具变成资产，而资产的定价方式会决定一家公司的战略上限。
更有意思的是，把它和汽车行业放在一起看，差异会更清晰。特斯拉把AI当作“系统级能力”来打造：数据闭环、端到端模型、车端部署、规模化迭代。中国车企则更多在“功能与场景”里找ROI：座舱助手、城市NOA、泊车、营销与服务。OpenAI在医药方向的商业化设想，反而像一面镜子，照出各行业做AI时最核心的分歧：你是在卖功能，还是在押注结果？
OpenAI的医药合作设想：从卖模型到分成果
一句话概括：OpenAI想把“模型能力”变成“科研产出”的收益权。
从快讯信息看，奥特曼提到的路径大致有三种：
- 前置投入：对高强度使用其AI进行药物研发的公司投资或补贴。
- 后置回报：通过专利费/使用权费获得现金回流。
- 成果分成：与药企共担模型使用成本，后续按成果获得“一定比例分成”。
这背后有个非常现实的商业逻辑：医药研发“成功即暴利、失败即归零”，而AI在其中的价值，不只是节省人力成本，更可能影响候选分子筛选效率、实验设计速度、适应症拓展路径等关键环节。也正因此，OpenAI如果只按“调用量”收费，往往会吃亏；如果能拿到成果分成，它就把自己的收益上限和客户的商业成功绑定起来了。
可被引用的一句话：当AI开始按“结果”收费，它就不再是软件，而更像参与利润分配的产业合伙人。
为什么“医药”更容易接受分成模式？
先给一个判断：分成模式在医药行业更容易落地，但谈判成本也更高。
原因很简单：
- 医药研发链条天然有“里程碑付款”习惯（从临床前到I/II/III期，再到上市与适应症扩展）。把AI贡献嵌入里程碑条款，在合同结构上并不陌生。
- 专利与数据壁垒明确。成果怎么界定、权益怎么切分，虽然难，但至少有成熟的法律框架可依。
- 单项目回报足够大。即便只是一个适应症或一条管线的权益，也能覆盖前期高昂的AI算力、数据清洗、实验验证成本。
但难点同样硬：谁来证明“模型贡献了多少”？如果AI只是在早筛阶段加速了10%，该拿多少？这会把合作推向更“金融化”的结构：按成果定价、按风险折价、按里程碑对赌。
从医药到汽车：AI商业化的两条路线
一句话对比：OpenAI偏“科研产出变现”，特斯拉偏“系统能力变现”。
把AI在产业里的变现方式拆开看，常见有两条路线：
- 工具型变现：卖API、卖席位、卖调用量、卖软件订阅。优点是快，缺点是天花板受限。
- 结果型变现：拿分成、拿权益、拿专利费、拿持续性提成。优点是上限高，缺点是周期长且需要强话语权。
OpenAI在医药方向的表述，明显更接近第2条。那特斯拉呢？特斯拉更像是把AI“装进产品”并通过规模化兑现：
- 数据闭环：车队数据回流—训练—上车—再回流。
- 端侧推理：把能力部署在车上，形成用户体验差异。
- 持续订阅/增值：通过软件服务与功能包持续收费（不同市场节奏不同）。
对汽车行业来说，最值钱的不是“模型被调用了多少次”，而是：这个系统能否让驾驶更安全、更省心，并在规模上持续迭代。
特斯拉 vs 中国车企：AI战略的核心差异到底是什么？
先亮观点：**特斯拉押的是“统一大模型+统一工程栈”，中国车企更常押“多供应商+快速落地场景”。**两种选择都合理，但长期差距会越来越大。
差异1：数据资产的组织方式
- 特斯拉：强调全栈自研与车队数据闭环，数据分发、标注、训练与回滚更像一个统一工厂。
- 中国车企：很多时候数据分散在不同域（座舱、智驾、云端运营），再叠加多家供应商，数据治理与跨域复用成本更高。
结果是：当你想做端到端、想做跨域智能体（Agent）时，谁的数据“能被用起来”，谁的迭代就更快。
差异2：AI能力是“功能”还是“平台”
