OpenAI发布BioBasicsBench：100项任务考AI做湿实验

OpenAI 发布了一个叫 BioBasicsBench 的新基准，包含 100 项任务，用来衡量 AI 智能体在湿实验室（wet lab）实际场景中的表现。 和那些考课本知识、短问答的测试不同，这个基准要求智能体直接面对原始实验数据：读懂仪器输出、发现异常、按实验流程一步步推理，并判断接下来该做什么。 这个切入点很关键，因为真实科研往往很“脏乱差”。科研人员要花大量时间看曲线图、看机器读数、判断结果靠不靠谱、识别哪次实验跑废了，然后调整操作步骤。一个能在这些环节搭把手的 AI 智能体，显然比一个只会背科学概念的模型更有用。 这个基准也反映了 AI 评测的大方向在变：开发者正从静态知识测试，转向需要规划、调用工具、并在多步过程中做判断的智能体工作流。BioBasicsBench 的目的，就是看清当前系统在真实科研环境里哪些地方行、哪些地方还不行。 对研究者来说，这个基准可以帮助他们在共同任务上横向比较不同模型，也能把可靠性上的短板暴露出来，尤其是在数据不完整、含义模糊的时候。它还可能推动 AI 开发者和实验室科研人员更多合作——毕竟只有一线科研人员才清楚哪些任务真正贴近实验台前的操作。 不过也要说清楚：一个基准并不等于实验室自动化的安全或可靠保证。100 项任务的表现能说明进展，但覆盖不了所有实验流程、所有仪器和所有安全要求。 更值得关注的信号是，AI 公司正在努力证明自家系统不止会写文字，也能对科学研究有实际贡献。随着智能体能力提升，BioBasicsBench 这类基准会在设定预期、暴露局限上发挥作用——尤其是在这些工具被真正信任、进入高风险实验工作之前。