OpenAI 推 BioBasicsBench，考驗濕實驗室 AI 代理

OpenAI 推出名為 BioBasicsBench 的新評測，內含 100 項任務，用來衡量 AI 代理處理濕實驗室科學實務的能力。有別於考課本事實或簡答題的測試，這套評測要求代理直接面對原始實驗數據，解讀儀器輸出、察覺異常、推演實驗室流程，並判斷接下來該採取什麼行動。 這個著眼點之所以重要，是因為真實研究往往一團混亂。科學家花不少時間在看圖表和機器讀數、確認結果合不合理、找出失敗的批次，再調整操作步驟。能在這些事情上幫上忙的 AI 代理，會比只會背科學概念的代理更有用。 這套基準也反映 AI 評測的大方向正在轉變：開發者正從靜態知識測驗，轉向需要規劃、工具使用與多步驟判斷的代理式工作流程。BioBasicsBench 的目標是點出目前系統在逼真科學情境中哪裡做得到、哪裡還卡關。 這次發布或許能幫研究人員用共同任務來比較不同模型，並凸顯可靠性上的缺口，尤其是在資料不完整或含糊的時候。它也可能促成 AI 開發者與實驗室科學家更密切合作，讓真正做實驗的人來定義貼近現場的任務。 不過，有了基準不等於保證實驗室自動化安全可靠。100 項任務的表現能反映進展，但無法涵蓋每一種流程、儀器或安全要求。更重要的訊號是：AI 公司正試圖證明自家系統不只能生成文字，也能對科學有所貢獻。隨著代理能力越來越強，像 BioBasicsBench 這樣的基準，會在工具被託付於高風險實驗工作之前，協助設定期待並揭露限制。