ChatGPT怎么用于科研？最近OpenAI官网分享了一个真实案例：宾夕法尼亚大学César de la Fuente的实验室，正在用Codex和ChatGPT在现存生物、甚至已灭绝生物的基因组里"淘"抗菌分子，目标是找到对抗耐药菌感染的新候选药物。
这不是概念演示，而是已经在产出真实候选分子的科研流程。下面花几分钟讲清楚：他们具体怎么用AI、这条路为什么重要，以及对想用ChatGPT做研究的你有什么参考价值。
ChatGPT和Codex发现抗菌分子是怎么回事
最近，OpenAI官网刊出一个科研案例：宾夕法尼亚大学的César de la Fuente实验室，把Codex和ChatGPT用进了抗菌分子的发现流程。简单说，就是让AI帮科学家在浩如烟海的基因组数据里，找出可能杀死耐药菌的候选分子。
这个实验室的思路很特别：不只搜现存生物，还搜已灭绝生物的基因组，比如古人类和猛犸象的蛋白质片段。这一方向常被称为"分子去灭绝"，据公开报道，该团队此前已据此找到过一些有抗菌活性的候选分子，成果曾发表在同行评审期刊上。
这次的分工是：Codex主要负责数据处理与编程任务，比如批量扫描几十万条基因序列；ChatGPT负责文献梳理、假设讨论和结果解释。等于一个"动手干活"，一个"动脑陪聊"，两者配合把过去要几个月的初筛工作压缩到很短的时间。
信息来源：OpenAI官网案例原文（具体内容以官方页面为准）。
Codex是什么？和ChatGPT有什么区别
很多人看到这条新闻的第一反应是：Codex是什么？和ChatGPT是不是一个东西？一句话区分：ChatGPT是对话式AI助手，聊天、写作、答疑样样能做；Codex是OpenAI的编程智能体，专门帮你写代码、跑数据处理任务。
在抗菌研究里，两者分工明确：Codex把"批量扫描海量基因序列"这种重复劳动写成脚本自动执行；ChatGPT像随身的科研搭档，帮研究者查背景、理思路、解读结果。想更系统地了解编程类AI的差别，可以看我们之前的对比：哪个AI写代码最好：Cursor、Claude、ChatGPT怎么选。
| 对比项 | Codex | ChatGPT |
|---|---|---|
| 定位 | 编程智能体，替你写代码、执行任务 | 对话式AI助手，陪你思考和表达 |
| 擅长 | 数据分析脚本、批量处理文件、自动化流程 | 查文献、理思路、解释结果、写初稿 |
| 在哪用 | ChatGPT内的Codex入口、编程环境 | 网页、App、桌面版 |
| 适合谁 | 有编程或数据处理需求的研究者 | 几乎所有科研与办公场景 |
| 怎么收费 | 包含在ChatGPT付费计划中，有用量限制 | 有免费版，Plus约20美元/月（以官方为准） |
对普通用户的启发是：ChatGPT负责"想清楚"，Codex负责"动手干"。做任何数据密集型的工作，不一定非得是生物学，都可以套用这个组合。
为什么要用AI找抗菌分子？耐药菌有多严重
先看背景：细菌对抗生素的耐药性正在全球蔓延。世界卫生组织多次警告耐药感染的威胁，有研究预测到2050年耐药感染每年可能导致约千万人死亡（不同机构口径有差异，仅作参考）。这也是各国都把新型抗菌药物列为重点方向的原因。
问题在于新药供给跟不上。一款传统抗生素从发现到上市通常要十年以上、投入巨大，而过去几十年真正上市的新型抗生素屈指可数。细菌却在快速进化，等于"敌人一直在变强，武器库很久没有更新"。
AI的价值集中在第一步：候选发现。地球上的生物，包括已经灭绝的那些，演化出了海量蛋白质和小分子，其中藏着大量从未被检验过的抗菌结构。靠人力筛选像大海捞针，AI可以在几天内过完几百万条序列，把最像抗菌分子的候选排到最前面，这正是de la Fuente团队用Codex和ChatGPT做的事。
