對於許多工程師來說，評估 AI 模型的能力通常是看它在特定數據集上的準確率（Accuracy）或通過率（Pass Rate）。但在生命科學（Life Science）這種高度複雜的領域，僅僅能「正確回答生物學問題」並不等於能「協助科研工作」。
OpenAI 推出的 LifeSciBench 基準測試，目的就在於填補這個鴻溝：將評估標準從單純的知識檢索，提升到模擬真實世界的科研工作流。
為什麼需要 LifeSciBench？
目前的 AI 評估多集中在狹窄的領域或孤立的技能，題目通常有標準答案，且格式單一。然而，真實的生命科學研究（如藥物開發）充滿了不確定性。研究員必須在證據不完整的情況下做出判斷、協調衝突的實驗結果、設計複雜的實驗流程，並評估臨床轉化的風險。
如果一個 AI 只能在選擇題中拿高分，但無法在面對一份複雜的臨床數據報告時指出其邏輯漏洞，那麼它在實務上對科學家來說就沒有真正的價值。
LifeSciBench 的設計核心：模擬真實科研工作流
LifeSciBench 不是由教科書題目組成，而是由 173 位擁有博士學位且具備藥廠或生技產業經驗的專家撰寫。它包含 750 個任務，涵蓋 7 個生物學領域與 7 種核心工作流：
證據處理（Evidence Handling）：從論文、圖表或實驗記錄中提取並審核證據。 分析（Analysis）：對數據進行深入解析。 設計與優化（Design and Optimization）：設計實驗或優化分子結構。 科學推理（Scientific Reasoning）：基於已知事實推導未知結論。 驗證與操作（Validation and Operations）：確保實驗可執行且結果可驗證。 轉化（Translation）：將基礎研究結果轉化為臨床應用（例如從實驗室到病床的過程）。 科學溝通（Scientific Communication）：將複雜結果整理成專家可理解的報告。
為了增加難度與真實感，53% 的任務要求模型必須分析外部附件（Artifacts），包括 PDF 論文、化學結構文件、序列文件（Sequence files）或圖表，而非僅僅依賴文字提示。
評分機制：從「對錯」轉向「有用性」
在工程實務中，我們習慣於 Binary（對或錯）的判斷。但在科學研究中，一個結論可能是正確的，但如果忽略了關鍵的實驗限制或生物學細節，這個答案在實務上仍是不可用的。
因此，LifeSciBench 引入了極其詳細的評分量表（Rubric）。每個任務平均有 25 個評分準則，總計超過 1.9 萬個準則。評分不再只看最終答案，而是檢查模型是否提供了： 正確的科學主張（Claims）。 合理的計算過程。 必要的限制說明（Caveats）。 足以支持決策的理由（Justification）。
例如，在評估一份基因治療的 FDA 申請資料時，模型如果能指出「抗體檢測方法無法區分原生蛋白與轉基因蛋白」這一關鍵漏洞，即使最終結論相同，也能獲得更高的分數，因為這對研究員具有實質的指導意義。
目前的 AI 能力邊界
根據測試結果（以 GPT-Rosalind 與 GPT-5.5 為例），目前的頂尖模型展現出明顯的強項與弱點：
AI 的強項：合成與溝通 模型在科學合成（Synthesis）、翻譯（Translation）與溝通方面進步最快。它們擅長將碎片化的證據組織起來，並產出專業的解釋。
AI 的弱點：精確設計與多模態分析 附件依賴：當任務需要解析複雜圖表或大型序列文件時，通過率大幅下降。 精確輸出：在需要輸出精確的 DNA 序列、化學結構或數值計算時，表現較差。這在實務中很致命，因為 CRISPR 導向序列或 siRNA 設計只要錯一個鹼基就完全失效。 深度推理：雖然模型能給出看似合理的局部答案，但經常因為遺漏一個關鍵約束條件而導致整體任務失敗。
總結與未來方向
LifeSciBench 證明了 AI 在生命科學領域正從「知識庫」轉向「研究助手」。然而，目前的 AI 仍處於「單次任務」處理階段，而真正的科研是迭代的（Iterative）——根據結果修正假設，再設計下一次實驗。
對於開發科學 AI 的工程師來說，這提醒我們：提升模型能力的關鍵不在於餵更多論文，而是在於強化模型對多模態數據（圖表、結構文件）的整合能力，以及對科學嚴謹性（如限制條件、不確定性）的處理能力。
來源：OpenAI (Introducing LifeSciBench)
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。