OpenAI 推出 LifeSciBench：专家级生命科学研究 AI 评测基准
OpenAI 近日发布了一个名为 LifeSciBench 的全新基准测试，旨在评估 AI 系统在处理真实世界生命科学研究任务与决策时的能力。该基准由领域专家编写并经过同行评审，覆盖分子生物学、遗传学、药物发现等多个关键子领域。
为何需要专家级基准？
随着 AI 在科学发现中扮演的角色越来越重要，现有基准往往过于简化或脱离实际科研场景。许多通用基准测试仅关注模型的知识问答能力，而生命科学研究需要模型具备理解复杂实验设计、分析多模态数据、推理因果关系等高级能力。LifeSciBench 的出现填补了这一空白——它由活跃在科研一线的专家设计，确保每个任务都反映真实的实验室挑战。
基准构成与任务类型
LifeSciBench 包含多个子任务，每个任务都模拟一个具体的研究场景。例如：
- 实验方案评估：判断给定的实验步骤是否合理，能否达到预期目标。
- 数据解读：分析基因表达谱或蛋白质结构数据，提出下一步假设。
- 文献推导：根据多篇论文的结论，推理出新的研究路径。
每个任务都附带专家撰写的标准答案和详细评分标准，避免模糊性。
对 AI 行业的意义
LifeSciBench 的推出反映了 AI 评测从“刷榜”向“实用性”转变的趋势。此前，类似 BIG-bench 和 HELM 等基准已覆盖广泛领域，但生命科学因其专业性和高风险性，需要更精细的评估工具。
对于模型开发者而言，LifeSciBench 提供了一面“照妖镜”：一个在通用对话中表现优秀的模型，可能在实验方案评估中漏洞百出。这直接推动了模型在科学推理、多步规划、不确定性表达等能力上的改进。
潜在影响与局限
- 正面影响：加速 AI 在药物研发、基因治疗等领域的落地，降低因模型错误导致的科研风险。
- 局限性：基准仍无法覆盖全部生命科学分支，且专家评审成本高昂，更新速度可能跟不上学科进展。
OpenAI 表示将公开 LifeSciBench 的数据集和评估代码，鼓励社区参与完善。这不仅是评测工具，更是一种开放科学精神的实践——让 AI 的能力在真实科研任务中接受检验。
小结
LifeSciBench 的发布标志着 AI 评测进入“专家级”阶段。它不再满足于测试模型的记忆力，而是直击科研流程中的核心决策点。对于关注 AI for Science 的研究者和从业者而言，这是一个值得持续跟踪的重要进展。