OpenAI用AI做新药生意：对标特斯拉与中国车企的AI分野

2026-02-03，OpenAI CEO 山姆·奥特曼放出一个很“商业”的信号：OpenAI 可能会为大量使用其AI来研发新药/新疗法的公司提供投资或补贴，并通过专利、使用权费用，或对研究成果收取一定比例分成来获利。换句话说，AI不只是“工具费”，还可能变成“项目合伙人”。

很多人把这当作AI进军医药的又一次跨界。但我更愿意把它看成一面镜子：**当AI从能力竞争走到商业化竞争，真正拉开差距的，是数据闭环与变现路径的设计。**这一点，汽车行业正在经历，而且特斯拉与中国车企之间的战略分化，恰好能用OpenAI的“药企合作模式”解释得更清楚。

这篇文章属于「人工智能在科研与创新平台」系列。我们不只讨论“AI能做什么”，更关注：AI如何进入高门槛产业、如何建立可持续收益、如何把数据变成复利。医药与汽车看似遥远，但底层方法论高度同构。

从“卖模型”到“分成果”：OpenAI的医药AI变现逻辑

OpenAI这次释放的核心信息很明确：**不满足于按调用量收费，而是把自己嵌入研发价值链，参与收益分配。**这在医药行业尤其有吸引力，因为药物研发的价值呈现方式就是“成果导向”：临床里程碑、专利壁垒、上市后的长期现金流。

为什么医药行业适合“成果分成”

先给出直接结论：医药研发高度不确定，但一旦成功，边际收益极高，因此“AI+分成”的风险收益结构成立。

• 新药研发周期通常以“年”为单位，且失败率高；
• 但一旦形成专利或独占期，收益可跨越10年以上；
• 研发链条长，任何一个环节的效率提升（靶点发现、分子生成、ADMET预测、临床入组等）都可能影响整体成功概率。

当AI提供的不只是“提效”，而是“提高成功率”或“缩短到临床的时间”，它就天然具备谈判筹码：按成果收费。

一句话概括：医药的商业语言是“成功后结算”，这让AI供应商有机会从“成本中心”变成“利润中心”。

这套模式的关键前提：数据、验证与责任边界

医药AI不是“演示好看就能卖”。它至少要回答三件事：

1. 数据从哪来：真实世界数据（RWD）、实验数据、临床数据的合规获取与治理；
2. 如何验证：是否可复现、是否可解释、是否能在不同人群/实验室迁移；
3. 责任怎么划分：模型错误导致的研发决策偏差，谁承担损失？合同怎么写？

这也正是我们把话题拉回汽车行业的原因：特斯拉之所以在AI战略上更“硬”，就是它的验证与责任闭环更可控。

同一个底层公式：医药AI与汽车AI都在争“数据复利”

把医药与汽车放在同一张图上看，核心竞争不是“谁的模型参数更大”，而是：

数据 → 训练/推理 → 场景验证 → 反馈更新 → 再规模化

这就是数据复利。只要闭环跑起来，AI能力会随规模提升；闭环跑不起来，AI就只能停留在演示与试点。

特斯拉的策略：端到端闭环，把AI变成产品核心

特斯拉在汽车AI上的代表性特征是：

• 数据来源天然在线：来自真实道路、真实驾驶行为、真实失败案例；
• 验证强约束：安全指标、事故风险、接管率等，都是可量化KPI；
• 迭代速度快：软件更新把“改进”送回车端，继续采集数据。

因此，特斯拉更像“把车当机器人做”，AI不是选配，而是产品定义。

许多中国车企的策略：多点开花，但更像“功能拼图”

中国车企在智能座舱、语音、多模态交互、城市NOA等方面推进很快，也很会把体验做得讨喜。但在AI战略上，常见挑战是：

• 数据碎片化：供应商、平台、车型、地区之间的数据难以贯通；
• 场景指标不统一：不同团队用不同口径，很难形成“全局优化”；
• 研发组织分割：座舱、智驾、电子电气架构、云端平台各自为政。

结果是：AI能力提升经常表现为“某个功能更好用”，但难以沉淀成“系统级优势”。这不是技术不行，而是闭环设计的战略优先级不同。

OpenAI的医药合作，对车企AI战略的三个提醒

把OpenAI的思路翻译成汽车语境，会得到三个非常实用的提醒。

1）AI商业化的本质：从“卖算力/模型”转向“卖结果”