AI筛选抗菌分子的流程是怎么样的
结合OpenAI的介绍和这个实验室此前发表的论文，整个流程大致可以拆成五步：
- 收集基因组数据：汇总现存生物与已灭绝生物（如古人类、猛犸象）的公开基因组和蛋白质序列。
- 批量扫描：用Codex编写并运行分析脚本，按抗菌分子常见的结构特征（比如短肽的长度、电荷、疏水性）批量过滤。
- 模型预测打分：用机器学习模型给候选分子预测抗菌活性，排出优先级。
- ChatGPT辅助研究：查文献、讨论假设、解释分析结果、帮忙起草实验方案和论文初稿。
- 实验验证：把排名靠前的候选分子真正合成出来，在实验室里测试对耐药菌的杀灭效果。
这里最关键的一点是：AI只负责"提出候选"，不直接"造出新药"。第五步的实验验证一个都省不了，AI给出的预测里也会有大量假阳性。它真正改变的是速度和规模，让科学家把时间花在最有可能成功的少数候选上。
这项研究对国内普通用户有什么影响
短期看，这件事不会立刻变成你药箱里的新药。从候选分子到上市药物，中间还有漫长的动物实验和临床试验，绝大多数候选会中途被淘汰。但它传递的信号很明确：AI做科研已经不是PPT概念，而是能真实产出候选分子的生产力工具。
对国内的研究生、医生和科研工作者来说，参考意义更直接：文献调研、数据清洗、批量处理、代码编写、论文润色这些"脏活累活"，ChatGPT加Codex的组合都能帮你提速。你不需要是学生物的，做社科数据、工程仿真、财务分析，套路是相通的。
对整个社会而言，这类"AI＋医药"的研究如果持续出成果，长远看人人都有机会受益——无论是更有效的新型抗生素，还是更便宜的药物研发成本。国内团队其实也在做类似方向，医疗大模型近两年的进展同样很快。
用ChatGPT做科研要避开哪些坑
看完案例心动之前，先泼点冷水。用ChatGPT做科研有几个坑，踩了可能出大事：
- 文献幻觉：ChatGPT可能编造看似真实的参考文献和编号。国外已有律师因提交AI伪造的引证被罚款5000美元（见ChatGPT幻觉伪造证词案），学术场景同样致命，每条文献都要亲手核实。
- 数据别乱喂：未发表的实验数据、患者信息直接贴进对话框有泄露风险。敏感课题建议使用企业版，或在设置里关闭聊天记录用于训练。
- 结果必须复现：AI写的分析脚本可能有bug，关键结论要自己重新跑一遍，最好用第二种方法交叉验证。
- 署名与合规：多数期刊和学校要求披露AI使用情况，投稿前先查本单位政策，更不能把AI列为作者。
一句话：把ChatGPT当"能力很强但会犯错的实习生"，它干活快，但你必须逐项验收，最终对内容负责的永远是你自己。
国内怎么用ChatGPT和Codex？需要什么会员
想复刻这个"ChatGPT＋Codex"的科研工作流，门槛其实不算高。截至2026年，Codex已整合进ChatGPT的付费计划，Plus约20美元/月（价格随汇率浮动、以官方为准），订阅后在ChatGPT里就能让Codex跑编程任务；用量更大的实验室和团队可以考虑Pro或Team版。
如果你是高校师生，还有一条省钱路子：OpenAI推出了面向科研人员的免费计划，全球共10万个名额，具体申请方法见ChatGPT科研免费计划：10万名额怎么申请。符合条件的可以先申请免费名额，再决定要不要付费。
国内用户需要注意：OpenAI官方未对大陆开放，注册和支付都要自己想办法。网络环境要稳定，支付一般需要海外卡，部分渠道支持用支付宝、微信完成充值，选渠道时注意甄别，别碰来源不明的低价共享号，以免账号被封、数据丢失。无论走哪条路，重要的研究数据记得本地备份。
信息来源:openai.com。本文为基于公开资讯的原创整理与解读,非原文转载。