OpenAI 端出 LifeSciBench：AI 做生命科學研究只過三成，而且裁判是自家

OpenAI 剛端出一套自己設計的生命科學研究評測 LifeSciBench，結果連它家最強的模型都只過了 36.1% 的題目，等於六成四的真實研究任務直接不及格。這個數字本身值得看。但更值得看的是握尺的人：出題的是 OpenAI、改考卷的是 OpenAI、被拿出來當範例秀成績的還是 OpenAI 自家模型。一份自己出題、自己改考卷、自己頒獎的成績單，不管分數高低，先天就少一層可信度。

先把這份考卷是什麼講清楚。

LifeSciBench 到底在考什麼

LifeSciBench 不是那種「請問這個基因的功能是什麼」的問答題。OpenAI 找了 173 位有生技與製藥實務經驗的博士級科學家，出了 750 道題，橫跨七種研究工作流程與七個生物領域，題目涵蓋證據處理、實驗設計與最佳化、科學推理、驗證與操作、轉譯，還有科學溝通。每題不是對一個標準答案，而是配一份專家寫的評分量表；全套 750 題加起來有 19,020 條評分準則，平均每題 25 條，用來給部分分數。

這件事本身做得對。真實的研究工作長什麼樣？是在證據不完整時做判斷、把互相矛盾的結果兜攏、設計一個難做的實驗、排查跑不出來的檢測、評估一個發現能不能真的用到人身上。這些沒有一題像考選擇題。一個評測願意去逼近這種「真實研究決策」，比起那種刷到飽和、大家都 95 分的知識背誦題，訊號誠實得多。問題不在題目，題目出得好。

那個 36.1%，訊號在崩跌的位置

先看分數。最強的 GPT-Rosalind 過 36.1%，比前一代 GPT-5.5 的 25.7% 高一截，其餘 Gemini 3.1 Pro 拿 23.6%、Grok 4.3 只有 13.0%。全場沒有任何一個模型過半，這份卷子還很遠沒被解掉。

但分數高低不是重點，崩跌的位置才是。同一個 GPT-Rosalind，純文字題還能拿 45.1%，一旦題目要它去讀真實的圖表、大型序列檔或連結，就掉到 28.1%。這才是這份評測講出來最有用的一句話：模型不是不會講生物學，是一碰到真實研究產物就撐不住。科學溝通那類「把東西講清楚」的題目它能到七成，換到要處理數字、要動手分析的題目就只剩三成上下。

用我常講的框架來看，這是解對題還是解錯題的差別。研究不是問答，是對一堆雜亂、不完整、互相打架的真實資料下判斷。你要它背知識，它很行；你要它讀你實驗跑出來的那張圖、那個序列、那份髒資料，再告訴你下一步該做什麼，它就露餡了。落差不在模型聰不聰明，在它有沒有能力接住真實世界丟過來的那些料。這跟聊天視窗裡問它一句它答得漂亮，是兩回事。

裁判是自家，這件事要單獨講

分數怎麼讀是一層，誰在給分是另一層，得分開講。LifeSciBench 有個結構性問題：這是 OpenAI 出的評測、由 OpenAI 評分、拿來展示 OpenAI 的模型。同一篇分析還點出兩件事：在科學工具裡被大量使用的 Claude，被排除在這次模型比較之外；而且整份成績單沒有放一條人類科學家的基準線，你根本不知道 36.1% 對一個真正的研究員來說算好還算差。

我不是在說數字造假。有 453 位外部專家審過題目品質，題目本身可信。要踩剎車的是另一件事：當出題、選手名單、改考卷、寫新聞稿全在同一家手上，這份東西的性質就從「評測」滑向「行銷」。判斷一個訊號值不值得信，看的不是它聰不聰明，而是它的運作機制裡有沒有讓它需要粉飾的結構性理由。自家握尺、又拿自家模型當範例，粉飾的動機就結構性地存在，跟誠不誠實無關。你看一份基準之前，得先問一句：這把尺是誰做的、誰在量。

台灣生技要從這讀出什麼

先擋一個常見誤讀：這份成績單不是在說「AI 快能取代科學家了」。連 OpenAI 自己的敘事都收斂到「今天的 AI 離自主科學家還很遠，能幫忙、能協助，但無法可靠地取代研究所需的專業判斷」。台灣生技與精準醫療圈要接的，不是排行榜上誰又多兩分，是那個崩跌位置指出來的真正工作在哪。

模型從 45.1% 掉到 28.1% 那一段，就是價值所在。真正難、真正還沒被做好的，是把實驗室跑出來的真實資料，乾淨地、可驗證地餵給模型，再把它的輸出接回研究流程。這件事拚的不是模型大小，是落地流程：問題定義、資料供給、角色設計、驗證機制、責任歸屬，缺一個就在那裡出問題。台灣手上有臨床資料、有製程資料、有實驗現場，這些恰好是模型最撐不住的那一格；要卡的位是把這條資料到判斷的管線做紮實，不是去追誰的模型又刷高幾分。

看懂這則新聞的正確方式，是把兩件事分開放：一個是「AI 讀真實研究資料還很弱」的技術事實，這是真的，也指出了機會；另一個是「出題兼改考卷兼頒獎」的可信度問題，這讓分數本身不能盡信。看基準先看握尺的人，比記住 36.1% 這個數字重要。

常見問題

LifeSciBench 是什麼？AI 真的只過三成嗎？
LifeSciBench 是 OpenAI 2026 年 6 月發布的生命科學研究評測，由 173 位博士級科學家出 750 道真實研究任務，用專家寫的評分量表打分。最強的模型 GPT-Rosalind 只過 36.1%，[等於失敗近六成四](https://science.slashdot.org/story/26/06/20/202204/openai-announces-benchmarks-for-ai-life-sciences-research-its-best-model-failed-639-of-the-test)，GPT-5.5 更只有 25.7%，全場沒有一個模型過半。

為什麼說「裁判是自家」是個問題？
因為這份[評測由 OpenAI 出題、OpenAI 評分，還拿來展示 OpenAI 自己的模型](https://labcritics.com/blog/2026/06/19/lifescibench-openais-hard-new-life-science-benchmark-and-how-gpt-rosalind-stacks-up/)，同時把常被科學工具使用的 Claude 排除在比較外、也沒放人類科學家的基準線。這不代表數字造假，而是當出題、選手、改考卷都在同一家手上，這份東西的性質就會從中立評測滑向產品行銷，讀的時候要打折。

這代表 AI 不能用在生命科學研究了嗎？
不是。它代表 AI 現在能協助、還不能取代研究判斷。訊號最清楚的是：模型處理純文字題有 45.1%，一碰到真實圖表、序列檔就掉到 28.1%，弱點在讀真實研究資料。真正該投入的，是把實驗資料乾淨可驗證地接進模型的那條流程，而不是追排行榜分數。

台灣生技產業該關注什麼？
關注那個「崩跌位置」指出的機會。台灣手上有臨床、製程與實驗現場的真實資料，這恰好是模型最撐不住的一格。把資料供給、驗證機制、責任歸屬這條落地管線做紮實，比追誰的模型多刷幾分更有價值。