OpenAI提到的“专利/使用权费用”“分成”，本质是结果计价。汽车行业也正在走这条路：

• 传统做法：把智能功能当配置卖（一次性买断）；
• 更可持续做法：按效果、按周期、按服务持续收费（订阅、里程计费、车队方案）。

但要做到“卖结果”，必须能证明结果。医药用临床终点与专利；汽车用安全指标、保险费率变化、车队运营指标。

我的观点很直接：未来三年，能把AI价值量化并绑定收入的车企，会把不会量化的车企甩开一截。

2）跨行业AI要成功，先选对“能闭环的场景”

医药研发的闭环很慢，所以OpenAI才会考虑用投资/补贴的方式把合作推进下去，等成果出来再分成。

汽车行业的闭环更快，但也更容易走偏：如果只追求“演示效果”，就会陷入无休止的功能堆叠。更好的路径是先锁定闭环强的场景：

• 高速领航、通勤路线、固定城市片区
• 车队运营（出租、物流）
• 售后诊断与预测性维护

这些场景有两个共同点：指标清晰、反馈频繁。

3）真正的护城河不是“接入了哪个大模型”，而是数据与组织结构

OpenAI即便模型强，也必须解决医药数据合规、流程验证、责任边界。车企同理：

• 只接一个大模型API，门槛很低；
• 但把数据治理、评测体系、上线灰度、事故复盘、模型更新做成制度，门槛很高。

特斯拉长期更像一家“数据公司+制造公司”，而不少中国车企仍然更像“制造公司+软件部门”。这就是战略差异。

车企可以怎么学：一套“AI合伙式变现”落地清单

如果把OpenAI的思路借到车企（或汽车产业链）的AI商业化，我建议用“合伙式”方式做两件事：选对合作对象、把合同写成结果合同。

合作对象怎么选：先找“愿意共享数据、愿意共担风险”的伙伴

可优先考虑三类：

1. 车队/运营商：数据量大，指标明确（准点率、能耗、事故率、维修成本）；
2. 保险公司：天然以风险定价，适合做“安全效果分成”；
3. 供应链关键环节（电池、热管理、域控）：效果可量化（寿命、故障率、良率）。

合同怎么写：把“AI价值”写进KPI与结算

把“使用费”改成“效果费”，可以从这些指标入手：

• 安全：接管率、事故率、AEB触发有效率
• 体验：语音一次成功率、导航到达偏差、投诉率
• 运营：百公里能耗、车辆出勤率、单车维护成本
• 制造：良率、返工率、节拍时间

可执行的原则：先定义可审计指标，再谈分成比例；先做小规模验证，再扩大到全量。

常见追问：医药AI与汽车AI到底谁更难？

答案很干脆：医药更难证明“因果有效”，汽车更难保证“极端安全”。

• 医药研发里，模型提出的分子/靶点是否有效，需要实验与临床验证，周期长、成本高；
• 自动驾驶里，模型可能99.99%的时候都对，但0.01%的极端场景会带来巨大的安全与舆论成本。

这也是为什么OpenAI会考虑用投资/补贴推进医药合作，而特斯拉更倾向于在自身产品体系内滚动迭代。两者都在做闭环，只是闭环的“时间尺度”和“风险形态”不同。

写在最后：AI战略的差距，最后会体现在利润表上

OpenAI把AI带进药企研发，并试图用专利/使用权/分成获利，这件事真正值得关注的不是“医药圈又热了”，而是：AI公司开始用更强势的方式定义价值分配。

汽车行业接下来也会发生同样的变化：特斯拉式的端到端闭环，会让AI更像“产品核心资产”；而很多中国车企如果仍把AI当作“功能堆叠”，短期体验能赢，长期复利很难赢。

如果你正在做车企/零部件/出行服务的AI规划，我建议把这篇文章当作一个检查清单：你的数据闭环在哪里？你的评测口径统一吗？你的AI收入是“卖功能”还是“卖结果”？

下一步，你更想先把AI放进哪个能快速闭环的场景里——智驾、安全、制造，还是车队运营？