AI科学家真实实验室测试：实验能力仍待检验

11月6日，OpenAI联合酶设计生物技术公司Ligo发布实验室评测基准BioBasicsBench，汇集100项真实实验任务，考察模型解读电泳图、平板、显微图像和仪器读数的能力。在高推理设置下，GPT-6 Astra平均得分66.7%，GPT-5.6 Sol为43.8%，但高分不代表可靠判断，图像解读、对照检查和情境应用仍有短板。 两天后，律动造物创始人谢童博士发起、新南威尔士大学、新加坡国立大学、洛桑联邦理工学院与加州大学伯克利分校等牵头的AISLE基准发布，汇集13个前沿实验室，并获NVIDIA、微软研究院、礼来参与。团队将7个大模型接入悉尼、新加坡等地自动化实验室，完成4079次实验、设备运行46626分钟。结果显现“模拟到真实”落差：GPT 5.5干实验优化得分90.74，湿实验仅16.46；最难八组分配方54次运行无一达标。设备出现移液偏差时，优化最强的Gemini三次均未恢复；汇总湿实验四维度，GPT 5.5以41.19分领先，但无模型全面占优。 两项评测显示，AI科学家在理解证据与可靠实验之间仍有距离：模型可能误读数据、发现异常却混用旧信息，或在安全任务中预测安全却落入禁区，完整安全通过率为0%。随着模型连接合成、能源和生物实验设备，评测需同时检验目标完成、证据判断与约束遵守。行业正借数字孪生降低试错成本，用真实测量校准判断；多国推动AI与科研基础设施结合，形成可验证反馈成为关键课题。