当大模型被用来写代码、改bug时，一个更值得注意的用法正在实验室里发生：把它当作探索未知生物数据的搜索引擎。
发生了什么
据OpenAI介绍，研究者César de la Fuente的实验室使用Codex和ChatGPT，在现存物种与已灭绝物种的基因组数据中筛选抗菌分子候选物，目标是寻找能够对抗耐药性感染的潜在药物线索。
这里的关键不是模型"发明"了某种分子，而是它承担了数据检索、序列筛选与候选生成环节中的部分工作——把原本需要人工编写脚本、反复迭代的基因组挖掘流程，压缩成更快的探索循环。Codex负责把研究意图转成可执行的代码与分析流程，ChatGPT则更多参与问题拆解、假设梳理和结果解读。
为什么重要
抗菌耐药（AMR）是过去十年被反复警告却进展缓慢的领域。传统抗生素研发面临两个结构性难题：一是可筛选的化学空间巨大，二是新靶点发现成本高、周期长，药企投入意愿持续下降。
基因组挖掘提供了一条不同路径——自然界本身就是海量抗菌肽和次级代谢产物的数据库，问题在于如何高效搜索。这正是大模型擅长的：把非结构化的科研意图转化为可执行的检索与计算流程，并在候选结果上做初步判断。
更值得注意的是"已灭绝物种"这一维度。灭绝生物的基因组数据往往残缺、碎片化，传统分析工具处理起来门槛很高。如果模型能够辅助补全、比对和筛选，相当于打开了一个此前难以触及的候选空间。这也是该工作区别于常规AI制药叙事的地方：它不是在优化已知分子的结构，而是在扩大搜索的起点。
影响与看点
对科研团队而言，这类用法的门槛正在快速下降。过去需要生物信息学工程师专门搭建的流程，现在可以由研究者用自然语言驱动模型生成初版代码，再人工校验。这意味着"计算能力"不再是少数实验室的专属。
对AI行业而言，这是一个信号：代码模型的价值边界正在从软件工程扩展到科学发现。Codex这类工具的核心能力——理解意图、生成可执行逻辑、处理结构化与非结构化数据——恰好匹配科研中"把问题变成流程"的需求。
需要保持克制的是，从候选分子到真正的药物，中间仍隔着体外验证、动物实验、临床试验等漫长环节。AI加速的是发现的前端，而非整条管线。
一个独立判断：真正值得跟踪的不是"AI找到了多少分子"，而是这类工作流能否被标准化、被其他实验室复用。如果基因组挖掘变成一种可复制的模型能力，抗菌药物研发的边际成本结构才会真正改变。