不少车企的AI更像功能清单：语音助手更聪明、泊车更稳、NOA覆盖更广。用户当然买单，但这会带来一个问题：
- 功能可以被追平，价格战一来就被压缩。
- 平台能力更难被复制，能持续长出新能力。
特斯拉更接近把AI当“平台”：以统一架构吞掉更多任务（感知、预测、规划，乃至更多车内交互）。OpenAI在医药上的想法，也是平台逻辑：不局限于卖模型，而是参与研发价值链。
差异3：商业化选择决定了组织结构
“结果型变现”会逼企业做三件事：
- 更深地进入行业流程（医药要懂实验、临床与注册；汽车要懂安全、法规与供应链）。
- 承担更长的回款周期（研发周期、验证周期、监管周期）。
- 建立更强的风险控制与合规体系。
这也是为什么很多中国车企更偏“可快速交付的场景ROI”。但如果行业进入下半场，单靠功能堆叠会越来越难：你得拥有平台化能力，才能降低边际成本并拉开差距。
汽车行业能从“AI新药研发”学到什么？给三条可落地的建议
一句话：别只学技术热闹，要学“如何把AI变成可计价的资产”。
建议1：把AI项目从“功能交付”改成“指标合约”
医药行业谈合作，常常围绕里程碑和结果。汽车同样可以做“指标合约”，比如：
- 智驾：接管率、误触发率、场景覆盖率、事故/险情率（按百万公里）
- 座舱：一次唤醒成功率、意图识别准确率、任务完成时间
- 运营：售后工单闭环时间、投诉率、NPS变化
当指标能被稳定度量，AI就更容易被内部当成资产来投，而不是“研发成本”。
建议2：建立跨域数据治理，优先解决“能不能复用”
很多企业不是缺数据，而是缺“可复用的数据”。我见过最常见的坑是：
- 同一事件在不同系统里定义不同（例如一次接管、一次报警）
- 采集频率、时间戳、权限口径不一致
- 标注口径不统一，导致训练集无法累计复利
先把数据做成“可复利资产”，再谈大模型与Agent才有意义。
建议3：大胆试一试“成果分成”的生态合作
OpenAI的思路提醒车企：和供应商/AI公司合作，不一定只有买断与订阅。
可尝试的结构包括：
- 针对特定城市NOA或泊车能力：按用户订阅收入分成
- 针对售后智能诊断：按节省的返修成本或缩短的工时分成
- 针对二手车残值评估：按提升的成交效率或毛利分成
当然，前提是指标透明、数据可信、责任边界清晰。
常见问题：AI参与专利与分成，会改变创新格局吗？
会，而且会更“结果导向”。
- 对AI公司：从“卖工具”转向“参与产业利润池”，会逼其深入行业Know-how，护城河更像“模型+流程+数据+合规”的组合。
- 对传统企业：如果你不掌握数据与流程主导权，就可能在分成谈判里变弱；但如果你愿意开放一部分收益权，也能换来更强的外部创新力。
我更看好一种折中路线：在早期用工具型模式快速试错，在验证价值后用结果型模式做深绑定。
结尾：AI的分野不在模型，而在“定价方式”
OpenAI关于AI助力药企研发并从中获利的设想，表面看是一次商业模式扩张，实质上是在回答一个更尖锐的问题：AI的价值到底怎么计价？
放到汽车行业，这个问题会变成：你是把AI当作“配置表上的功能”，还是当作“持续生长的平台”？特斯拉的路线更接近后者，而不少中国车企仍在前者里卷交付、卷速度、卷营销。短期看热闹，长期看差距。
接下来两年（尤其是2026年车市价格战仍在延续的背景下），我更愿意押注那些敢于把AI项目写进“业务指标”、敢于做数据复利、敢于用分成绑定生态伙伴的团队。真正的AI战略，不是模型参数有多大，而是你能否把不确定性变成可持续的现金流。
你所在的团队更接近哪一种：功能交付，还是结果合约？这个选择，会在未来三年拉开非常现实的差距。